本文選題：火焰檢測(cè) + 特征提取　； 參考：《沈陽(yáng)工業(yè)大學(xué)》2017年碩士論文

【摘要】：火災(zāi)作為自然災(zāi)害之一,每天都影響著世界各地的日常生活。傳統(tǒng)的火災(zāi)探測(cè)器有感溫、感煙、感光、氣敏以及復(fù)合式火災(zāi)探測(cè)器,這些火災(zāi)探測(cè)器只能對(duì)某一特征信息進(jìn)行采集,受環(huán)境影響。隨著信號(hào)處理、人工智能等技術(shù)的發(fā)展,產(chǎn)生了基于視頻的火災(zāi)檢測(cè)系統(tǒng)。利用攝像設(shè)備獲取監(jiān)控場(chǎng)景的影像信息,自動(dòng)檢測(cè)火災(zāi)并預(yù)警,有著成本低、檢測(cè)率高、響應(yīng)迅速等優(yōu)點(diǎn),相關(guān)研究日益受到關(guān)注和重視,成為學(xué)術(shù)研究熱點(diǎn)。本文首先總結(jié)了國(guó)內(nèi)外火焰檢測(cè)算法的發(fā)展現(xiàn)狀及理論研究成果,之后介紹了火焰檢測(cè)的主流技術(shù)。研究并設(shè)計(jì)火焰視頻前景檢測(cè)方法,分析提取多維度特征有效表征火焰,并實(shí)現(xiàn)了基于支持向量機(jī)的火焰檢測(cè)。研究深度學(xué)習(xí)的方法,并將卷積神經(jīng)網(wǎng)絡(luò)用于火焰檢測(cè)中。在一般的卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,增加了網(wǎng)絡(luò)深度,實(shí)現(xiàn)了對(duì)火焰的識(shí)別并分析了網(wǎng)絡(luò)性能。本文主要開(kāi)展工作如下:(1)提出了一套復(fù)雜環(huán)境下火焰檢測(cè)方法。針對(duì)目前火焰顏色模型一般為某個(gè)顏色區(qū)間,無(wú)法精確表征火焰顏色特征的問(wèn)題,在不同空間對(duì)火焰顏色進(jìn)行分析,尋找火焰像素值在空間的分布規(guī)律,據(jù)此建立更精確的顏色概率分布模型。針對(duì)復(fù)雜場(chǎng)景下火焰區(qū)域提取困難的問(wèn)題,提出一種基于搜索框的前景提取方法,充分利用火焰的顏色和運(yùn)動(dòng)特性,并綜合顏色及運(yùn)動(dòng)的幀間相關(guān)性,準(zhǔn)確提取火焰區(qū)域。對(duì)基于圖像塊的火焰特征進(jìn)行研究,融合了火焰顏色顯著性特征、空間梯度特征、幀間梯度特征、閃爍特征和火焰質(zhì)心運(yùn)動(dòng)特征等多維度特征,用于火焰的表征和識(shí)別。根據(jù)融合的特征采用支持向量機(jī)進(jìn)行分類(lèi)檢測(cè),分析了各個(gè)特征對(duì)分類(lèi)準(zhǔn)確率的影響。(2)考慮到近年來(lái)深度學(xué)習(xí)的快速發(fā)展,以及卷積神經(jīng)網(wǎng)絡(luò)在圖像分類(lèi)上的卓越表現(xiàn),將其應(yīng)用于火焰檢測(cè),并與傳統(tǒng)的模式識(shí)別方法進(jìn)行比較。設(shè)計(jì)了具有更多隱層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),實(shí)現(xiàn)了對(duì)火焰的分類(lèi)檢測(cè),并通過(guò)實(shí)驗(yàn)分析了卷積神經(jīng)網(wǎng)絡(luò)的性能。實(shí)驗(yàn)結(jié)果表明,本文提出的前景提取算法能夠在復(fù)雜背景下較精確地提取出目標(biāo)區(qū)塊,提升了識(shí)別效率。采用設(shè)計(jì)的多維度火焰特征可以通過(guò)支持向量機(jī)進(jìn)行火焰的有效分類(lèi)識(shí)別,效果良好。卷積神經(jīng)網(wǎng)絡(luò)能夠應(yīng)用于火焰識(shí)別,但需考慮通過(guò)提供更多更具有針對(duì)性的訓(xùn)練數(shù)據(jù)集提升泛化能力。
[Abstract]:As one of the natural disasters, fire affects daily life all over the world every day. Traditional fire detectors have temperature, smoke, light, gas and composite fire detectors. These fire detectors can only collect a certain characteristic information and be affected by environment. With the development of signal processing, artificial intelligence and other technologies, a fire detection system based on video has emerged. With the advantages of low cost, high detection rate, rapid response and so on, the use of camera equipment to obtain image information of monitoring scene, automatic fire detection and early warning has become a hot academic research. This paper first summarizes the development and theoretical research results of flame detection algorithms at home and abroad, and then introduces the mainstream flame detection technology. Research and design flame video foreground detection method, analyze and extract multi-dimension feature to represent flame effectively, and realize flame detection based on support vector machine. The method of deep learning is studied, and convolutional neural network is applied to flame detection. Based on the general convolution neural network, the depth of the network is increased, the flame recognition is realized and the network performance is analyzed. The main work of this paper is as follows: 1) A set of flame detection method in complex environment is proposed. In order to solve the problem that the flame color model is usually a certain color interval and can not accurately represent the color characteristics of the flame, the flame color is analyzed in different space to find the distribution of the flame pixel value in the space. Based on this, a more accurate model of color probability distribution is established. Aiming at the difficulty of flame region extraction in complex scene, a method of foreground extraction based on search box is proposed, which makes full use of the color and motion characteristics of flame, synthesizes the correlation between color and motion frame, and extracts the flame region accurately. The flame features based on image blocks are studied. The features of flame color salience, spatial gradient, inter-frame gradient, flicker and flame centroid motion are combined to represent and identify the flame. According to the feature of fusion, support vector machine is used for classification detection. The influence of each feature on classification accuracy is analyzed. The rapid development of deep learning in recent years and the excellent performance of convolution neural network in image classification are considered. It is applied to flame detection and compared with the traditional pattern recognition method. The convolution neural network structure with more hidden layers is designed, and the classification and detection of flame are realized. The performance of convolution neural network is analyzed by experiments. The experimental results show that the proposed foreground extraction algorithm can extract the target blocks accurately in complex background and improve the recognition efficiency. The designed multi-dimensional flame features can be effectively classified and recognized by support vector machine (SVM), and the effect is good. Convolutional neural networks can be applied to flame recognition, but it is necessary to improve generalization ability by providing more and more targeted training data sets.
【學(xué)位授予單位】：沈陽(yáng)工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李遠(yuǎn)生;紅外線火焰檢測(cè)裝置原理及其應(yīng)用[J];計(jì)算機(jī)測(cè)量與控制;2003年03期

2 李遠(yuǎn)生;紅外線火焰檢測(cè)裝置原理及其應(yīng)用[J];浙江電力;2003年01期

3 黃正宇;繆小平;芮挺;;基于圖像的火焰檢測(cè)中無(wú)量綱動(dòng)態(tài)特征研究[J];計(jì)算機(jī)應(yīng)用;2012年07期

4 范運(yùn)隆;;紫外火焰檢測(cè)裝置[J];化工自動(dòng)化及儀表;1981年07期

5 劉敬文;火焰檢測(cè)監(jiān)視的儀表選擇[J];自動(dòng)化博覽;2002年02期

6 張新偉;對(duì)鍋爐火焰檢測(cè)裝置的探析[J];華東電力;2002年05期

7 董威;安瑩;周仁魁;;基于輻照度測(cè)量法的火焰檢測(cè)研究[J];光電工程;2007年02期

8 李高建;朱秀斌;杜巍;;鄰域統(tǒng)計(jì)火焰檢測(cè)算法及其實(shí)驗(yàn)研究[J];制冷與空調(diào)(四川);2008年01期

9 李德輝;周亮;鄧天軍;;燃?xì)鉅t火焰檢測(cè)電路分析[J];河南科技;2014年06期

10 李國(guó)昌,常太華,李國(guó)光;光纖火焰檢測(cè)系統(tǒng)算法的改進(jìn)[J];電力情報(bào);2002年01期

相關(guān)會(huì)議論文 前6條

1 張澄;李娜;;高爐區(qū)域火焰檢測(cè)技術(shù)[A];中國(guó)計(jì)量協(xié)會(huì)冶金分會(huì)2013年會(huì)論文集[C];2013年

2 李遠(yuǎn)生;;紅外線火焰檢測(cè)裝置原理及其應(yīng)用[A];廣東省電機(jī)工程學(xué)會(huì)2003-2004年度優(yōu)秀論文集[C];2005年

3 江寧;;FORNEY火焰檢測(cè)的在線優(yōu)化[A];2010年全國(guó)發(fā)電廠熱工自動(dòng)化專(zhuān)業(yè)會(huì)議論文集[C];2010年

4 胡國(guó)鋒;馬莉;;基于視覺(jué)特征對(duì)比度和二維熵的火焰檢測(cè)[A];浙江省電子學(xué)會(huì)2012學(xué)術(shù)年會(huì)論文集[C];2012年

5 劉琦;;FORNEY火檢在黃島電廠的應(yīng)用[A];山東電機(jī)工程學(xué)會(huì)第六屆發(fā)電專(zhuān)業(yè)學(xué)術(shù)交流會(huì)論文集[C];2007年

6 張國(guó)燦;蔡國(guó)軍;段義平;唐守昱;;提高鍋爐火檢探頭安裝的精準(zhǔn)度[A];2013年中國(guó)電機(jī)工程學(xué)會(huì)年會(huì)論文集[C];2013年

相關(guān)重要報(bào)紙文章 前3條

1 記者　 薛秀穎;哈產(chǎn)智能火焰檢測(cè)裝置暢銷(xiāo)國(guó)內(nèi)外[N];哈爾濱日?qǐng)?bào);2006年

2 薛秀穎;智能火焰檢測(cè)裝置暢銷(xiāo)國(guó)內(nèi)外[N];中國(guó)高新技術(shù)產(chǎn)業(yè)導(dǎo)報(bào);2006年

3 上海市中電投電力工程有限公司 許道春;淺談臨河動(dòng)力站空冷發(fā)電機(jī)組鍋爐火焰電視監(jiān)視系統(tǒng)的配置情況及特點(diǎn)[N];消費(fèi)日?qǐng)?bào);2010年

相關(guān)博士學(xué)位論文 前3條

1 遲天陽(yáng);基于火焰檢測(cè)器的燃料識(shí)別和著火特性研究[D];浙江大學(xué);2009年

2 郭建民;基于數(shù)字圖像處理技術(shù)的鍋爐火焰檢測(cè)與污染物排放特性研究[D];中國(guó)科學(xué)院研究生院（工程熱物理研究所）;2006年

3 謝迪;智能視頻監(jiān)控系統(tǒng)中若干檢測(cè)與跟蹤算法的研究[D];浙江大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 陳磊;復(fù)雜場(chǎng)景下視頻火焰檢測(cè)[D];上海師范大學(xué);2015年

2 李哲;基于圖像的火焰檢測(cè)技術(shù)分析[D];華北電力大學(xué);2015年

3 夏明;基于雙MCU結(jié)構(gòu)的一體化火焰檢測(cè)監(jiān)控系統(tǒng)研究[D];大連理工大學(xué);2015年

4 王光耀;基于機(jī)器學(xué)習(xí)的火災(zāi)檢測(cè)方法研究[D];大連理工大學(xué);2015年

5 李金蘭;基于視頻圖像處理的火焰檢測(cè)研究[D];貴州民族大學(xué);2015年

6 岳瑩瑩;基于視頻圖像a通道的火焰檢測(cè)技術(shù)[D];東北大學(xué);2014年

7 徐博;基于視頻的真實(shí)場(chǎng)景火焰檢測(cè)[D];遼寧科技大學(xué);2016年

8 張霞;基于多特征的視頻火焰檢測(cè)[D];上海師范大學(xué);2016年

9 張瑞;基于火焰動(dòng)態(tài)模型融合的火焰檢測(cè)算法研究[D];西安科技大學(xué);2015年

10 晉海軍;基于Hi3518E的無(wú)線網(wǎng)絡(luò)視頻監(jiān)控及火焰檢測(cè)系統(tǒng)研究[D];大連理工大學(xué);2016年

，

本文編號(hào)：1881647