火焰识别的基本方法.pdfVIP

⽕焰识别的基本⽅法

数据集汇总

以后更新，时常联系

⼀、检测⽅式

1.1传统⽅式

基于颜⾊空间

在这⾥、有时往往会将多种颜⾊空间的⽕焰检测技术结合到⼀起，如RGB+HSV。但⽕焰的颜⾊并⾮单⼀的，由内焰⾄外焰⽕焰颜⾊分

别为⽩⾊、蓝⽩⾊、黄⾊、淡黄⾊、红⾊、暗红⾊。最外围可能还存在由⽕焰产⽣的红⾊烟雾。因此，基于⽕焰颜⾊空间的⽕焰识别往

往需要选取多组阈值范围，不同的阈值可更好的分割⽕焰区域。

RGB[⽕焰像素：红⾊通道⼤于绿⾊通道，绿⾊通道⼤于蓝⾊通道。]

HSV

YCbCr:Y是亮度，Cb和Cr是⾊度蓝⾊(ChrominanceBlueand)和⾊度红⾊分量(ChrominanceRed)。

基于纹理特征

⼀般是采⽤统计学的概念去探究相关像素点之间的关系及像素本⾝的特点。

⽕焰的⼏何特征

这⾥的⼏何特征可以考虑⼏个⽅⾯：⽕焰轮廓（⽕焰周长与⽕焰凸包周长⽐值）、⽕焰⾯积（⽕焰⾯积占⽕焰凸包的⽐值）、⽕焰⾯积

变化（相邻帧⽕焰⾯积变化率）

⽕焰轮廓

使⽤经典的边缘检测算⼦去计算⽕焰的边缘值。

⾼斯混合模型

帧差法

下⼀帧减去上⼀帧，得到⽕焰像素变化区域。

背景/前景法

在安装设备时进⾏初始化，设置为背景。之后的每⼀张图⽚减去背景图⽚，通过选取合适的阈值就可以得到⽕焰区域。

光流法

光流法也必须基于视频流才可以实现，具体的我暂时不清楚，就知道将像素周围分为多个⽅向⽤于构建等维度的特征向量

1.2机器学习

往往会先通过通过传统的⽅式去提取⽕焰特征，然后通过这些特征去构建特征向量（⽐如光流法提取⽕焰特征向量），再代⼊特征向量到分

类器中训练。同时，有⼈也会构建级联分类器，就是多个分类器之间采⽤投票的机制，预测类别多数获胜。

⽀持向量机

随机森林

决策树

1.3深度学习

基于卷积神经⽹络的⽕焰检测相对于传统⽅式⽽⾔，对⽕焰有着更⾼的精确率与召回率。可以⼤⼤的降低系统的误报率。这也是我现在所研

究的⼀个重点⽅向。对于深度学习的重点可能会在改善现有的⽹络结构，改进loss…可能⼀个新的想法就可以让你创造⼀个新传奇。

分类⽹络

对于分类⽹络的选择，尽量选择⽹络规模较⼩的⽹络，因为可以⼤⼤的减少检测的时间。同时，经过时间证明这些⽹络结构对提取物体

特征效果⽐较理想。

mobileNet

squeezeNet

VGG16

AlexNet

⽬标检测

yolo系列

FastR-CNN

语义分割

⽬前存在的问题是标注的数据集基本没有公开的。

FCN

UNet

SegNet

DeepLab

⼆、检测⽅式介绍

由于时间有限，在这会主讲基于颜⾊空间的传统⽅式及深度学习⽅式。还有⽇后我研⼀论⽂的实现细节，现在暂时不做叙述。关注我别迷失

哦

2.1基于YCbCr颜⾊空间的⽕焰检测

见论⽂

2、公式代码

defBGRToYCbCr(image):

颜⾊空间转换

:paramimage:图像

:return:

image_B,image_G,image_R=cv2.split(image)

y=np.array(0.2568*image_R+0.5041*image_G+0.0979*image_B,dtype=np.uint8)+16

cb=np.array(-0.1482*image_R-0.2910*image_G+0.4392*image_B,dtype=np.uint8)+128

cr=np.array(0.4392*image_R-0.3678*image_G-0.0714*image_B,dtype=np.uint8)+128

returny,cb,cr

3、检测代码

defdetectFireByYCbCr(Y,Cb,Cr,Y_decay=1.15,Cb_decay=0.75,Cr_decay=1.15,threshold=40):

通过Y