导读:本文包含了视频火灾检测论文开题报告文献综述及选题提纲参考文献，主要关键词:视频分析,火灾预警,安全管理
视频火灾检测论文文献综述
陈轶毅[1]（2019）在《视频分析技术在钢铁生产企业火灾隐患检测中的应用》一文中研究指出钢铁制造业的生产活动,具有较高的火灾风险。文章介绍了一种基于深度学习的火灾隐患预警系统,包括火苗和灭火设备识别、人物域联合定位和人员抽烟分析的功能模块。通过与人工管理相配合,及时检测火灾风险,提前预警。该系统可以作为管理者的辅助工具配合使用,使得管理效果最优化。(本文来源于《无线互联科技》期刊2019年17期）
肖潇,孔凡芝,刘金华[2]（2019）在《基于动静态特征的监控视频火灾检测算法》一文中研究指出火灾是危害公共安全和社会发展的主要灾害之一,及时、准确的火灾报警具有重大意义。基于视频的火灾检测克服了传统技术的缺点,适应环境的能力较强。结合智能检测算法,其可以提供更直观、更丰富的火灾信息。所提算法分析了视频图像中的静态特征,得到疑似火焰图像,再通过动态特征进一步判断其是否为火焰。MATLAB仿真实验证明了该算法的有效性,并且其具有较好的实用性。(本文来源于《计算机科学》期刊2019年S1期）
袁梅[3]（2019）在《基于视频图像序列的火灾烟雾检测方法研究》一文中研究指出火灾是全世界严重的威胁和灾害,能够及时并准确地预警火灾是一个非常重要的课题。火灾检测主要有两种,分别为基于火焰或烟雾的检测,本文主要研究烟雾检测技术。传统基于传感器的烟雾检测技术具有许多局限性,促使了人们对基于视频监控的烟雾检测算法研究,并提出了众多烟雾检测算法。大部分的烟雾检测算法都取得了较好的检测性能,但仍存在以下两个主要问题:在火灾发生的中后期,算法的检测效果都很好,然而在火灾发生的初始阶段,烟雾稀薄、移动速度缓慢,算法性能差强人意;此外,大多数方法都是基于手工制作的特征或者使用原始图片直接作为神经网络的输入,导致算法的鲁棒性较差,针对不同的烟雾场景不具备普遍适用性。为解决上述两个问题,本文提出了两种基于视频图像的烟雾检测算法。1.为了提升初始火灾的检测性能,本文针对初始火灾阶段,烟雾稀薄且移动缓慢的场景,提出一种新颖的基于局部极值共生模式和能量分析的烟雾检测方法。该方法主要由预处理,特征提取和图像分类叁个阶段组成。在预处理阶段,通过使用算法提取视频帧的运动前景区域,并采用颜色空间作用于运动前景区域识别烟雾像素区域。然后使用局部极值共生模式计算纹理特征和使用烟雾能量分析计算能量特征,将能量特征矢量和纹理特征矢量归一化融合为一个矢量。最后,将融合后的矢量训练支持向量机,识别烟雾。实验结果表明,该方法能及时并有效地检测出火灾初期产生的烟雾,减少了火灾造成的损失。2.为了提升烟雾检测算法的鲁棒性,本文提出了基于卷积神经网络的烟雾检测方法。首先使用图片归一化方式消除光照的影响,利用烟雾颜色检测烟雾候选区域,然后卷积神经网络自动提取烟雾候选区域的特征,进行烟雾识别,最后根据分类结果得到报警信号。针对烟雾产生初期烟雾区域相对较小的问题,利用扩大候选区域的策略提高烟雾检测的及时性。由于训练数据少或不平衡引起的过度拟合,本文使用数据增强技术从原始数据集生成更多训练样本解决该问题。实验结果表明,该方法在多种复杂的场景下都能有效地检测出烟雾,因此具有更高的准确率和更好的鲁棒性。(本文来源于《重庆邮电大学》期刊2019-06-02）
杨柳,张德,王亚慧,衣俊艳[4]（2019）在《城市火灾视频监控目标区域图像准确检测仿真》一文中研究指出传统的基于探测器的火灾检测技术易受到环境因素的干扰造成漏报或者误报,因此火灾检测预警方式正在向图像化方向发展。现有的图像型火灾检测方法在比较复杂的火灾场景下,难以提取连贯完整的疑似火焰区域,并且所使用的特征提取方法对视频监控目标场景的区分度较低,在场景改变时不能进行准确的火灾检测。为此提出一种基于灰度共生矩阵和小波变换相结合的火灾检测方法。首先在HSI颜色空间对连续数帧火灾图像进行预处理,并基于色彩相关度进行疑似火焰区域提取;然后使用灰度共生矩阵(GLCM)和小波变换提取火焰纹理静态特征和边缘变化动态特征;最后将两种特征结合并输入到支持向量机进行分类识别,判断有无火灾发生。在不同场景的视频监控火灾数据上进行了实验,仿真结果表明,所提方法检测准确度高,保证了城市火灾检测的可靠性。(本文来源于《计算机仿真》期刊2019年04期）
张杰,隋阳,李强,李想,董玮[5]（2019）在《基于卷积神经网络的火灾视频图像检测》一文中研究指出随着计算机技术的发展,融合计算机视觉、机器学习、深度学习等技术的火灾图像处理技术得到了广泛的研究和应用。针对传统图像处理方法预处理过程复杂且误报率高等问题,提出一种基于深度卷积神经网络模型进行火灾检测的方法,其减少了复杂的预处理环节,将整个火灾识别过程整合成一个单深度神经网络,便于训练与优化。针对识别过程中类似火灾场景对火灾检测产生干扰的问题,利用火灾的运动特性,创新性地提出利用火灾视频前后帧火灾坐标位置变化来排除灯光等类似火灾场景对检测的干扰。对比了众多深度学习开源框架后,选择Caffe框架进行训练及测试,实验结果表明,该方法实现了对火灾图像的识别和定位,适应于不同的火灾场景,具有很好的泛化能力和抗干扰能力。(本文来源于《电子技术应用》期刊2019年04期）
王琳,姚新,雷丹[6]（2018）在《公路隧道火灾初期视频火焰检测》一文中研究指出为了有效探测公路隧道火灾初期火焰并预警,针对传统的感温型火灾火焰探测器在公路隧道等大空间环境存在反应速度慢等问题,通过研究失控火焰在图像中呈现的静态和动态特征,提出一种基于火焰图像多特征和AdaBoost算法的公路隧道火灾初期火焰识别方法。利用帧间差分算法提取运动前景,根据火焰在RGB和Lab空间的颜色统计模型分割疑似火焰区域,用从疑似区域中提取的H分量一阶矩、圆形度和LBP一阶矩特征值构成特征向量,作为AdaBoost静态特征模型的输入向量,用在一个检测周期提取的疑似区域质心跳动频率归一化特征值和AdaBoost静态特征模型识别结果中火焰帧数占周期总帧数的比值构成特征向量,作为AdaBoost综合特征模型的输入向量,并优化选取AdaBoost模型的参数。采用公路隧道火焰视频和公用视频对训练得到的AdaBoost静态特征分类器和AdaBoost综合特征分类器进行试验测试。结果表明:该方法能够实现公路隧道环境火灾初期的火焰识别,并能有效排除伪火焰车灯等干扰引起的误报警。(本文来源于《中国公路学报》期刊2018年11期）
高丰伟,魏维,程阳[7]（2018）在《野外早期火灾烟雾视频检测技术研究》一文中研究指出针对视频中野外早期火灾烟雾形状模糊,颜色相对背景对比不明显,外观特性多样等的特点,提出一种并行的基于深度学习和动态纹理特征的烟雾识别方法。实验中,针对视频烟雾检测中视频帧的噪声,采用均值滤波的方法对视频帧进行过滤。并给出一种基于野外早期火灾烟雾视频的深度卷积神经网络结构,并对该结构进行训练和测试。针对烟雾的动态纹理特征,提出建立线性动态系统模型,结合支撑向量机对烟雾视频帧进行分类识别。最后结合卷积神经网络的识别结果和动态纹理特征识别结果提出一种混合矩阵的判定方法。实验结果表明,方法相对于传统烟雾识别方法在早期火灾烟雾的检测上有更高的准确率。(本文来源于《成都信息工程大学学报》期刊2018年05期）
苗续芝[8]（2018）在《基于视频图像的火灾检测研究与实现》一文中研究指出火灾会造成人类财产的巨大损失,破坏人类生存的生态环境,甚至直接威胁人类的生命。为此,火灾的检测成为人们关注的焦点,它的出现和发展对于人类的发展有着非常重要的意义。传统的火灾检测方法如感烟探测、感温探测主要通过传感器设备,但是这类检测方法在空间较大的建筑物场所并不适用,其误报和漏报的情况较多。而基于视频图像的火灾检测方法弥补了传统火灾检测方法的弊端,广泛应用于森林、地铁、大空间的火灾检测。本文深入探讨了形态学、图像增强、图像分割等算法在视频火灾检测识别上的应用。主要研究成果如下:针对车辆、人等运动物体干扰情况下,给出基于混合高斯模型和RGB颜色模型的火灾预判断。通过混合高斯模型的运动目标检测和RGB颜色模型,可以排除大部分的干扰物。这种火灾的预判断,提高资源利用率,达到实时检测的效果。针对区域生长图像分割算法中需要遍历图像中全部的像素来选择种子,而种子的筛选比较浪费时间这一缺点,本文采用混合高斯模型选择疑似火焰像素,通过YCr Cb颜色模型筛选出生长种子。本文改进的区域生长分割算法,不仅节省了种子筛选时间,而且分割效果较好。根据视频图像中火灾火焰在早期呈现的图像特征,研究了火灾火焰的特征和提取算法。在图像预处理和图像分割的基础上,本文研究并实现了火灾火焰的面积、圆形度以及纹理特征及其提取算法,并将这些特征作为火灾识别的判据,完成火灾检测识别工作。根据提取的火灾特征,结合支持向量机构建火灾的识别模型。由于支持向量机的参数选取是支持向量机的性能关键影响因素,本文采用算法简单、易于实现的果蝇优化算法优化支持向量机的参数。针对果蝇优化中易陷入局部最优等缺陷,本文将固定步长的果蝇优化算法改进为动态步长的双子群优化算法,增强了果蝇算法的全局寻优能力和局部寻优能力,避免了算法早熟收敛而陷入局部最优值。改进的果蝇算法提高了原本的果蝇优化算法的寻优能力和收敛速度,在优化SVM模型时,提高了果蝇优化SVM模型的参数精度。经实验验证,改进的果蝇优化SVM模型能够提高火灾检测识别的准确率。(本文来源于《中国矿业大学》期刊2018-06-01）
简文林[9]（2018）在《基于视频烟雾运动检测的火灾探测方法研究》一文中研究指出火灾对于人类的生命财产安全和自然生态环境具有严重的威胁性,通过对火灾进行探测且及时预警对于减少各种损失意义重大。随着智能监控设备的普及,基于视频的火灾探测技术受到广泛的关注。相较于传统的火灾探测方法,该方法由于具有不受环境约束、响应速度快及探测范围广等优点,适用于商场、厂房、森林等大空间场所的火灾监测。然而在火灾发生的初期,由于物体处于阴燃状态,常伴随烟雾的产生,通过对烟雾的探测能及早对火灾进行探测,因此基于视频的烟雾探测技术成为了研究热点。但目前视频烟雾探测技术还存在疑似烟雾区域提取不完整、烟雾探测误报率高等问题,因此本文针对上述问题来展开研究。具体研究工作如下:(1)提出了一种结合两步图像分割和运动目标检测的疑似烟雾区域提取方法。首先,利用大津算法对图像进行两步分割,以获得含有烟雾的感兴趣区域;然后采用视觉背景提取算法检测烟雾的运动,并通过区域搜索策略来提取疑似烟雾区域;最后,利用图像形态学处理方法获取疑似烟雾区域;实验结果表明,本文方法相较于其它方法,可提取更加完整的疑似烟雾区域。(2)研究了基于烟雾多特征融合的视频烟雾探测算法。针对复杂场景中存在行人、汽车及其他物体运动干扰的问题,提取了描述烟雾运动特性的区域绝对面积增长、烟雾扩散等运动特征和能反映烟雾本质特性的颜色、背景模糊、纹理等静态特征。通过对提取的静态和动态两大类特征进行融合,训练了SVM支持向量机,获得了烟雾探测分类模型。采用包含烟雾和非烟雾的视频对算法进行测试验证,实验结果表明该算法的可行性。(3)设计了视频烟雾火灾探测软件,并搭建了实验平台。基于研究的视频烟雾探测方法设计了火灾视频烟雾探测系统,以模块化方式将本文的算法融入其中,基于MFC框架编程,实现了软件的模块功能。通过燃放烟饼的方式对软件进行了测试,测试结果表明所设计软件可对所采集视频进行烟雾探测。(本文来源于《南昌航空大学》期刊2018-06-01）
孙琛[10]（2018）在《基于视频图像的火灾检测算法研究与设计》一文中研究指出火灾作为最常见的灾害之一,严重威胁着人们的生命财产安全。及时检测火灾并预警,一直是火灾防治领域的重点研究课题。传统的温感、烟感、光感等火灾探测器检测范围有限,易受外界干扰,难以适应复杂特定环境的火灾探测要求。针对这类问题,以视频图像处理为基础,结合浅层机器学习与深度学习相关理论,设计了两种基于视频图像的火灾检测方法:基于浅层机器学习,设计了一种多特征融合的BP神经网络火灾检测方法。首先,使用动态检测和颜色判据分割火灾的疑似区域;然后,基于疑似区域提取火焰的颜色、形状、纹理等静态特征和面积变化率、闪烁频率等动态特征,组成特征向量;最后,将特征向量传入BP神经网络,完成火灾有无的判断。网络训练过程中,通过使用正则化因子提高网络的泛化能力。实验结果显示,基于BP神经网络的火灾检测方法对火焰图像具有较好的识别效果,能够实现火灾的检测及预警。基于深度学习,设计了一种融合滑动窗口的残差卷积神经网络火灾检测方法。使用卷积网络自动提取图像上的火焰与烟雾特征信息,利用残差块结构避免了深层网络中常出现的梯度消失问题,同时结合滑动窗口技术,实现火灾图像的识别与定位。网络训练过程中,使用迁移学习技术初始化网络参数,加速网络在小样本情况下的训练过程。实验结果显示,基于残差卷积神经网络的火灾检测方法分类识别效果显着,相比BP神经网络,残差卷积神经网络检测准确率更高,环境适用性更强。(本文来源于《山东大学》期刊2018-05-24）
视频火灾检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
火灾是危害公共安全和社会发展的主要灾害之一,及时、准确的火灾报警具有重大意义。基于视频的火灾检测克服了传统技术的缺点,适应环境的能力较强。结合智能检测算法,其可以提供更直观、更丰富的火灾信息。所提算法分析了视频图像中的静态特征,得到疑似火焰图像,再通过动态特征进一步判断其是否为火焰。MATLAB仿真实验证明了该算法的有效性,并且其具有较好的实用性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
视频火灾检测论文参考文献
[1].陈轶毅.视频分析技术在钢铁生产企业火灾隐患检测中的应用[J].无线互联科技.2019
[2].肖潇,孔凡芝,刘金华.基于动静态特征的监控视频火灾检测算法[J].计算机科学.2019
[3].袁梅.基于视频图像序列的火灾烟雾检测方法研究[D].重庆邮电大学.2019
[4].杨柳,张德,王亚慧,衣俊艳.城市火灾视频监控目标区域图像准确检测仿真[J].计算机仿真.2019
[5].张杰,隋阳,李强,李想,董玮.基于卷积神经网络的火灾视频图像检测[J].电子技术应用.2019
[6].王琳,姚新,雷丹.公路隧道火灾初期视频火焰检测[J].中国公路学报.2018
[7].高丰伟,魏维,程阳.野外早期火灾烟雾视频检测技术研究[J].成都信息工程大学学报.2018
[8].苗续芝.基于视频图像的火灾检测研究与实现[D].中国矿业大学.2018
[9].简文林.基于视频烟雾运动检测的火灾探测方法研究[D].南昌航空大学.2018
[10].孙琛.基于视频图像的火灾检测算法研究与设计[D].山东大学.2018