导读:本文包含了视频火焰论文开题报告文献综述及选题提纲参考文献，主要关键词:火焰检测,视觉显着性,特征提取,支持向量机
视频火焰论文文献综述
张楠波,俞孟蕻,黄炜亮,李袁[1]（2019）在《结合显着性的视频火焰检测》一文中研究指出论文针对传统火焰颜色检测上存在的模型缺陷,提出一种基于RGB颜色通道的高斯分布模型。根据火焰图像R通道像素值分布在其平均值周围的不对称程度定义一种火焰图像的偏度。然后引入了自下而上的视觉显着性概念,先从视频帧序列火焰图像中求得图像的局部显着性,全局显着性,稀疏显着性这叁个初阶段图像特征图谱,对这叁个求得特征图谱进行加权融合,得到的综合火焰显着性图来表征火焰的候选区域。最后提取火焰的空间结构,区域几何等特征,用支持向量机进行最终的分类判别。实验结果表明,论文算法准确率较高,且抗干扰能力强。(本文来源于《计算机与数字工程》期刊2019年08期）
耿梦雅,张国平,徐洪波,张莹莹[2]（2019）在《基于目标跟踪与深度学习的视频火焰识别方法》一文中研究指出近年来火灾事故频发,对生态环境,社会经济都造成了严重影响,视频监控系统在火灾预防和环境监控中都有非常重要的作用;针对传统的视频火焰检测方法需要手工提取火焰特征且识别率低、误检率高的缺点,提出了一种基于特征检测,多目标跟踪和深度学习的火焰检测算法;通过高斯混合模型运动检测方法对视频中的动态目标进行提取,再经过HSI与RGB结合的颜色模型进行筛选,得到疑似火焰目标,对提取的目标进行多目标跟踪算法跟踪,最终对稳定存在的目标通过CaffeNet模型进行判别,得到火焰判别结果;实验证明,本算法实现了对视频火焰的准确检测,能对火焰进行有效识别,对火焰视频数据集上的平均识别精度达到98.79%,并能适应实时检测火灾的需求。(本文来源于《计算机测量与控制》期刊2019年07期）
杜晨锡,严云洋,刘以安,高尚兵[3]（2019）在《基于YOLOv2的视频火焰检测方法》一文中研究指出一般火焰检测方法由于对复杂场景的应变能力较差,因此检测率较低。文中提出了一种基于改进的YOLOv2网络的深度学习火焰检测方法,来自动提取火焰特征;同时,针对特征提取过程中信息丢失的问题,采用聚类选取候选框,以多尺度特征融合的方法融合高层与浅层特征信息,进一步提高了模型的检测率。在Bilkent大学火焰视频数据集上的实验结果表明,该方法的平均正检率达到了98.8%,检测速率达到40帧/s,具有较强的鲁棒性和实时性。(本文来源于《计算机科学》期刊2019年06期）
敖宇[4]（2019）在《基于欧拉视频放大技术的火焰异常信号可视化研究》一文中研究指出在能源短缺和环境问题突出的时代背景下,安全高效地利用能源并减少污染排放已是当今的热点话题之一。随着社会的不断发展,工业燃烧系统的复杂度也日益剧增,这对燃烧设备的安全高效运行提出了更高的要求。燃烧过程作为一个随时间变化的连续过程,其状态的改变必然是一个连续的过程,并非无预兆的“绝对突变”,且引起状态改变的信号初期通常较为微弱,肉眼难以识别与观察。火焰脉动频率作为燃烧过程的重要参数之一,可用于表征燃烧过程的燃烧状态的稳定性。因此,识别火焰固有脉动频率之外的微弱异常信号对设备的维护、避免重大事故的发生具有重要意义。本文首先分析了燃烧火焰稳定的重要性,以及目前对火焰脉动频率检测方法的发展趋势与存在的不足。在此基础上,设计了基于欧拉视频放大技术(EVM)的火焰异常信号检测与可视化方法。该方法首先利用数字火焰颜色分布模型(DFCD)实现红黄色火焰的分离与提取。然后利用欧拉视频放大技术(EVM)对分离后的红黄色分量信号进行分频段放大,实现区域的可视化,并利用火焰区域的平均灰度值进行快速傅立叶变换,得到放大后的火焰视频序列脉动频率,并用该频率与火焰固有脉动频率相比,从而实现燃烧状态的判断。最后对异常状态下的火焰图像进行类差分处理,并结合形态学处理方法对火焰异常信号的产生区域进行提取。通过理论研究和实验验证结果表明,欧拉视频放大技术(EVM)能有效识别并放大火焰脉动区域的微弱信号,实现该区域的可视化。该方法能极大的降低检测设备成本,为火焰微弱异常信号检测提供了新思路和新方法。(本文来源于《贵州大学》期刊2019-06-01）
蔺瑞[5]（2019）在《多传感器融合的视频火焰探测系统研究》一文中研究指出火灾是船舶丧失生命力的主要因素,火灾探测和预警的越及时,船舶损毁和人员伤亡的机率就越小。鉴于视频监控摄像头在安防方面的广泛应用,以及基于视频火焰具有的特定颜色、形状和纹理特征,视频火焰探测已成为火灾预警的重要研究方向。综合应用视觉传感器的视觉特性和红外传感器的热辐射特性进行火焰的多特性研究与探测预警,具有反应速度快、火灾检测准确率高等特点。因此,开展多传感器融合的火焰探测研究以提高火灾检测的准确率具有重要意义。本文依托工信部高技术船舶科研计划项目,针对船舶火灾复杂多变的难题,着重研究了船舶火灾模型、火灾运动前景分割、火焰特性分析和多传感器视频火焰检测等技术。研究结果具有可实施性,并在视频火灾探测系统中得到了验证。本文重点工作内容总结如下:(1)船舶舱室火灾特性和模型分析。细化舱室火灾类型,着重研究高发火灾的火焰特性,对舱室火焰的温度变化、形状变化、热辐射和运动特性进行分析,给出火焰的运动学模型和经验模型。由火灾特征的多样性分析,引出多传感器火灾探测的重要性和必要性这一结论。(2)常用视频火焰探测技术研究。针对单一火焰检测方法应用范围的狭隘性,给出不同火焰特性下的检测技术分析。颜色特性方面,采用多尺度颜色模型提取静态前景;运动特性方面,采用高斯混合模型提取动态感兴趣区域;纹理特性方面,采用扩展局部二值模式结合离散小波变换的方法提取火焰的能量特性。综合这叁个方面研究,给出了火焰检测中疑似火焰感兴趣区域提取的方法步骤。(3)多传感器火焰特征分析和探测。针对单一传感器,火焰探测能力不足的情况,提出多传感器火焰探测方法。可见光范围内,火焰的空间差异、中心估计、动态特征和纹理特征采用极限向量机(ELM)融合输出,并结合分类器,求得火焰的探测概率。红外光范围内,针对火焰的灰度空间差异、差异变异系数和边界框混乱度,提出了局部火焰危险性概率模型,并实现对火焰的探测。在此基础上,融合可见光火焰探测概率和红外火焰概率模型得到全局火焰分类器模型。(4)架构并实现火焰探测系统,使用此系统同时处理可见光和红外火焰视频帧并融合探测,结果验证了此探测方法的可实施性和较好的可靠性。(本文来源于《江苏科技大学》期刊2019-04-29）
钟中志[6]（2019）在《面向视频图像的火焰识别算法研究》一文中研究指出火灾对人们的财产安全和生命安全产生了严重的威胁,所以对火灾火焰识别是至关重要的。传统火灾探测器有感温、感烟和感光等,只能对某个特定信息特征进行判定,受环境和空间等条件影响,识别效果不好。因为计算机视觉和图像处理技术的逐渐成熟,产生了视频图像的火灾监测系统。火焰的识别有利于发现早期的火灾,视频图像的火焰识别成为了热门的研究方向之一。本文针对火焰识别中的疑似火焰区域检测和火焰图像特征描述两个重要步骤进行了深入研究,给出了面向视频图像的火焰识别新算法,论文主要工作如下:研究了基于空域特征的视频图像火焰识别算法。首先,根据背景法和颜色空间确定疑似火焰区域;其次,提取疑似火焰区域的几何特征和纹理特征;并进行特征融合;最后,基于SVM实现视频图像的火焰识别。通过大量实验表明准确的空域特征组合具有较高的火焰识别率。提出了一种基于M-DTCWT(多方向对偶树复小波变换)的复频域特征提取方法,同时结合多特征融合来实现多个场景下火焰的识别。首先,通过改进的高斯模型获取前景区域;其次,通过RGB-HSI混合颜色空间对前景区域检测出疑似火焰区域;然后,结合M-DTCWT中的滤波器组与沙漏型滤波器组构造更多对角方向上的M-DTCWT,对疑似火焰区域图像进行M-DTCWT分解,提取低频系数中改进的LBP纹理特征和圆形度特征,提取高频系数中的边缘特征;最后,通过特征融合,使用交叉网络搜查法的SVM识别火焰。大量实验结果验证与空域特征识别算法相比,该算法提高了火焰识别精度。提出一种结合超像素和MHSW(Maximal HSV and SILBP of Windows)特征的视频图像火焰识别算法。首先,为了提高检测到的火焰疑似区域的完整性,采用了SLIC超像素分割方法,对分割后超像素块利用YCbCr颜色检测出疑似火焰区域;其次,在疑似火焰区域图像提取MHSW特征的同时融入火焰动态特征,其中MHSW特征是同一水平内局部窗口中两个SILBP(尺度不变的局部叁元模式)统计直方图和HSV颜色直方图对应模式最大值组合而成,其中火焰动态特征包含火焰的面积变化率和火焰闪烁频率;最后使用SVM实现火焰的识别。实验结果证明该算法的具有较高的识别率和较低误减率,提高了火焰识别率和对光照变化的鲁棒性。(本文来源于《安徽大学》期刊2019-03-01）
卢绍文,李鹏琦,郑秀萍,郭章[7]（2019）在《动态火焰图像分割及在电熔镁炉视频监控中的应用》一文中研究指出火焰的颜色、亮度分布、形态变化规律在不同工况下均不相同,表现出多模态的特点;此外,背景环境的反光、气雾、粉尘等干扰使得目标区域和背景高度耦合,因此传统分割算法不能确保在多种工况下的准确性.本文提出将多元图像分析和人工经验相结合的火焰图像分割方法,通过主成分分析方法对图像降维、构造得分柱状图,进而分割出炉口火焰区域.将本文方法应用于电熔镁炉生产的视频监控中,结果验证了该方法的性能.(本文来源于《东北大学学报(自然科学版)》期刊2019年02期）
曹振,李爱国[8]（2019）在《基于记忆矩阵和跳动频率的视频火焰识别方法》一文中研究指出针对大空间环境下的早期火灾的探测问题,提出一种基于记忆矩阵的运动目标检测方法,通过火焰质心的跳动直方图计算火焰的跳动频率,利用HSV颜色空间中火焰像素的特征结合火焰的跳动频率作为logistic回归模型的特征向量,构建火焰识别模型,实现视频火灾火焰探测。实验结果表明提出的算法在复杂的视频场景中都有较高的识别精度。(本文来源于《消防科学与技术》期刊2019年02期）
严云洋,张慧珍,刘以安,高尚兵[9]（2019）在《基于GMM与叁维LBP纹理的视频火焰检测》一文中研究指出针对候选区域提取准确度问题及火焰特征的描述能力,提出一种基于高斯混合模型(Gaussian mixture model,GMM)与叁维的局部二值模式(local binary pattern,LBP)纹理特征的火焰检测算法,分析火焰在RGB与HSV两个空间中的分布规律,训练出火焰的高斯混合模型,提取火焰候选区域。重点研究火焰的纹理特征,将LBP纹理与火焰的运动特征相结合形成一种新的叁维LBP纹理,提高纹理特征对火焰的分类效果。使用单分类支持向量机(one-class support vector machine,One-classSVM)分类方法,判定候选区域是否为火焰。(本文来源于《山东大学学报(工学版)》期刊2019年01期）
王琳,姚新,雷丹[10]（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）
视频火焰论文开题报告
（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：
近年来火灾事故频发,对生态环境,社会经济都造成了严重影响,视频监控系统在火灾预防和环境监控中都有非常重要的作用;针对传统的视频火焰检测方法需要手工提取火焰特征且识别率低、误检率高的缺点,提出了一种基于特征检测,多目标跟踪和深度学习的火焰检测算法;通过高斯混合模型运动检测方法对视频中的动态目标进行提取,再经过HSI与RGB结合的颜色模型进行筛选,得到疑似火焰目标,对提取的目标进行多目标跟踪算法跟踪,最终对稳定存在的目标通过CaffeNet模型进行判别,得到火焰判别结果;实验证明,本算法实现了对视频火焰的准确检测,能对火焰进行有效识别,对火焰视频数据集上的平均识别精度达到98.79%,并能适应实时检测火灾的需求。
（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。
视频火焰论文参考文献
[1].张楠波,俞孟蕻,黄炜亮,李袁.结合显着性的视频火焰检测[J].计算机与数字工程.2019
[2].耿梦雅,张国平,徐洪波,张莹莹.基于目标跟踪与深度学习的视频火焰识别方法[J].计算机测量与控制.2019
[3].杜晨锡,严云洋,刘以安,高尚兵.基于YOLOv2的视频火焰检测方法[J].计算机科学.2019
[4].敖宇.基于欧拉视频放大技术的火焰异常信号可视化研究[D].贵州大学.2019
[5].蔺瑞.多传感器融合的视频火焰探测系统研究[D].江苏科技大学.2019
[6].钟中志.面向视频图像的火焰识别算法研究[D].安徽大学.2019
[7].卢绍文,李鹏琦,郑秀萍,郭章.动态火焰图像分割及在电熔镁炉视频监控中的应用[J].东北大学学报(自然科学版).2019
[8].曹振,李爱国.基于记忆矩阵和跳动频率的视频火焰识别方法[J].消防科学与技术.2019
[9].严云洋,张慧珍,刘以安,高尚兵.基于GMM与叁维LBP纹理的视频火焰检测[J].山东大学学报(工学版).2019
[10].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