论文总字数：36740字

摘 要

火灾的破坏性极大、毁灭性极高，一旦发生，便会对人民群众的生命和财产造成不可估量的损失，所以对火灾的精确探测具有深刻意义。传统的探测技术大多基于各类传感器，存在探测范围小、响应速度慢、火灾信息不足等各种缺陷，因而基于视频的火灾探测技术受到了越来越多的关注。基于视觉的火灾探测方法不仅能探测到距离远的火灾，而且能提供丰富的火灾视觉信息，其研究意义重大，具有很大的应用价值。

本文基于机器学习的方法，实现了基于视频图像的烟火识别。通过对多种运动分割算法进行实验，选择了Vibe算法提取前景。在前景提取的基础上，结合RGB及HIS空间的火焰颜色模型，提取火焰候选区域，结合烟雾的颜色模型提取烟雾候选区域。分析了火焰的两种动态特征，分别为基于R通道直方图的特征和基于协方差及光流的特征，分析了烟雾的HOG与LBP纹理特征。最后，融合烟火的动静态特征，设计了基于BP神经网络的二级分类器，实现了视频中烟火的有效识别，在视频数据集上的测试结果表明，这种方法具有较低的错误率，且可以满足实时性的要求。

关键词：运动目标检测，烟火识别，分类器

Abstract

Fire is one of the major disasters which are serious threats to public life and property safety. Traditional sensor-based fire detection technology has many deficiencies, such as narrow scope of application, slow response and less information of the disaster. Aiming at the existing deficiencies, more and more researchers pay their attention to fire detection based on video .The fire detection method based on video can not only detect the fire which is far away from the detector, but also provide abundant visual information of fire.

In this paper, based on the machine learning method, we realize the fire and smoke recognition based on video images. Vibe is selected to extract foreground through experiments of various motion segmentation algorithms. On the basis of foreground extraction, the candidate area of flame is extracted by combining the flame color model of RGB and HIS space, and the candidate area of smoke is extracted by combining the color model of smoke. Two dynamic features of flame are analyzed, which are based on r-channel histogram and based on covariance and light flow. HOG and LBP texture features of smoke are analyzed. Finally, combining the dynamic and static characteristics of fire and smoke, a cascade classifier based on SVM and BP neural network is designed to realize the effective identification of fire and smoke in video. The test results on video data set show that this method has a low error rate and can meet the real-time requirements.

KEY WORDS: Moving object detection, Smoke and fire detection, classifier

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 研究背景 1

1.2 研究现状 1

1.3 本文研究内容以及章节安排 2

1.4 本章小结 3

第二章 运动目标分割算法研究 4

2.1 运动分割算法概述 4

2.2 视频背景建模算法研究 8

2.2.1 混合高斯模型背景建模（GMM） 8

2.2.2 Vibe背景建模 11

2.3 本章小结 14

第三章 烟火特征提取 16

3.1 烟火特征概述 16

3.2 火焰特征提取 16

3.2.1 RGB以及HIS空间中火焰候选区域提取 16

3.2.2 基于R通道颜色直方图的动态特征分析 19

3.2.3 基于协方差及光流的动态特征分析 21

3.3 烟雾特征提取 24

3.3.1 烟雾颜色特征分析 24

3.3.2 基于LBP的纹理特征分析 26

3.3.3 基于方向梯度直方图的特征分析 29

3.4 本章小结 31

第四章 分类器设计 32

4.1 基于支持向量机的烟火分类器 32

4.1.1 SVM简介 32

4.1.2 分类器评价指标 34

4.1.3 实验结果 35

4.2 基于BP神经网络的烟火分类器 37

4.2.1 BP神经网络简介 37

4.2.2 实验结果 40

4.3 基于BP神经网络的二级分类器 41

4.3.1 二级分类器设计 41

4.3.2 实验结果 42

第五章 总结与展望 44

5.1 总结 44

5.2 工作展望 44

参考文献 45

致 谢 47

绪论

研究背景

火灾的破坏性大、毁灭性高，一旦发生，会对人民群众的生命和财产造成不可估量的损失。当前社会迅速发展，建筑越来越密集，火灾数量也不断增加。2019年3月30日，一场森林火灾发生在四川凉山，在救火过程中，不幸牺牲了30名消防人员。2019年清明节期间前后，全国火灾总量达到3064起。央视新闻报道，当地时间2019年4月15日下午，法国著名建筑巴黎圣母院发生火灾。箭形塔尖倒塌，巴黎圣母院内部也未能幸免。尽管投入大量人力物力救火，这座举世闻名的建筑还是没能免于毁坏。火灾不仅会带来巨大的经济损失，更威胁人们生命安全。由此可见，火灾的探测技术的研究有很强的意义与价值。

和地震、台风这些灾害不一样，火灾所造成的损失可以减少或避免。如果能提前检测到火报警信号，就能尽早做出行动。烟雾一般在火灾初期产生，这时候的火灾较容易遏制，因此，如果可以及时检测到烟雾报警信息，并及时处理，几乎可以避免火灾。因此，研究烟火检测技术有很大意义。传统的烟火检测技术主要使用单点式物理传感器，通过定时对温度、湿度、微粒浓度等采样，如果这些指标达高于阈值，则进行报警。这些传感器由于其成本较低和使用简单而得到了广泛的应用，但是必须将其安装在离火灾很近的地方，否则将无法探测到火灾。这是传统火灾检测方法的主要缺点之一。因此，这些探测器不能有效地应用于较大的空间。此外，火灾发生时必须经过一段延时才能使空气中的这些物理特性达到传感器的报警阈值，所以传统的烟火检测传感器响应速度较慢。部分探测器使用红外传感器检测火焰，但这直接导致了高昂的监视成本。为了避免火灾的发生，降低监控系统的成本，近年来提出了许多新的技术来提高火灾检测的性能。基于视觉的火灾探测为其中一种。基于视觉的火灾探测方法不仅能探测到距离探测器较远的火灾，而且能提供丰富的火灾视觉信息。视频火灾探测应该包含火焰检测与烟雾探测两个方面，从而及时处理火灾，保护人民群众的生命财产安全。基于视频的烟火检测技术研究意义重大。

研究现状

目前，已有大量的视频火焰检测算法。许多方法利用火焰区域的颜色、运动和几何轮廓等多种视觉特征。Thou-Ho Chen等提出了一种基于视频处理的火灾早期报警方法^[1]。火灾检测的基本思想是采用基于RGB(红、绿、蓝)模型的彩色和无序测量方法提取火灾像素和烟雾像素。火象元的决策函数主要由R分量的强度和饱和度来推导。提取的火像元将通过生长和无序的动态以及进一步的烟雾来验证是否是真实的火灾。Phillips等提出了一种基于视频的火焰检测技术^[2]。他们利用高斯平滑颜色直方图生成火灾像素的颜色查找表，然后利用像素值的时间变化来判断是否是火灾像素。当有与火颜色分布相同的物体时，该方法不能很好地分割火的像素，并且很难估计火的位置。Ugur Toreyin等综合利用运动、闪烁、边缘模糊和颜色特征进行视频火焰检测^[3]。Letricia P.S. Avalhais等^[4]利用颜色感知的空间建模和运动流对无约束视频进行火灾检测。

剩余内容已隐藏，请支付后下载全文，论文总字数：36740字