一种快速火灾识别方法

doi:10.3969/j.issn.1006-2475.2016.03.012

计算机与现代化

一种快速火灾识别方法

(1. 北方工业大学计算机学院，北京 100144; 2. 广东省普及型高性能计算机重点实验室，广东深圳 518060; 3. 深圳市服务计算与应用重点实验室，广东深圳 518060; 4. 北京邮电大学计算机学院，北京 100876)

收稿日期:2015-09-25 出版日期:2016-03-17 发布日期:2016-03-17
作者简介:张永梅(1967-)，女，山西太原人，北方工业大学计算机学院教授，博士，研究方向：图像处理，智能识别。
基金资助:
国家自然科学基金资助项目(61371143); 北京市自然科学基金资助项目(4132026); 广东省普及型高性能计算机重点实验室/深圳市服务计算与应用重点实验室开放课题(SZU-GDPHPCL2014); 北京市教委面向虚实融合的多源图像配准与识别科研平台项目(PXM2015_014212_000024); 北京市教委多源遥感图像配准与识别科研平台项目(XN081)

A Rapid Fire Recognition Method

(1. School of Computer Science, North China University of Technology, Beijing 100144, China; 2. Guangdong Key Laboratory of Popular High Performance Computers, Shenzhen 518060, China; 3. Shenzhen Key Laboratory of Service Computing and Applications, Shenzhen 518060, China; 4. School of Computer Science, Beijing University of Posts and Telecommunications, Beijing 100876, China)

Received:2015-09-25 Online:2016-03-17 Published:2016-03-17

摘要/Abstract

摘要： 智能火灾识别系统是构建智慧城市、预防火灾发生的重要组成部分，能够在很大程度上保障人民的生命财产安全。针对图像型火灾识别方法准确度和实时性间的矛盾，本文提出一种快速火灾识别方法。采用分水岭分割与自动种子生成算法相结合的方法进行复杂环境中疑似火焰区域的分割，利用多线程处理技术，提高处理速度，有利于实时火灾识别。提取最能够描述火焰图像疑似区域的圆度、尖角、腐蚀性、焰心相对坐标、相对面积等显著特征作为火灾分类依据，降低特征空间的维数，减少计算量；采用径向基函数神经网络完成火灾识别，缩短火灾识别时间，提高火灾识别的正确率。实验结果表明，疑似区域提取的准确率为90%，火灾识别准确率为85%，在保证火灾识别精度的同时，提高了火灾识别的速度。

关键词: 火灾识别, 径向基函数, 分水岭分割, 自动种子区域生长

Abstract: Intelligent fire recognition system is an important part of constructing wisdom city and preventing fire, which can well guarantee the safety of people's lives and property. Concerning the contradiction of accuracy and real-time in image fire recognition, a rapid fire image recognition method is proposed. Firstly, the segmentation method combining watershed segmentation and automatic seeded region growing is adopted to make suspected flame region segmentation in a complex environment, and the multithreading technology is used to improve the processing speed, so it is conducive to real-time fire recognition. Then, we extract the significant characteristics such as roundness, sharp corners, corrosion resistance, flame core features such as relative coordinates, the relative area in the suspected areas as fire classification, reduce the dimension of feature space and the amount of calculation. Radial basis function (RBF) neural network is adopted to complete the fire recognition, and it shortens the time of fire recognition and improves fire recognition accuracy. The experiment results show that the suspected area extraction accuracy is 90%, the fire recognition accuracy is 85%, the method can improve the precision and speed of the fire recognition.

Key words: fire recognition, RBF, watershed segmentation, automatic seeded region growing

中图分类号:

TP751.1

张永梅1,2,3，杜国平1,4，邢阔1. 一种快速火灾识别方法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2016.03.012.

ZHANG Yong-mei1,2,3, DU Guo-ping1,4, XING Kuo1. A Rapid Fire Recognition Method[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2016.03.012.

参考文献

[1] 杨俊,王润生. 基于计算机视觉的视频火焰检测技术[J]. 中国图象图形学报, 2008,13(7):1222-1234.

[2] 许维胜,田长征,方盛明. 基于图像视觉特征的火灾自动识别[J]. 计算机工程, 2003,29(18):112-113.

[3] 程鑫,王大川,尹东良. 图像型火灾火焰探测原理[J]. 火灾科学, 2005,14(4):239-245.

[4] 贾志城. 早期火灾火焰图像特征提取分析[J]. 中国包装, 2013(9):32-34.

[5] 王媛彬,马宪民. 基于图像特征的火灾火焰识别方法[J]. 消防科学与技术, 2012(2):126-128.

[6] Noda S, Ueda K. Fire detection in tunnels using an image processing method[C]// Proceedings of the 1994 Vehicle Navigation and Information Systems Conference. 1994:57-62.

[7] Yamagishi H, Yamaguchi J. Fire flame detection algorithm using a color camera[C]// Proceedings of the 1999 International Symposium on Micromechatronics and Human Science. 1999:255-260.

[8] 王亚军,徐大芳,陈向成,等. 基于火焰图像动态特征的火灾识别算法[J]. 测控技术, 2007,26(5):7-9.

[9] 蔡杰,高广林. 地下商城停车场无人值守智能机器人的测控实验研究[J]. 辽东学院学报(自然科学版), 2014,21(1):16-20.

[10] 刘颖,顾小东,李大湘. 基于LSA和SVM的火灾烟雾检测算法[J]. 西安邮电大学学报, 2014,19(6):6-10.

[11] 姜明新,王洪玉,蔡兴洋. 基于码本模型和多特征的早期烟雾检测[J]. 中国图象图形学报, 2012,17(9):1102-1108.

[12] 罗辉,张杰,朱克云,等. 基于风暴识别算法的森林火灾识别[J]. 火灾科学, 2014,23(4):218-224.

[13] 贾阳,王慧琴,胡燕,等. 基于改进层次聚类和SVM的图像型火焰识别[J]. 计算机工程与应用, 2014,50(5):165-168.

[14] 赵亚琴. 基于模糊神经网络的火灾识别算法[J]. 计算机仿真, 2015,32(2):369-373.

[15] 邹婷,王慧琴,胡燕,等. 基于小波变换和支持向量机的火灾识别算法[J]. 计算机工程与应用, 2013,49(14):250-253.

[16] 赵敏,杨韶华. 模糊聚类遗传算法在遗煤自燃火灾识别中的应用[J]. 煤炭技术, 2014,33(3):46-49.

[17]臧光明,黄晨杰,王亚美,等. 视频火灾多判据识别技术及其应用[J]. 计算机应用与软件, 2013,30(2):65-67.

一种快速火灾识别方法

A Rapid Fire Recognition Method

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 7

编辑推荐

Metrics

本文评价

[1]	傅天驹，郑嫦娥，田野，丘启敏，林斯俊. 复杂背景下基于深度卷积神经网络的森林火灾识别[J]. 计算机与现代化, 2016, 0(3): 52-57.
[2]	詹增荣,曾青松. 基于径向基函数插值与SVM的协同过滤算法[J]. 计算机与现代化, 2015, 0(8): 98-103.
[3]	丁硕，常晓恒，巫庆辉. GRNN与RBFNN的二元函数逼近性能对比研究[J]. 计算机与现代化, 2014, 0(4): 92-96.
[4]	张南萍;刘洪武;张小林. 基于径向基函数的RFID定位算法研究[J]. 计算机与现代化, 2012, 1(200): 148-04.
[5]	陈晓艳董朝轶刘月文. 基于径向基函数网络的农作物疾病诊断技术研究[J]. 计算机与现代化, 2011, 7(7): 5-8.
[6]	薛海燕;邹丽霞. 基于RBF网络的粮食水分检测数据融合研究[J]. 计算机与现代化, 2011, 1(6): 103-3.
[7]	李云娟;方彦军. 一种径向基函数神经网络预测在超临界温度控制系统中的应用研究[J]. 计算机与现代化, 2010, 1(11): 109-113.