《表3 不同算法的火焰视频检测结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于Ohta颜色空间的多信息融合火焰检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

图6、表3、表4示出了火焰和非火焰视频检测结果。表3、表4中的准确率表示火焰区域的正确判断；漏检率表示火焰区域存在，算法没有检测出来；误检率表示算法把与火焰相似的区域检测出来，但实际上不存在火焰。文献[16]基于Ohta颜色空间与最大熵阈值分割结合的方法来检测火焰，该算法可以在不同环境下，如室内外、森林、公路等，较准确地检测出火焰，但是对视频3中的火焰检测率较低。因为水面存在反光，且穿过玻璃的太阳光颜色类似于火焰颜色，导致算法的检测率低。多个火焰区域的检测率也比较低，在视频5中有些火焰的运动变化较小，不太容易检测出来。本文通过Ohta颜色空间与饱和度相结合的方法来获取火焰的颜色区域，在视频2和视频5中，能够很好地把多个火焰区域检测出来，而且也可以把与火焰颜色相近的灭火器排除。文献[20]采用RGB颜色模型和SVM相结合的方法检测火焰，对于火焰面积大且变化比较明显的单个区域检测效果较好，这是因为它把圆形度、质心位移、面积变化等作为火焰检测的特征分析。而在视频7中，文献[20]方法会把马路上的车灯误判为火焰区域，出现误判情况。这是因为马路上双向都有灯光，并伴有闪烁，形成类似火焰的明亮区域。本文基于Ohta颜色空间模型和SVM相结合的方法检测火焰，在非火焰视频检测中，可以很好地把与火焰很相似的小汽车的车灯和被车灯照亮的区域尽量排除掉，也可以把与火焰颜色相近的红色墙壁、红色国旗等物体检测出来，提高了检测率。