《表2 不同特征检测结果对比》

  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

《基于约束非均匀形变特征的小尺度火焰识别方法研究》

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

结合累计面积变化率、形变非均匀性度量、隐马尔科夫模型（hidden Markov model，HMM）闪烁次数构造特征向量用于火焰检测，特征向量表示为S8{△A，M，V，K，M'，V'，K'，fe}，采用非线性支持向量机（support vector machine，SVM）对火焰进行检测，部分样本来自红外视频数据库[14]，部分样本采用红外相机采集，样本包括无遮挡火焰、遮挡火焰、运动目标、形变目标、稳定热源。并将检测结果与采用经典特征检测方法的进行了对比，其真阳性率（true positive rate，TPR）、假阳性率（false positive rate，FPR）、真阴性率（true negative rate，TNR）、假阴性率（false negative rate，FNR）结果如表2所示。3种算法对严重遮挡的火焰均不能正确识别，对无遮挡火焰具有较好的识别效果，组合几何特征和像素闪烁特征大尺度火焰识别效果较好，对多数微小火焰不能正确识别，非均匀形变特征在一定程度上改善了这一问题，将火焰的识别率提高到了81.67%。采用经典特征对多数形变、运动干扰物的区分能力较差，如动物、植被遮挡、水面反射目标等，存在不可忽略的虚警问题，引入非均匀形变特征后，对多数形变目标和运动目标有较好的排除效果，虚警率降低到了10%，这表明非均匀形变特征在对多数干扰物的排除上有较好的效果。对于部分与火焰闪烁极为相似的目标，3种算法都产生了误报，需要结合其他特征进一步地对干扰物进行排除。综上，本文补充的特征显著地降低了检测的虚警率，增强了算法的鲁棒性，更适用于多干扰物复杂环境下对火焰的检测。