《表2 不同特征检测结果对比》
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。
图表编号 | XD00199650300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.20 |
作者 | 王向军、杜志伟、高超 |
绘制单位 | 天津大学精密测试技术及仪器国家重点实验室、天津大学微光机电系统技术教育部重点实验室、天津大学精密测试技术及仪器国家重点实验室、天津大学微光机电系统技术教育部重点实验室、天津大学智能与计算学部软件学院 |
更多格式 | 高清、无水印(增值服务) |