《表2 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

《基于目标跟踪与深度学习的视频火焰识别方法》

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

为了验证算法的识别准确率，使用上述视频样本对算法进行测试，检测结果如表2所示，同时，将本算法的识别准确率与三种典型火焰检测算法进行对比，文献[11]采用的是RGB-HSI混合颜色模型，通过运动检测与颜色检测结合面积变化特征识别火焰，该方法对稳定燃烧的火焰识别效果不好且容易误判。文献[6]使用水平、垂直和对角方位的亮度图结合SVM分类器建立了一种基于像素的非线性火焰分类方法，实验结果表明该方法对于火焰检测具有较强的鲁棒性，但存在对比度较高时容易误判的问题。文献[13]提出的基于RGB颜色空间统计模型的火焰识别算法，提取火焰的分层与闪烁特征，利用神经网络进行火焰的识别，该算法鲁棒性较好，但对大空间内火焰面积占比较小的视频检测效果较差。由表2和表3可见，与类似算法相比本算法具有较高的可靠性与准确性，抗干扰能力强，误报率低，检测效果好。在算法运行效率上，火焰检测识别算法中前期的特征提取与跟踪部分计算量较小，但火焰判别部分对算法运行效率影响较大，在测试实验中，本文算法平均帧处理时间为147ms。利用每三帧识别一次的方式处理，在加快算法运行速率的同时也能保证算法的识别效果。在应用中火焰检测的平均处理效率达到了20帧/s，能很好地满足工业需求。