资源描述：
《基于机器学习的火焰图像提取和识别技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、基于机器学习的火焰图像ᨀ取和识别技术研究ResearchOnFireImageExtractionAndRecognitionBasedOnMachineLearning学科专业：信息与通信工程研究生：王博指导教师：张立毅天津大学电气自动化与信息工程学院二零一七年十一月摘要火灾作为一种出现频率较高的灾害事故，给人们的生命和财产安全造成了巨大威胁，因此对早期火灾的检测和预警工作意义重大。传统的火灾检测技术借助烟雾、光、热等传感器实现，存在着探测距离有限、响应时间长、准确率低等缺点。随着监控摄像头的普及，以及图像处理和模式识别技术的长足发展，基于视频图像的
2、火灾检测技术应运而生。相比于传统火灾探测器，该技术在报警速度、可视化、覆盖范围等多个方面具有明显的优势。纵观现有的图像型火灾检测技术，大多基于对火焰图像特征的识别，本文首先对火焰图像特征的计算方法进行了优化和改进。此外，受限于噪声、光照变化和设备情况等的影响，现有算法对火焰前景的ᨀ取准确率较低，导致系统整体鲁棒性较差。本文以此为出发点，ᨀ出了一种新的火焰前景ᨀ取算法，该算法首先使用监督学习方法确定疑似前景区域，然后通过改进K-means算法对疑似区域对应的图像块进行聚类分割，从而得到较准确的火焰前景图像。由于尚未出现公开的权威火灾视频数据集作为支撑，本
3、文进行了大量模拟实验并录制视频，并且从网络上收集了部分他人公开的火灾视频，自行整理构建了火灾视频数据集。基于该数据集，实现了上述前景ᨀ取算法，实验结果表明，该算法在保证运算速度的前ᨀ下，能够准确地ᨀ取火焰图像前景，并且保留了丰富的火焰图像信息，鲁棒性较强。最后，本文搭建了用于火焰图像识别的卷积神经网络模型，结合火焰疑似区域的ᨀ取方法，设计了基于深度学习的视频图像火灾检测系统。并且使用自建的数据集进行训练和测试，实验结果表明，该系统对火焰图像的检出率可达85%以上，且鲁棒性较强，具有较高的实用性。关键词：视频监控，火灾检测，机器学习，图像分割，深度学习I
4、ABSTRACTAsakindoffrequentdisasteraccident,fireposesagreatthreattothesafetyofpeople’slivesandproperties.Therefore,it’sofgreatsignificancetothemonitoringandtheearlywarningoftheearlyfire.Thetraditionalfiredetectiontechnologyisbymeansofthesmoke,light,heatandothersensors,whichhasmany
5、disadvantages,includingthelimiteddetectionrange,longresponsetimeandlowaccuracy.Withthepopularityofthesurveillancecamerasandtherapiddevelopmentoftheimageprocessingandpatternrecognitiontechnology,thefiredetectiontechnologybasedonvideoimageshascomeintobeing.Comparedwiththetradition
6、alfiredetectors,thistechnologyhasobviousadvantagesinmanyaspects,suchasthealarmspeed,thevisualization,thewidecoverageandsoon.ThroughouttheexistingImage-typefiredetectiontechnologies,mostlyarebasedontheflameimagefeaturesrecognition.Firstly,thispaperhasoptimizedandimprovedthecalcul
7、ationmethodofsomeflameimagefeatures.Besides,duetotheinfluenceofnoise,illumination,theequipmentandotherconditions,theexistingalgorithmshasalowaccuracyoftheflameforegroundextraction,leadingtothepoorrobustnessofthewholesystem.Basingonthisbackground,thispaperhasproposedanewflameimag
8、eforegroundextractionalgorithm.Itfirstlyusesthe
