基于機器學習的火災檢測方法研究.pdf

1、每年火災都會造成嚴重的人員傷亡和財產損失，快速有效的火災檢測對爭取火災救援時間，減輕火災損失具有重要意義?；馂臋z測技術發(fā)展至今，方法上主要有溫感探測、煙感探測和視覺探測三種，而視覺探測技術是基于計算機數(shù)字圖像處理和模式識別發(fā)展而來的一種新型火災探測技術，可以實現(xiàn)非接觸式探測，具有高智能性，不易受到空間高度、有毒、易爆等外在工作環(huán)境條件的限制，因此具有廣闊的應用前景。
　　樓宇等高大空間視界開闊，可能的干擾較多，傳統(tǒng)溫感、煙感火災探

2、測器難以有效覆蓋，人工提取特征的圖像型火災檢測在多干擾的情況下準確率有限。針對此問題，本文首先提出基于Dense-SIFT字典學習的傳統(tǒng)完整火焰檢測算法，其后創(chuàng)新性地將深度學習的方法應用到火災火焰檢測，并在此基礎上對比了傳統(tǒng)方法和深度學習火災火焰檢測效果。實驗結果顯示，本文提出的基于Dense-SIFT字典學習的算法顯著提高了檢測準確率，減少了冗余判決，檢測的實時性、有效性和穩(wěn)定性有較大提高，而所用深度學習算法在隱層并不多的情況下，也達

3、到甚至超過了傳統(tǒng)算法的效果。具體如下:
　　(1)基于Dense-SIFT字典學習法檢測火災分為運動目標提取、可能火焰目標識別和火焰特征分析等三個部分。首先，結合像素的空間分布相關性和SILTP特征，利用改進的背景減除法對視頻流進行運動檢測，獲取運動像素。其次，對前面獲得的運動像素基于HSI顏色判別，獲得具有火焰特征顏色的二次目標。最后，采用Dense-SIFT字典學習的方法，對二次目標的梯度特征和閃爍特征等進行最終的判決。

4、>　　(2)開創(chuàng)性的將深度學習用于火災檢測，采用適合圖像處理的卷積神經網絡CNN檢測火焰。為做以對比，在CNN自動提取特征的基礎上，分別采用邏輯回歸LR和SVM分類器對圖像進行分類，從而實現(xiàn)對火焰的檢測。
　　(3)對傳統(tǒng)模式識別、機器學習和深度學習的方法進行比較。對比Dense-SIFT字典學習和深度學習方法對樓宇等高大空間火災火焰檢測效果，結果表明，深度學習算法在隱層并不多的情況下，檢測準確率已能超過一般傳統(tǒng)算法;而若進一步增