基于静态特征和动态行为的火灾检测模型*

孙婷婷

(1.山东省船舶控制工程与智能系统工程技术研究中心，山东 荣成 264300；2.威海海洋职业学院，山东 荣成 264300)

0 引言

火灾是1种频繁发生而又损失惨重的灾难,一直是人们极力关注而又要求预防、遏制的灾祸[1]。火灾发生过程中会伴随着烟雾和火焰的产生[2]。随着图像处理技术的快速发展，具有检测范围广并且能快速准确地定位着火点的视频火焰检测技术应用越来越广泛。传统的基于视频检测火灾的研究大多采取人工设计的特征来实现火焰识别[3-4]。Foggia等[5]采用颜色、形态变化、运动来对各个区域进行判别，根据权重的投票策略进行综合决策，该方法局限性在于对自身运动的视觉系统不适用；刘小虎等[6]采用改进的Soble边缘检测算法，选取颜色B分量的边缘梯度作为判断火焰和干扰图像的依据；李巨虎等[7]在颜色特征的基础上，提取图像空域和频域的纹理特征，该算法能够提取火焰局部的微纹理信息，表现更好的鲁棒性。

Muhammad等[8]提出1种能够检测视频火灾的改进的GoogleNet卷积神经网络，但在处理视频图像时，时间开销过多；Zhang等[9]采用Faster RCNN检测森林火灾烟雾，避免了传统视频烟雾检测方法中复杂的人工特征提取过程，为解决训练数据的不足，在森林背景中加入真实烟雾或模拟烟雾生成合成烟雾图像；卫鑫等[10]提出1种深度卷积集成式长短期记忆网络(DC-ILSTM)模型,将其运用到森林火灾探测中，检测性能得到提高，但增加了数据处理及训练的成本。针对以上研究存在的问题，将深度学习的目标检测算法Fatser RCNN和堆叠长短期记忆网络ILSTM相结合，提出基于颜色特征引导的目标检测和火焰面积随时间变化动态行为的火灾检测策略，能够实时且准确地检测定位火源。……