张学敏，蔡晓东，梁玉敏，谢月飞，王春利

(桂林电子科技大学信息与通信学院，广西 桂林 541004)

责任编辑:任健男

随着CCTV(Close Circuit Television，闭路电视)监控技术的发展，一种基于视频的火焰检测技术引起了业内的广泛关注。Healey等人［1］利用颜色和火焰运动的特性来区分火焰和非火焰区域，然而这种方法是依赖于理想环境(不具有类似火焰颜色的干扰物体的场景)中实现的。Foo［2］基于高速摄像机的灰度视频提出基于统计的方法，这种方法虽然计算量较小，但是不具备很好的抗干扰特性，而且对普通的摄像机视频30帧/秒(f/s)的情况就显得有效性不足。Phollips等人［3］利用火焰的灰度直方图强度以及相邻帧的时间变化进行火焰识别，同样需要比较好的检测环境(较少的移动的非火焰亮光干扰)，而且其实验数据特征为自己主观确定的，若输入数据发生变化，则效果会大打折扣。Yamagishi和Yamaguchi［4］提出了一种基于神经网络的火焰检测方法，在HSV色彩空间的火焰颜色模型来减弱环境对火焰检测的影响，依据火焰区域颜色的饱和度和色调的持续变化来进行火焰区域的分割，最后训练神经网络用于识别火焰，这个算法取得的实验结果非常准确，但是对于实时性的应用而言计算量过大。

然而，以上方法都集中关注火焰的存在性，不能提供燃烧的状态和过程信息，需要人工估计误检率，并且很难满足高检测率、低误检率、实时的工业需求。本文提出了一种基于目标跟踪和多特征融合的火焰检测算法，能够较好地适用于存在干扰的监控环境，能够有效排除干扰，及时发现火焰，并且可以对火焰进行持续跟踪和判断其变化状态。……