黄 杰，巢夏晨语，董翔宇，高 云，朱 俊，杨 波，张 飞，尚伟伟*

（1.国网安徽省电力有限公司检修分公司，合肥230061； 2.中国科学技术大学信息科学技术学院，合肥230027；3.国网安徽省电力有限公司，合肥230022）（∗通信作者电子邮箱wwshang@ustc.edu.cn）

0 引言

随着计算机视觉的发展，基于计算机视觉的火焰检测技术得到了大量的研究。从图像中检测火焰比烟雾报警器更快，从而能够对火灾进行提前预警。目前，基于机器视觉的火焰检测方法（后简称为火焰检测）主要分为基于人工设计的图像特征与基于卷积神经网络提取的深度特征两大类。在基于深度特征的方法中，一种广泛使用的方法是将卷积神经网络作为分类器应用于火焰检测，这种方法仅能判断出图像中是否存在火焰，而无法给出火焰所在的位置，因此仅能用于火灾的预警。而对于需要自动灭火的场合，如自动灭火机器人［1］、大空间自动射流装置［2］等，需要首先确定火焰所在图像中的位置，才能进一步计算与火焰之间的距离，从而实现自动扑灭火焰。

在传统的火焰检测方法中，一般采用人工设计的特征进行火焰识别。Töreyin等［3］训练一个高斯混合模型作为火焰的颜色模型，结合运动检测算法来提取候选区域，再对这些区域进行时域与空域上的小波分析，从而判断各区域是否为火焰区域；Foggia等［4］使用背景减法来获取候选区域，再利用颜色、形态变化、运动这三种图像特征，建立三个评价模块来对各个区域进行判别，并使用一个有权重的投票策略进行综合决策。……