基于计算机视觉的火灾检测及预警研究

摘 要

　　火灾具有突发性、破坏大、难以扑救等特点，所以现代建筑内大多铺设有感温、感烟等传感器以尽早发现异常情况并应对。但伴随着国民经济的迅速发展，生活和工业用火越发频繁、现代建筑及电气设备更加复杂，使得现有传感检测设备越来越难以应对新的消防形势，因此，消防问题现在变得日益严峻。在此背景下，本文基于计算机视觉技术对火灾图像信息提取、火灾检测和预警问题进行了研究和改进，并基于此研究搭建了一种消防系统，最大程度减少火灾带来的威胁。本文主要工作如下：

　　（1）在火灾检测前利用 OpenCV 工具包对图像中的火灾信息进行提取，通过疑似火灾区域提取和火灾特征提取，得到可用于分类的数据集。其中，针对现有 RGB 火焰颜色模型易受亮度干扰的问题，利用 HSV 和 YCbCr 模型分离亮度和颜色信息对火灾颜色模型规则进行改进，并结合去噪预处理、GMM 移动区域提取和形态学处理使疑似火灾区域的提取更加精准；通过分析火灾视觉特征及其对检测结果的影响特点，选择了抗干扰效果好且耦合小的适量火灾特征进行提取方法设计，提取出的火灾特征为下一步的火灾检测提供了判断依据。

　　（2）针对现有视频火灾检测研究中重视火焰检测而忽视烟雾及阴燃火检测的问题，设计了一种基于 SVM 调优与阈值法改进的火焰和烟雾并发检测方法。通过对 SVM 核函数选择、模型参数调优并训练后用于火焰的检测；通过对传统阈值判别方法进行改进，解决了其泛化能力弱的缺点，并用于烟雾检测；通过对现有火灾预警机制中存在问题的分析，提出了一种改进的火灾预警机制。实验表明，所提火灾检测算法能够有效提升检测准确率、降低误报率和减小反应时间。

　　（3）搭建了一种基于计算机视觉与智能小车的消防实验系统。该系统由火灾检测及预警系统和火灾协同救援平台两个子系统构成，共同实现火灾检测、预警和救援功能。火灾检测及预警系统由集成了 OpenCV 的 C++ MFC 程序开发，可以对视频监控现场和本地视频进行实时火灾检测，出现火情后会同时进行检测后台预警和远程短信预警；基于智能小车和Andriod App 实现的火灾协同救援平台可由火灾指挥员和被困人员协同调用，智能小车搭载需要的模块进入火灾现场完成侦察、定位和运送物品等救援任务，从而保障消防员的安全，提高救援效率。

　　关键词： 计算机视觉，火灾检测，火灾预警，智能小车

Abstract

　　Fire has the characteristics of suddenness, great damage, and difficult to extinguish. Therefore,most modern buildings are equipped with sensors such as temperature sensors and smoke sensors todetect and deal with abnormal conditions as soon as possible. However, with the rapid developmentof the national economy, fire is used more and more frequently in industry and life, modernbuildings and electrical equipments become more complex, these changes make the existing sensordetection equipment increasingly difficult to cope with the new fire situation. Therefore, the fireprotection problem is becoming increasingly severe. Under this background, based on the computervision technology, the problem of fire image information extraction, fire detection and earlywarning is studied and improved in this thesis, and based on this research, a fire-fighting system isbuilt to minimize the threat of fire. The main work of this thesis is as follows:

　　（1） The OpenCV toolkit is used to extract the fire information in the image before the firedetection. Through the suspected fire area extraction and fire feature extraction, a data set can beused for classification is gotten. Aiming at the problem that the existing RGB flame color model iseasy to be interfered by brightness, the HSV and YCbCr models are used to separate the brightnessand color information, and the rules of the fire color model is improved. Improved flame colormodel combines denoising preprocessing, GMM moving area extraction and morphologicalprocessing to make extraction of the suspected fire area more accurate; by analyzing the visualcharacteristics of the fire and its influence on the detection results, an appropriate amount of firecharacteristics with good anti-interference effect and small coupling are selected for extractionmethod designing. The extracted fire features provide a basis for the fire detection later.

　　（2） Aiming at the problem of the current video fire detection research that attaches importanceto flame detection but ignores smoke and smoldering fire detection, an improved flame and smokeconcurrent detection method is designed based on SVM tuning and threshold method. Through theSVM kernel function selection, model parameters optimization and training for SVM, it can be usedfor flame detection; through the improvement of the traditional threshold discrimination method, itcan solve the shortcoming of weak generalization ability and the improved method is used forsmoke detection; through the analysis of the existing problems in the fire early warning mechanism,an improved fire early warning mechanism is proposed. The experiment results show that the proposed fire detection algorithm can effectively improve the detection accuracy, reduce the falsealarm rate and reduce the response time.

　　（3） A fire-fighting experiment system based on computer vision and intelligent trolleys is built.The system consists of two subsystems, the fire detection and early warning system and the firecooperative rescue platform, which together implement the fire detection, early warning and rescuefunctions. The fire detection and early warning system is developed by C ++ MFC programintegrated with OpenCV, which can perform real-time fire detection on the video surveillance siteand local video. After a fire occurs, it will perform detection background warning and remote SMSwarning at the same time; based on the smart car and Andriod App, the fire cooperative rescueplatform can be called by the fire commander and the trapped personnel. The smart car carries therequired modules to enter the fire scene to complete the rescue tasks such as reconnaissance,positioning, and delivery of goods, so as to ensure the safety of firefighters and improve theefficiency of rescue.

　　Key words: computer vision, fire detection, fire alarm, smart car

目录

　　第一章 绪论

　　课题背景与意义在各种灾害中，火灾是威胁公众安全和社会发展的主要灾害之一。随着我国国民经济的腾飞，人民生活水平和工业发展进入了高速发展阶段，在居民楼、化工厂和工业仓储等环境下，高密度的生活及工业用火用电行为越发普遍，但是消防安全意识和消防设施的缺失使火灾给人类生命和经济发展带来的损失越来越大。根据统计，2007 年至 2016 年的 10 年内接报的就有约 1.1 万起火灾事故，人员死亡 1.5 万余人，平均每起火灾至少有 1 人死亡，且有逐渐扩大的趋势[1].2003 年至 2012 年间引发的火灾事故直接带来了人民币 48.5 亿元的财产损失[2].

　　此外，即使等到消防员到来后，消防员也是常常在缺乏有效信息支持下直接冲入火场，火灾现场复杂且危险的情况给冲刺于一线的消防官兵带来了最直接的伤害和威胁。2005-2013 年间，发生了 70 多起消防官兵伤亡事故，直接导致了 85 人死亡，163 人受伤[3].特别是 2015年"8·12"天津滨海新区特大火灾爆炸事故，该事故中有 165 人死亡，消防官兵占到了 67%的比例，直接经济损失高达人民币 68.66 亿元[4].

　　可见火灾一旦发生将会给人类生命、财产以及国家经济带来不可估量的损失，我国消防问题十分严峻。而火灾发生具有突然性高、传播快、危险性大、难扑灭等问题，因此，设计一套可靠有效的消防系统十分重要。该系统要能够及早发现火灾，达到防患于未然的效果。

　　如果火势蔓延成火灾，则后果不堪设想。相比于事后补救，及时发现并应对往往更加重要，所以火灾检测问题一直是学者的研究热点。目前，城市各主要建筑物内实际采用的火灾检测产品以单点传感器为主，如感温传感器、感烟传感器，但这些设备常面临疏于维护、铺设成本高、中低端产品可靠性低等客观现实，其探测效果常常难以达到人们的期望[5].由于传感器周围的温度或烟雾浓度达到一定阈值才会触发警报，因此反应较慢[6].此外，这类传感器在室外或仓库、体育场等空旷场所易受空间及气流影响，很难达到设定的阈值，并不能起到良好的检测效果。而随着视频监控在大街小巷普及、计算机性能及图像处理技术的迅猛发展，基于计算机视觉技术检测火灾的方法不仅检测速度更快，而且不会受到温度、气流等环境因素干扰，另外也可以减少传感设备铺设的额外成本，成为了火灾检测课题新的研究热点[7].

　　火灾救援手段比较丰富，其中能深入火场实现远程救援的只有智能消防机器人系统。利用机器人特别是智能小车平台的机动能力，通过 WiFi、4G 等无线通信方式及智能小车可编程控制，可以实现智能小车远距离操控，代替消防人员进入伴有浓烟、毒气、爆炸等危险的火灾现场。而在该平台上搭载各类传感器、摄像头、定位设备等可将火灾现场信息实时地传递回后台，为科学高效的救援提供便利，因而智能小车救援系统具有独一无二的优势，消防机器人的研究对降低生命财产损失具有指导作用[8].

　　除了机器视觉和智能小车技术外，嵌入式、无线通信、传感网络、室内定位等技术也在飞速发展，融合利用最新技术开发成果，研究视频火灾检测、预警和救援相关理论，设计实现一种可视化可操作的智能消防系统，对火灾及时发现，及时预警，及时救援，最大程度较少火灾的威胁，具有重要的理论意义和潜在应用价值。

　　1.2国内外研究现状

　　1.2.1 视频火灾检测技术

　　近年来国内外安防市场不断扩大，基于建筑内外遍布的监控摄像头提供更多的智能服务成为可能，在此基础上越来越多的智慧城市、智慧交通、智慧安防系统被陆续孵化出来，这些项目也进一步巩固和发展了安防产品的优势[9].另一方面，基于传感器的火灾检测系统在近年的火灾事故中暴露出反应慢、可靠性差等问题，难以适应现代城市发展对消防安全的要求，因而，在现有视频监控系统基础上融合计算机视觉技术实现火灾检测成为新的突破口。

　　计算机视觉技术通过摄像头将监控对象生成图像信号，利用图像处理和图像检测技术对这些信号进行各种运算和特征提取，进而代替人眼判别监控对象行为。当物体燃烧时火焰会表现出一定的颜色、运动形态等特征，通过光的传播，这些特征得以被摄像机捕捉，这些特性也就成了基于视频识别火灾的依据，它不会传感器那样受到空间、湿度、粉尘、温度等环境的影响，更能适应复杂的环境条件，提高检测效率，生成的图像信息也更为人类视觉所直观地接受[10].

　　目前视频火灾检测方法通常以火灾特征的提取为抓手，进而通过设置阈值、机器学习、深度学习等方法融合判断这些特征下是否存在火灾，其中常用来提取图像中火灾像素的判断依据有颜色、纹理、运动规律、增长规律等。Li 等[11]提出了一个基于 CLG-TV 光流模型对光流法进行改进的火焰判断依据。De 等[12]为应对室内火灾设计了一个火灾早期预警传感器。Ji等人[13]设计了一个基于 GMHI 前景提取及移动、颜色、闪烁、纹理、轮廓等多特征 SVM 的火灾检测算法，在准确率和实时性上都获得了很大的提升。Muhammad 等[14]设计了一个基于改进 CNN 的火灾检测算法，在计算时间和内存占用上获得了提升。Muhammad 等[15]受SqueezeNet 架构启发，后续又设计了一种节能，改善计算效率的 CNN 架构，用于火灾检测和定位。Tian 等[16]从颜色、轮廓、移动等特征检测烟雾的角度实现火灾早期检测。Hong[17]等利用圆度分析、锐角统计和图像差分等技术实现火灾检测并结合视觉定位技术找出火灾位置后用水泡灭火的嵌入式系统。He 等[18]在 ViBe 算法提取运动区域的基础上使用 RGB-HIS 颜色模型检测火灾，并针对光伏系统环境下上进行了实验，验证了良好的鲁棒性。Khan 等人[19]设计并实现了一种利用 RGB-LAB 颜色模型在树莓派上实时检测火灾并在 Android 系统上远程报警的消防预警系统。

　　目前视频火灾检测及预警产品上，国外欧美、日本等地区的公司发力的更早，也有很多产品推出，比如 axon X-LLC 公司火灾检测预警产品的 signifire 系列可以对火焰及烟雾进行检测，并对烟雾浓度等进行检测，具有抗扰能力强，适用面广的特点[20],SONY,霍尼韦尔安防等也都有视频火灾检测预警产品推出。国内安防企业进入该领域相对较晚，但HIKVISION,大华和华为等为代表的公司也在视频智慧消防领域进行了较大的投入研究，且国内市场目前仍有很大的开发空间[21,22].

　　1.2.2 火灾救援机器人技术

　　在火灾救援机器人技术方面，虽然国内进步迅速，但欧洲、美国和日本总体仍处于领先地位[23-25].为代表的美国 Howe and Howe 公司 Thermite RS1-T2 的火灾救援机器人采用金属履带式设计，可以通过复杂的火灾现场，输出有 18.64 千瓦的柴油机可为装载喷射水枪、机械手及自身车重提供足够的动力，不用消防员进入火灾一线便可完成侦查、机械手臂救援、喷水灭火等消防任务。我国在 1995 年由上海交通大学等机构研制成第一个火灾救援机器人以来，陆续出现了多个专业研究机构在消防机器人领域继续完善[26,27].2010 年公安部制定并发布了消防机器人标准 GA892.1-2010《消防机器人第 1 部分：通用技术条件》，对行业发展起到了规范与促进作用[28].洛阳中信重工开发的火灾救援机器人采用了履带式设计，车身搭载了各类传感器、遥控多向喷射水泡、360 度摄像头等，可以完成运输、救助、灭火等工作，携带的各类传感器可以采集现场环境信息传递给后台系统并显示，为指挥中心指定科学救援计划提供支持，保障了消防员生命安全。

　　1.3研究内容与章节安排

　　1.3.1 研究目标

　　消防安全是个系统性问题，但相比于事后弥补，防范于未然往往更加重要，只有对火情及时检测并控制，人类生命及财产才能得到最大程度的保护。但目前广泛采用的感温、感烟类单点传感器存在两方面问题，一是只有在其周围的温度或烟雾浓度达到一定阈值才会触发警报，反应较慢[29];二是在室外或仓库、体育场等空旷场所易受空间及气流影响，所以并不能起到良好的检测效果。另一方面，视频监控的普及、计算机性能及图像处理技术的迅猛发展为视频火灾检测提供了良好基础。采用视频检测火灾的方法检测速度更快，提供的信息更加直观准确，不会受到温度、气流等环境因素干扰，另外也可以减少传感设备铺设的额外成本[30].在视频火灾检测研究中，火焰作为火灾最明显也是最常见的表现形式而被学者广泛研究，但是烟雾先于火焰出现的特点及部分阴燃火的情况常被忽略。所以本文需要设计一套基于计算机视觉的火灾检测算法，该算法可同时检测火焰及烟雾，最后实现火灾预警。

　　1.3.2 研究内容

　　本文主要对消防系统中火灾检测和预警展开研究。在计算机视觉与图像处理技术的基础上，对火灾视觉特征进行分析，通过改进颜色模型等方法完成火灾信息处理及特征处理，提升了火灾检测依据的准确性。对 SVM 进行调优并改进阈值判别法，从火焰检测和烟雾检测两个方面改进火灾检测算法，提升了检测准确率，降低了误报率和反应时间。同时针对火灾预警机制的问题提出了改进方法。最后，使用计算机视觉和智能小车技术完成消防系统的实现，对上述理论研究进行应用验证。

　　本文主要研究内容可总结为以下几个方面：

　　（1）通过调研近年消防安全事件与发展现状，明确了消防系统的研究意义和本文对消防系统研究的重点。

　　（2）详细介绍了消防系统研究与实现使用到的相关理论与技术，为后续研究工作打下基础。

　　（3）由于图像不能直接用于分类，需要利用 OpenCV 工具包先对图像中的火灾信息进行提取后才能得到用于分类的数据集，火灾信息提取研究包括了疑似火灾区域提取和火灾特征提取两部分方法的设计。将火灾信息分为火焰和烟雾两个部分，在图像处理技术基础上，设计了疑似火灾区域的提取方法，针对现有 RGB 火焰颜色模型易受亮度干扰的问题进行了改 进。分析火灾视觉特征及特征对检测结果的影响特点，基于疑似火灾区域设计了火焰和烟雾的特征提取方法，从而为下一步的火灾检测提供更加准确的判断依据。

　　（4）依据火灾特征提取到的数据集，综合判别火焰和烟雾的检测结果后进行火灾预警。

　　对支持向量机理论研究后，选择合适的核函数，在采用了交叉验证和网格搜索法的 LIBSVM软件包下完成 SVM 模型调优和建立，对火焰图像进行分类。针对阈值法的泛化能力差的问题提出了改进方法，用于烟雾图像分类。分析了以往研究中预警机制存在的问题并进行改进。

　　实验表明，所提火灾检测算法能够有效提升检测准确率、降低误报率和减小反应时间。

　　（5）搭建了一套基于计算机视觉与智能小车的消防实验系统。该系统用于应用层面上验证火灾信息处理、检测、预警和救援的实际效果。先对该消防系统进行整体架构设计，再对基于计算机视觉的火灾检测及预警系统和基于智能小车的火灾协同救援平台两个子系统分别于架构设计、硬件实现、软件实现和功能测试四个方面进行阐述系统实现过程和效果，最后对各功能模块进行针对性测试。

　　1.3.3 章节安排

　　本文对视频火灾信息处理及特征提取、火灾检测及预警两个问题分别在第三和第四章节中进行研究，然后在第五章中开发了一种消防系统对前两章的理论研究在应用层面上进行实现，该系统不仅提升了火灾检测性能，解决了以往火灾预警中的问题，也可以代替消防员进入火灾现场，提供可服务于多人的多功能通用搭载平台。

　　本文分为六章，章节结构安排如图 1.1 所示，具体描述如下：

　　第一章主要介绍了消防系统的课题背景及意义、研究现状、本文的研究内容与章节安排。

　　第二章介绍了消防系统研究涉及到的相关理论与技术，为下文进一步研究提供基础。本章包括计算机视觉、支持向量机、智能小车和 Android 技术相关知识。

　　第三章详细研究了视频火灾信息提取的方法。在计算机视觉和图像处理技术基础上，使用 OpenCV 在去噪预处理、GMM 算法提取移动区域、改进火灾颜色模型和形态学处理四个方面进行图像处理研究，并得到疑似火灾区域，改善了后续特征提取的准确度和计算量；然后又从特征数量、特征间关系对火灾检测性能的影响，选择了合适数量的抗干扰能优秀的火灾特征，并对这些特征提取方法进行简便化设计以降低总体计算量；最后，用实验验证各阶段的设计效果，为下一步火灾判别提供了准确依据。

　　第四章详细研究了火灾融合判别及预警的过程。具体为，通过对 SVM 核函数选择和参数调优建立分类模型检测火焰；对传统阈值法泛化能力弱的问题进行改进，提升烟雾检测能力；对现有火灾预警机制中存在将火情等同于火灾进行一刀切预警的问题进行了改进；最后，基于 LIBSVM 等软件工具验证了火灾检测算法在准确率、误报率和反应时间三个方面优秀的表现。

　　第五章主要讲述了基于计算机视觉和智能小车的消防系统实现过程。先对消防系统进行整体架构设计，再分别对基于计算机视觉的火灾检测及预警系统和基于智能小车的火灾协同救援平台两个子系统的架构进行设计，并按软件和硬件两个方面阐述了子系统各模块实现过程，最后对子系统的不同模块进行针对性的功能测试，对测试结果进行了分析与论证。

　　第六章为总结与展望。总结了本文已经做出的工作，针对该课题提出了可以进一步完善的地方并对未来规划进行展望。

　　第二章 相关理论与技术

　　2.1计算机视觉

　　2.2支持向量机

　　2.3智能小车

　　2.4Android

　　2.5本章小结

　　第三章 基于 OpenCV 的火灾信息提取

　　3.1引言

　　3.2疑似火灾区域提取

　　3.2.1 去噪预处理

　　3.2.2 基于混合高斯模型的移动区域提取

　　3.2.3 基于 RGB 改进的火灾颜色模型

　　3.2.4 形态学处理

　　3.3火灾特征提取

　　3.3.1 火焰特征

　　3.3.2 烟雾特征

　　3,4实验分析

　　3.4.1 实验环境

　　3.4.2 实验结果与分析

　　3.5本章小结

　　第四章 基于 SVM 调优与阈值法改进的火灾检测及预警

　　4.1引言

　　4.2基于支持向量机调优的火焰特征融合判别方法

　　4.2.1 基于支持向量机的火焰图像检测流程

　　4.2.2 支持向量机模型设计与调优

　　4.3基于阈值法改进的烟雾特征融合判别方法

　　4.3.1 阈值法的问题

　　4.3.2 基于阈值法的改进

　　4.4视频火灾预警机制及改进

　　4.5实验分析

　　4.5.1 实验环境

　　4.5.2 实验过程

　　4.5.3 实验结果与分析

　　4.6本章小结

　　第五章 基于计算机视觉与智能小车的消防系统设计与实现

　　5.1引言

　　5.2系统整体架构设计

　　5.3基于计算机视觉的火灾检测及预警系统

　　5.3.1 架构设计

　　5.3.2 硬件实现

　　5.3.3 软件实现

　　5.3.4 功能测试

　　5.4基于智能小车的火灾协同救援平台

　　5.4.1 架构设计

　　5.4.2 硬件实现

　　5.4.3 软件实现

　　5.4.4 功能测试

　　5.5本章小结

第六章 总结与展望

　　总结

　　本文针对现有消防系统常关注于火灾检测预警而忽略对救援功能的融合，旨在设计并开发实现了一种基于计算机视觉和智能小车技术，可以在火灾发生的前、中、后三个阶段分别衔接发挥检测、预警和救援功能的消防系统，达到综合减少人类生命与财产损失的目标。在理论研究层面，设计了一个视频火灾信息提取、检测、预警、救援流程，并针对各阶段问题进行了改进与验证：

　　（1）火灾信息处理若要准确判别视频中的内容，必先要处理视频中的噪声与火灾干扰物。本文设计了一种疑似火灾区域提取方法，可以提高图像质量并初步得出火灾区域，并针对现有的 RGB 火焰颜色抗亮度干扰差的问题进行了改进，通过对比实验验证了设计方法的合理性与效果。

　　（2）火灾特征提取疑似火灾区域并不能完全排除干扰的存在，因此有必要进一步提取出火灾有效特征，区别于相似的干扰才能提升检测性能。通过对特征之间关系及特征数量对各融合判别机制复杂影响的研究，选择其中抗干扰能力更强且耦合低的特征进行提取，并对各特征提取方法向简便有效的目标进行优化设计。

　　（3）火灾检测针对目前火灾检测方法侧重火焰检测而缺乏对烟雾的研究，实现了火焰和烟雾综合检测方法。由于火焰是火灾最常出现，也是最明显的现场，设计基于 SVM 并优化的分类模型来检测火焰。而对于烟雾往往先于火焰出现和偶尔阴燃火现象，烟雾检测也必不可少，因此设计了基于阈值方法进行检测，其中对阈值法的弊端进行了分析并提出改进。

　　（4）火灾预警机制对现有研究中检测到火焰或烟雾即火灾预警的问题进行了分析，阐述了火灾判别过程的重要性，设计了一种基于面积增长的火灾判别机制分别进行火情提醒和火灾预警，改进了现有火灾预警机制。

　　（5）火灾救援针对现有火灾救援系统脱离于检测与预警系统，不能第一时间展开救援，且不能满足于火灾现场多变而多样的救援需求，提出了一种新的设计思路，即设计一种直接工作于本消防场进行勘探、定位、传送物品等，改盲目救援为科学救援，减少救援危险增加救援效率，还可以为消防员之外的更广大待救人员提供小车操作服务，救援平台可以更加精准直接地提供操作者需要的服务。

展望

　　本文从检测、预警和救援出发设计并实现了一种消防系统，虽然达到了初步验证目标，但很多设计仍然有待今后的工作中将该消防系统变得更加成熟：

　　（1）火灾检测实际视频监控区域会有很多，因而视频火灾检测系统应该改进为电视墙形式的多通道实时检测；视频火灾检测虽然不受空间、温度、湿度的干扰，但受物体遮挡后会形成监控盲区，所以可以结合传感器一起使用，也同时方便可视化页面量化环境各项参数；未采用类似HIKVISION 这样的专业级视频监控系统，也没有网络硬盘录像机作为远程服务器，否则可提供远程访问能力，硬件水平的提高也将提升检测准确度和检测速度的提升。

　　（2）火灾预警预警的形式可以更加丰富多样，比如在监控现场安装及时声光报警装置，只依赖短信或邮箱，可能存在接收不及时问题。

　　（3）火灾救援方面小车平台采用的轮式虽然敏捷机动，但是通过能力有限，可以改进为通过能力更强的履带式小车；救援平台可以增加一个可视化的 Web 系统，可以将小车携带的各感知模块搜集到的信息进行汇总展现，用户也可以远程访问，有了数据更可以利用数据挖掘技术做更多的改进。

　　参考文献

　　[1] 戚斑。 近 10 年亡人火灾统计数据分析及防范对策[J]. 中国消防， 2017（11）：18-23.

　　[2] 公安部消防局。 中国消防年鉴（2014）[M]. 云南： 云南人民出版社， 2014.

　　[3] 范茂魁， 杨千红， 冯时进， 等。 我国消防员灭火救援中伤亡情况研究 [J]. 工业安全与环保 ,2015（2）：82-85.

　　[4] 综合报道。 直击天津港"8·12"特别重大火灾爆炸事故[J]. 中国消防， 2015（16）：4-7.

　　[5] Che-Bin Liu, Narendra Ahuja. Vision Based Fire Detection[C]// Pattern Recognition, 2004. ICPR 2004.Proceedings of the 17th International Conference on. IEEE, 2004.

　　[6] Wang T, Shi L, Yuan P, et al. A new fire detection method based on flame color dispersion and similarity inconsecutive frames[C]// Chinese Automation Congress. IEEE, 2018.

　　[7] Seebamrungsat J, Praising S, Riyamongkol P. Fire detection in the buildings using image processing[C]// 2014 Third ICT International Student Project Conference （ICT-ISPC）。 IEEE, 2014.

　　[8] 刘军， 程继国， 尹志， 等。 消防机器人灭火救援应用技术分析[J]. 消防技术与产品信息， 2010（11）：15-18. [9] 及林。 基于图像特征提取的火灾检测[D]. 大连理工大学硕士论文， 2013.

　　[10] 王振鹏。 基于 OpenCV 的火灾视频识别方法研究[D]. 沈阳航空航天大学， 2013 [11] Li K, Yang Y. Fire detection algorithm based on CLG-TV optical flow model[C]// IEEE InternationalConference on Computer and Communications. IEEE, 2017.

　　[12] De Iacovo A, Venettacci C, Colace L, et al. PbS Colloidal Quantum Dot Visible-Blind PhotodetectorforEarly Indoor Fire Detection[J]. IEEE Sensors Journal, 2017, 17（14）：4454-4459.

　　[13] Ji Q G, Zhe-Ming L U, Chi R. Real-time multi-feature based fire flame detection in video[J]. IET ImageProcessing, 2016, 11（1）：31-37.

　　[14] Muhammad K, Ahmad J, Mehmood I, et al. Convolutional Neural Networks based Fire Detection inSurveillance Videos[J]. IEEE Access, 2018（99）：1-1.

　　[15] Muhammad K, Ahmad J, Lv Z, et al. Efficient Deep CNN-Based Fire Detection and Localization in VideoSurveillance Applications[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2019,49（7）：1419-1434.

　　[16] Tian H, Li W, Ogunbona P O, et al. Detection and Separation of Smoke From Single Image Frames[J]. IEEETransactions on Image Processing, 2018, 27（3）：1164-1177.

　　[17] Hong X, Wang W, Liu Q. Design and Realization of Fire Detection Using Computer Vision Technology[C]//2019 Chinese Control And Decision Conference （CCDC）， Nanchang, China, 2019:5645-5649.

　　[18] He Z. Video Based Fire Detection in Photovoltaic System[C]// 2019 4th International Conference onMechanical, Control and Computer Engineering （ICMCCE）， Hohhot, China, 2019:289-2894.

　　[19] Khan M N A, Tanveer T, Khurshid K, et al. Fire Detection System using Raspberry Pi[C]// 2019International Conference on Information Science and Communication Technology （ICISCT）， Karachi,Pakistan, 2019:1-6.

　　[20] Cheng X, Wu J, Yuan X, et al. Principles for a video fire detection system[J]. Fire Safety Journal, 1999,33:57-69.

　　[21] ?elik T, Demirel H. Fire detection in video sequences using a generic color model[J]. FIRE SAFETYJOURNAL, 2009, 44（2）：147-158.

　　[22] 王大川， 王长海。 基于 OpenCV 的图像型感烟火灾探测报警系统[J]. 商品与质量·建筑与发展，2013（6）：9-10.

　　[23] Czapla T, Józef Wrona. Technology Development of Military Applications of Unmanned GroundVehicles[M]// Vision Based Systemsfor UAV Applications. Springer International Publishing, 2013.

　　[24] Roesch O J, Schilling K, Roth H. Haptic interfaces for the remote control of mobile robots[J]. ControlEngineering Practice, 2002, 10（11）：1309-1313.

　　[25] 高仲亮， 王秋华， 舒立福， 等。 森林火灾扑救消防车装备的种类及使用技术[J]. 林业机械与木工设备，2014（8）：10-14.

　　[26] 胡传平。 消防机器人的开发与应用[J]. 机器人技术与应用， 2003（5）：37-41.

　　[27] 陈伟哲， 黄梦醒， 吴迪， 等。 消防辅助救援机器人群设计研究[J]. 软件工程， 2019（9）。

　　[28] 张健。 消防机器人 GA892.1-2010 标准的操作性分析[J]. 标准科学， 2016（12）。

　　[29] Kong S G, Jin D, Li S, et al. Fast fire flame detection in surveillance video using logistic regression andtemporal smoothing[J]. Fire Safety Journal, 2016, 79:37-43.

　　[30] Seebamrungsat J, Praising S, Riyamongkol P. Fire detection in the buildings using image processing[C]//2014 Third ICT International Student Project Conference （ICT-ISPC）。 IEEE, 2014.

　　[31] Ho C, Chen M. Nighttime fire smoke detection system based on machine vision[J]. International Journal ofPrecision Engineering and Manufacturing, 2012, 13（8）：1369-1376.

　　[32] Jianfei Z. Detection and tracking of moving object in traffic video based on Open CV[J]. ElectronicTest,2012.

　　[33] Weijie L, Zhijian L, Tiehua M. Moving objects detection of video image based on Open CV[J]. ElectronicTest, 2011.

　　[34] I. Culjak, D. Abram, T. Pribanic, et al. A brief introduction to OpenCV[C]// MIPRO, 2012 Proceedings ofthe 35th International Convention. IEEE, 2012.

　　[35] Jia Y, Shelhamer E, Donahue J, et al. Caffe: Convolutional Architecture for Fast Feature Embedding[J].2014.

　　[36] Abadi, Martín, Barham, et al. TensorFlow: A system for large-scale machine learning[J]. 2016.

　　[37] http://www.csie.ntu.edu.tw/~cjlin/libsvm[38] 崔伟东， 周志华， 李星， 等。 支持向量机研究[J]. 计算机工程与应用， 2001（1）。

　　[39] Toreyin B U, Cetin A E. Wildfire detection using LMS based active learning[C]// IEEE InternationalConference on Acoustics. IEEE Computer Society, 2009. [40] Chaohui Z, Xiaohui D, Shuoyu X, et al. An Improved Moving Object Detection Algorithm Based on FrameDifference and Edge Detection[C]// Image and Graphics, 2007. ICIG 2007. Fourth International Conferenceon. IEEE Computer Society, 2007.

　　[41] 王猛。 基于视频监控平台的火灾图像检测算法研究[D]. 天津大学， 2012.

　　[42] Stauffer C, Grimson W E L. Learning Patterns of Activity Using Real-Time Tracking[J]. Trans on Pami,2000, 22（8）：747-757.

　　[43] Stauffer C, Grimson W E L. Adaptive Background Mixture Models for Real-Time Tracking[C]// ComputerVision and Pattern Recognition, 1999. IEEE Computer Society Conference on. IEEE, 1999.

　　[44] Chen T H, Wu P H, Chiou Y C. An early fire-detection method based on image processing[C]// ImageProcessing, 2004. ICIP '04. 2004 International Conference on. IEEE, 2004.

　　[45] Yoo, Jae-Doug, Park, Min-Ki, Cho, Ji-Ho, et al. Local color transfer between images using dominantcolors[J]. Journal of Electronic Imaging, 2016, 22（3）：033003.

　　[46] Turgay ?elik, Hasan Demirel. Fire detection in video sequences using a generic color model[J]. Fire SafetyJournal, 2009, 44（2）：147-158. [47] Phung S L, Bouzerdoum A, Chai D. A novel skin color model in ycbcr color space and its application tohuman face detection[C]// International Conference on Image Processing. IEEE, 2002.

　　[48] 孙琛。 基于视频图像的火灾检测算法研究与设计[D]. 山东大学， 2018.

　　[49] C. E. Premal, S. S. Vinsley. Image processing based forest fire detection using YCbCr colourmodel[C], 2014 International Conference on Circuits, Power and Computing Technologies [ICCPCT-2014],Nagercoil, 2014:1229-1237.

　　[50] 邓仕超， 黄寅。 二值图像膨胀腐蚀的快速算法[J]. 计算机工程与应用， 2017（5）。

　　[51] Yuanbin W. Smoke Recognition Based on Machine Vision[C]// International Symposium on Computer.IEEE, 2016.

　　[52] Wang T, Shi L, Yuan P, et al. A new fire detection method based on flame color dispersion and similarity inconsecutive frames[C]// Chinese Automation Congress. IEEE, 2018.

　　[53] 张进华， 庄健， 杜海峰， 等。 一种基于视频多特征融合的火焰识别算法[J]. 西安交通大学学报，2006（07）：73-76.

　　[54] http://signal.ee.bilkent.edu.tr/VisiFire/[55] Yuanbin W. Smoke Recognition Based on Machine Vision[C]// International Symposium on Computer.IEEE, 2016.

　　[56] Mangasarian O L, Musicant D R. Successive Overrelaxation for Support Vector Machines[J]. IEEETransactions on Neural Networks, 1999, 10（5）：1032-1037.

　　[57] Lee Y J, Mangasarian O L. SSVM: A Smooth Support Vector Machine for Classification[J]. ComputationalOptimization and Applications, 2001, 20（1）：5-22.

　　[58] 李 琳 , 张晓龙 . 基 于 RBF 核 的 SVM 学 习 算 法 的 优 化 计 算 [J]. 计 算 机 工 程 与 应 用 ,2006（29）：194-196+208.

　　[59] http://www.fire.nist.gov/tree_fire.htm[60] Phung S L, Bouzerdoum A, Chai D. A novel skin color model in ycbcr color space and its application tohuman face detection[C]// International Conference on Image Processing. IEEE, 2002.

　　[61] Xuan Truong T, Kim J M. Fire flame detection in video sequences using multi-stage pattern recognitiontechniques[J]. Engineering Applications of Artificial Intelligence, 2012, 25（7）：1365-1372.

　　[62] Qureshi W S, Ekpanyapong M, Dailey M N, et al. QuickBlaze: Early Fire Detection Using a CombinedVideo Processing Approach[J]. Fire Technology, 2016, 52（5）：1293-1317.

致谢

　　论文完成之际，回想起三年来研究生学习生活中的点点滴滴，有感动，有悲伤，有快乐，但是更多的是收获。研究生期间我有幸认识了一帮志同道合的同学，遇到了学术严谨的导师，收获了友谊，更收获了沉甸甸的专业知识，在此向帮助过我的老师同学们表达衷心的感谢。

　　首先感谢我的学校--南京邮电大学，给了我三年研究生学习的机会，为我提供了良好的学习环境。在三年的硕士研究生生活中，不仅在学习了广泛的专业知识，培养了基本的学术素养，还在丰富的校园活动中不断成长，渐渐走向成熟，这些都为我以后走向社会，走上工作岗位打下了基础。

　　感谢研究生三年授我以业的导师--陈美娟老师。感谢您这三年对我科研学习的教导，特别是对我发表的专利、论文及毕业论文进行了反复审阅和指导，鼓励我参加竞赛项目。同时，陈老师还教会了我很多与人相处的道理，在生活及未来发展上也对我格外关心。陈老师的认真、耐心、包容和关怀给我留下了深刻的印象，她对我的影响也将继续指引我前进的步伐。再次感谢陈老师倾注的心血！

　　感谢与我朝夕相处的同学们，感谢实验室管铭锋、刘奔等好友，感谢师兄师弟师妹们。

　　研究生三年里，大家相互帮助、相互学习、共同进步，与你们共同度过的大学时光将是我此生最美的记忆。

　　最后，向评阅本篇论文所有的评审和专家老师们表示真挚的感谢，感谢你们的付出和提出的宝贵意见！

（如您需要查看本篇毕业设计全文，请您联系客服索取）