计算机论文哪里有？本文提出了一种基于 GMM 的多颜色空间融合的火灾检测算法。由于传统的森林火灾检测算法都是基于视频监控的，视频监控是固定的，而无人机时时在移动，这会导致传统的算法应用在无人机上时会出现大量的噪声和误检，所以对传统的 GMM 算法进行进一步的改进。
第一章 绪论
1.2 国内外研究现状
火灾的主要特征是烟雾和火焰，所以对于火灾检测来说，其研究工作的重心主要集中于烟雾检测和火焰检测。在实际的应用过程中，烟雾检测和火焰检测通常相互配合，很少进行单一的检测，目前基于视频的烟雾检测和火焰检测的一般流程（烟雾检测和火焰检测的流程基本一致）大致为区域分割、特征提取、分类识别这三个步骤[5]（图 1.1）。
因此对于火灾检测更细致的研究主要集中于疑似区域分割、特征提取、多特征融合和分类识别这四个方面。
1.2.1 烟雾检测的国内外研究
对于疑似烟雾区域分割而言，其主要的目的是为了将疑似烟雾的区域从视频图像中分割出来，为下一步提取烟雾特征做准备，这一步十分的关键，疑似烟雾区域分割的好坏直接影响到后续步骤处理的效果。目前关于疑似烟雾区域分割的算法主要分为基于烟雾颜色的疑似烟雾区域分割算法和基于运动的疑似烟雾区域分割算法，其中的难点在于复杂多变的环境。在基于烟雾颜色的疑似烟雾区域分割算法中，Cruz H[6]等人为了让烟雾区域分割能够适应不同环境下的光照，对 RGB 颜色模型中的各分量 R、G、B 分别进行归一化处理（1.1）。Wang[7]等人为了提高烟雾区域的亮度，从而可以更好地区分烟雾和周围环境，提出了一种对烟雾的Lab 颜色模型中 L 分量进行非线性增强的方法（1.2）。Prema C E[8]等人提出一种 YUV 烟雾颜色模型（1.3），Yaping[9]等人提出一种使用 YCrCb 颜色空间的烟雾模型（1.4），Islam M R[10]等人提出了一种 HSV 烟雾颜色模型（1.5）分别对疑似烟雾区域进行分割。
第三章 基于 GMM 的多颜色空间融合的火灾检测算法
3.1 GMM 算法动机
在选择背景建模算法时考虑了很多其它的算法，比如 VIBE 算法、自适应背景学习方法、KDE 算法、PBAS 算法等，这些算法都或多或少有一些不太适合这种场景（背景时时发生变化）的地方。在其中，VIBE 算法使用邻域像素建立背景模型，通过比较当前像素和背景模型来判断当前像素是否为前景。但是由于其在建立背景模型时需要几十帧图像作为训练数据，所以模型需要一些时间才能建立完成，一旦背景发生较大变化，又需要很长时间来适应。在实际的实验过程也确实如此，VIBE 算法在刚开始的时候检测的几乎全是噪声，这是因为背景模型此时还未建立完成，等过了一些时间之后才检测出一些运动区域，但当背景发生较大变化时，需要较长时间才能再次检测出一些正确的运动区域。这就使得 VIBE 算法无法适应无人机平台下背景的快速变化[51]；自适应背景学习方法通过比较连续帧之间的差异来确定是否有物体运动，一旦发现有物体运动就会使用无监督的学习方法进行背景建模，该方法可以较为快速地适应变化。在实验中发现自适应背景学习方法的背景模型会随着场景的变化及时做出调整，检测效果比较好，但是仍然会有很多运动区域被遗漏，提取的区域不是很完整[52]；而其它的一些背景建模算法的实际实验效果也并不十分的理想，比如 KDE 算法检测出来的区域会包含大片的噪声，只有很少的区域是真正的运动区域[53]，PBAS 算法同样也只能检测出很少的一部分运动区域，检测效果不理想[54]。因此开始尝试背景建模算法中非常优秀的 GMM算法，由中心极限定理可以知道大量独立同分布的随机变量的均值在做适当标准化之后会依分布收敛于高斯分布, 这使得高斯分布具有普适性的建模能力。一般来说，在分量足够的情况下，高斯分布可以模拟自然界中的任何分布，这就使得混合高斯模型有很强的的适用性，很多算法都是在它的基础上进行的改进。并且 GMM 算法不对像素点做任何先验的假设，直接使用概率估计的方法进行建模，这就使得 GMM 算法对场景的变化有很好的适应能力。而且 GMM 算法的实际实验效果也不错，所以本文选择 GMM 算法作为基础背景建模算法。
第四章 基于 GMM、GMG 的多颜色空间融合的火灾检测算法
4.1 GMG 算法的动机
本章内容结构如下：首先说明了使用 GMG 算法的动机，其次介绍了烟雾的对比度和改进的烟雾颜色模型，接着介绍 GMG 算法，然后介绍基于 GMM、GMG 的多颜色空间融合的火灾检测算法的具体内容、流程，最后对实验结果进行分析。
由于烟雾的移动性和扩散性相比于火焰更强，这就使得当发生森林火灾时，我们最先发现的不是火焰而是烟雾，所以对于烟雾的检测相当重要。但是无人机视角下的森林通常距离比较远，并且漂浮在远处的烟雾非常稀薄，移动也很缓慢，GMM 算法很难检测出这种类型的烟雾，这使得我们很难及时和尽早地发现火灾。而 GMG 算法由于其自身的特殊性，使得其对于缓慢移动的目标有很高的的检测能力[56]。所以最终在 GMM 算法的基础上融合了 GMG算法进行运动目标检测。
4.2 基于 GMM、GMG 的多颜色空间融合的火灾检测算法流程
基于 GMM、GMG 的多颜色空间融合的火灾检测算法（算法 2）详细步骤：
Step 1：对无人机拍摄的森林火灾视频提取视频帧，得到一系列视频帧图像。
Step 2：对 Step 1 得到的视频帧图像进行对比度计算，得到对比度计算后的二值图像。
Step 3：使用 XYZ 颜色模型对 Step 1 中的视频帧进行烟雾预处理，得到烟雾预处理后的二值图像。 Step 4：将 Step 3 得到的二值图像，进行 3 次膨胀运算，得到膨胀后的二值图像。
Step 5：将 Step 2 得到的二值图像和 Step 4 得到的二值图像进行与运算，得到一系列二值图像。
Step 6：将 Step 3 得到的二值图像和 Step 5 得到的二值图像进行或运算，得到改进的烟雾颜色模型。
Step 7：使用融合 HSV、YCrCb 的颜色模型对 Step 1 中视频帧图像进行火焰预处理，并进行膨胀运算，得到火焰预处理后的二值图像。
Step 8：将 Step 6 和 Step 7 得到的二值图像进行或运算，得到改进的烟雾、火焰融合的颜色模型二值图像。
Step 9：使用改进的自适应 GMM 算法对 Step 1 中的视频帧图像进行运动检测，得到一系列二值图像。
Step 10：使用 GMG 算法对 Step 1 中的视频帧图像进行运动检测，得到一系列二值图像。
Step 11：将 Step 9 和 Step 10 中得到的二值图像进行或运算，得到运动区域二值图像。
Step 12：将 Step 8 和 Step 11 中得到的二值图像进行与运算，得到一系列二值图像。
Step 13：对 Step 12 得到的二值图像进行形态学处理，去除噪声。
Step 14：对 Step 13 去除噪声的二值图像进行连通区域分析，并标记火灾区域。
第五章 总结与展望
5.2 未来研究工作展望
本文算法对于无人机平台下的森林火灾检测有较高的实用价值，但由于研究时间有限，算法仍然存在着一些不足之处。根据目前的研究工作，以下几个方面值得深入研究：
（1）颜色模型并不是万能的，其并不能总是很完整地分割出火灾区域，可能会出现有些烟雾和火焰区域无法分割出来的情况，在这方面有很大的改进空间。
（2）几乎所有的背景建模算法在面对场景时时发生变化的情况时，都会在视频图像中有明显边界的地方出现一条细细的线状噪声。虽然使用三帧差分法检测出来的边界可以在一定程度上抑制算法中的这种边界噪声，但其效果仍然是有限的，仍然需要进一步的研究。
（3）本文的研究只是对森林火灾进行检测，但是此时火灾已经发生，为了能够更加有效的进行预测、预警，需要对森林火灾的预警进行研究，比如枯树的检测识别，气候的监测等等。
参考文献（略）
