基于深度学习和最大相关最小冗余的火焰图像检测方法
为了解决基于浅层特征的火焰识别模型对环境变化敏感且鲁棒性较低的问题,提出了一种基于卷积神经网络串行特征融合模型与最大相关最小冗余(MRMR)的火焰图像检测方法.为了从有限样本集中训练卷积神经网络获取更加全局性的特征,对使用预训练方法提取的火焰图像深层特征进行串行融合;再针对融合后的特征维度高、冗余大且未包含动态特征的问题,利用MRMR特征选择算法,去除与火焰相关性低的特征,获得相关性高的串行特征后与动态特征进行融合,得到最优子集的重构特征向量;最后通过支持向量机分类器完成对火焰目标的检测.实验结果表明,所提方法具有良好的泛化能力,对火焰的检测效果较好.
图像处理、火焰检测、卷积神经网络、动态特征、最大相关最小冗余
57
TP391(计算技术、计算机技术)
陕西省建设厅科技发展计划;西安市碑林区科技局研究项目;陕西省文物局项目;西安市科技局项目
2020-07-02（万方平台首次上网日期，不代表论文的发表时间）
共11页
152-162
