Flame detection based on infrared images

• Autorzy: Śrutek M. , Andrysiak T.

Warianty tytułu

PL

Wykrywanie płomieni z wykorzystaniem obrazowania w podczerwieni

• Języki publikacji: EN

Abstrakty

EN

In this paper, we present a proposal of a method for the detection and localization of flames with the use of infrared images. In order to achieve this goal, an adaptive decomposition of an image has been used to search for adjusted elements of the Gabor dictionary. In our work, we used the Matching Pursuit algorithm [3]. Using decomposition coefficients of transformed infrared images, a coefficient of activity, characterizing the occurring thermal processes, has been defined. The method has been developed for the detection of flames and can find its application in intelligent surveillance and protection systems.

PL

W pracy zaproponowano metodę wykrywania i lokalizacji płomieni na podstawie analizy sekwencji zdjęć wykonanych techniką podczerwieni. Aby osiągnąć ten cel, przetwarzane obrazy poddano operacji poprawy jakości, a następnie odejmowano je od siebie w celu wyznaczenia obrazów różnicowych. Tak otrzymane obrazy poddawano operacji adaptacyjnej dekompozycji z zastosowaniem odpowiednio modelowanych funkcji Gabora w oparciu o algorytm Matching Pursuit. Bazując na algorytmie dekompozycji, zdefiniowano współczynnik aktywności termicznej, charakteryzujący wykryte procesy na obrazach wykonanych w podczerwieni. Opracowana metoda pozwala na wykrywanie i lokalizacje płomieni ze współczynnikiem wykrywalności True Positive równym 92%. Opisywane rozwiązanie może znaleźć zastosowanie w inteligentnych systemach monitoringu i ochrony przeciwpożarowej.

Słowa kluczowe

EN

flame detection; infrared image; machining pursuit decomposition

PL

wykrywanie płomieni; obrazy termowizyjne; dekompozycja Maching Pursuit

• Wydawca: Wydawnictwo Naukowe Instytutu Technologii Eksploatacji - Państwowego Instytutu Badawczego
• Czasopismo: Problemy Eksploatacji
• Rocznik: 2013
• Tom: nr 2
• Strony: 197--208
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Śrutek M.

• University of Technology and Life Sciences, Bydgoszcz, Poland

autor

Andrysiak T.

• University of Technology and Life Sciences, Bydgoszcz, Poland

Bibliografia

• 1. Banham M.R., Brailean J.C.: A selective update approach to matching pursuits video coding, IEEE Transactions on Curcuits and Systems Video Technology, vol. 7, no. 1, pp. 119–129 (1997).
• 2. Bareła J., Kastek M., Firmanty K., Polakowski H.: Measurements of the radiation spectra of flammable substances using infrared Spectroradiometer (in Polish), Materiały konferencyjne TTP (2009).
• 3. Bergeaud F., Mallat S.: Matching pursuit of images, In Proc. IEEE International Conference on Image Processing ICIP’95, vol. 1, pp. 53–56 (1995).
• 4. Bruckstein A.M., Donoho D.L., Elad M.: From sparse solutions of systems of equations to sparse modeling of signals and images, SIAM Review, vol. 51, no. 1, pp. 34–81 (2009).
• 5. Celik T., Demirel H.: Fire Detection in video sequences using a generic color model, Fire Safety Journal, vol. 44, pp. 147–158 (2009).
• 6. Chunyu, Y., Jun, F., Jinjun, W., Yongming, Z.: Video Fire Smoke Detection Using Motion and Colour Features, Fire Technology, vol. 46, pp. 651–663 (2010).
• 7. Davis G., Mallat S., Avellaneda M.: Adaptive greedy approximations, Journal of Constructive Approximation, vol. 13, pp. 57–98 (1997).
• 8. Elad M.: Sparse and Redundant Representations: From Theory to Applications in Signal and Image Processing, Springer (2010).
• 9. Gubbi J., Marusic S., Palaniswami M.: Smoke detection In video Rusing wavelet and suport vector machines, Fire Safety Journal, vol. 44, pp. 1110–1115 (2009).
• 10. Han D., Lee B.: Flame and smoke detection method for early real-time detection of a tunnel fire, Fire Safety Journal, vol. 44, pp. 951–961 (2009).
• 11. Janssen A., Gabor representation of generalized functions, Journal of the Mathematical. Analysis. and Applications, vol. 83, no. 2, pp. 377–394 (1981).
• 12. Ko B.C., Cheong K.H., Nam J.Y.: Early fire detection algorithm based on irregular patterns of flames and hierarchical Bayesian Networks, Fire Safety Journal, vol. 45, pp. 262–270 (2010).
• 13. Ko B.C., Cheong K.H., Nam J.Y.: Fire detection based on vision sensor and support vector machines, Fire Safety Journal, vol. 44, pp. 322–329 (2009).
• 14. Mallat S., Zhang Z.: Matching pursuits with time-frequency dictionaries, IEEE Transactions on Signal Processing, vol. 41, no. 12, pp. 3397–3415 (1993).
• 15. Marbach G., Loepfe M., Brupdacher T.: An image processing for fire detection in video images, Fire Safety Journal, vol. 41, pp. 285–289 (2006).
• 16. Ono T., et al.: Application of neural network to analyses of CCD colour TV-camera image for the detection of car fire in expressway tunnels, Fire Safety Journal, vol. 41, s. 279–284 (2006).
• 17. Rubinstein R., Bruckstein M., Elad M.: Dictionaris for Sparse Representation Modeling, Proceedings of the IEEE, vol. 98, pp. 1045–1057 (2010).
• 18. Tropp J.A.: Greed is good: Algorithmic results for sparse approximation, ICES Report 03-04, The University of Texas at Austin (2003).
• 19. Yuan F.: An integrated fire detection and suppression system based on widely available video surveillance, Machine Vision and Applications, vol. 21, pp. 941–948 (2010).
• 20. Yuan F.: A fast accumulative motion orientation model based on integral image for video smoke detection, Pattern Recognition Letters, vol. 29, pp. 925–932 (2008).