文献类型：期刊文章

作　　者：严云洋[1,2] 朱晓妤[1,2] 刘以安[2] 高尚兵[1]

Yan Yunyang;Zhu Xiaoyu;Liu Yi’an;Gao Shangbing(Faculty of Computer&Software Engineering,Huaiyin Institute of Technology,Huaian 223003,China;School of Internet of Things Engineering,Jiangnan University,Wuxi 214122,China)

机构地区：[1]淮阴工学院计算机与软件工程学院,江苏淮安223003 [2]江南大学物联网工程学院,江苏无锡214122

出　　处：《南京师大学报（自然科学版）》

基　　金：国家自然科学基金(61402192);江苏省"六大人才高峰"项目(2013DZXX-023);江苏省"青蓝工程";淮安市"533英才工程"

年　　份：2018

卷　　号：41

期　　号：3

起止页码：1-5

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、BIOSISPREVIEWS、CAS、CSA-PROQEUST、CSCD、CSCD_E2017_2018、JST、MR、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：常规的火焰检测一般是提取火焰的静态或动态特征,然后进行火焰的判别.但是传统特征无法全面描述火焰特性,会导致识别的准确率降低.本文提出一种基于Faster R-CNN模型的火焰检测算法.首先利用候选区域生成网络(Region Proposal Network,RPN)提取火焰候选区域,然后对候选区域进行卷积及池化操作,提取火焰特征,最后利用联合训练的快速区域卷积神经网络(Fast R-CNN)进行火焰识别.实验结果表明该方法能够自动提取火焰特征,有效提高复杂背景下的火焰识别的准确率,具有良好的泛化能力和鲁棒性.

关 键 词：FASTER R-CNN  候选区域生成网络  快速区域卷积神经网络  火焰检测

分 类 号：TP391.41]