针对火焰检测定位精度与检测精度不高的问题,提出了基于定位置信度和区域全卷积网络的火焰检测方法。首先使用扩大的可分离卷积提高感受野,减少模型参数量,提高检测速度;其次对预测候选框进行平移和伸缩操作,以提高候选区域的完整性;然后对非极大值抑制方法采用分类置信度作为排序标准,而导致的错误抑制问题,引入定位置信度,以提高候选框的定位精度及检测精度;最后加入新的标签,分别代表特征不明显的弱火焰与特征明显的强火焰,对弱火焰样本加强学习,使得弱火焰能与亮色背景更好区分,从而降低样本漏检率。实验结果表明,本文方法在Bilkent大学公开火焰数据集以及互联网搜集的测试数据上,检测的火焰区域更完整,火焰位置更精确,火焰检测率更高。

在非受控环境中，由于背景的动态变化或光照、阴影的影响，执行高效、实时的运动目标检测具有很大的挑战性，联合长波红外（LWIR 8～14 μm）和可见光相机构成一个多模视觉系统可以显著提高运动目标检测的鲁棒性和完整性。提出了一种先检测后融合的运动目标检测算法，首先对可见光视频采用混合高斯建模方法检测运动目标，对热红外视频设计了基于背景差分和时间差分相结合的加权算法提取运动区域，然后对可见光与热红外视频中运动目标进行特征级融合。实验结果表明：该方法利用热红外与可见光图像的直观互补特征，在满足实时性要求的同时，可实现运动目标的精确、完整、鲁棒性检测。

图像分割是图像分析的必须步骤，提出一种利用显著边界点和局部化区域型轮廓模型将显著性目标从自然图像中自动分割的新颖模型。首先通过颜色提升的Harris算子得到显著的边界点，其次提出核心显著图从显著边界点中得到目标种子点，然后目标显著边界点由这些种子点确定，最后目标显著边界点作为凸包的种子点产生初始轮廓。大型的自然图像库的实验结果令人满意。