Tato disertaŁní práce se zabývá algoritmy pro detekci ohnĄ v obrazovém toku.
P°i poşáru nebo p°i krizové události zp?sobené ho°ením je vşdy velké riziko
vzniku ˛kod na zdraví a majetku osob. Principy funkce u standardnĄ pouşívan
ých detektor? ohnĄ vykazují urŁitá omezení, kv?li kterým je moşnost jejich
pouşití v nĄkolika speci ckých prost°edích omezená. Nap°íklad v pr?myslových
areálech se mohou nacházet procesy podobné ho°ení nebo procesy, ve kterých je
ho°ení jejich p°ímou souŁástí. P°estoşe vývoj algoritm? detekce ohnĄ za pomocí
poŁítaŁového vidĄní je velmi dob°e publikován, vhodný algoritmus pro detekci
ohnĄ v obrazovém toku v reálném Łase stále chybí. Tato práce se zamĄ°ila na
vývoj nového algoritmu zaloşeného na poŁítaŁovém vidĄní, který je vhodný pro
detekci ohnĄ s vyuşitím standardních bezpeŁnostních kamer. Výsledkem je návrh
nového algoritmu schopného detekovat ohe? s vyuşitím jednoduché neuronové
sítĄ a extrakce markant? v Łase. Speciální pozornost p°i vývoji byla vĄnována
výpoŁetní nároŁnosti algoritmu a dosaşené p°esnosti detekce.
Annotation in English
This thesis deals with algorithms of re detection in a video stream. Each unmanaged
re or emergency event caused by the re has a signi cant potential
to in ict extensive damage on a property or human lives. Moreover, widely used
standard re detectors have some principle limitations, and therefore their usage
is restricted in speci c scenarios. Especially in industrial areas, processes similar
to combustion or processes containing combustion can be found. Even if the
development of the re-detection computer vision algorithms is well-published,
there are no suitable algorithms for re-detection in the video stream in realtime.
This thesis is aimed to develop a new computer vision algorithm which
is suitable for re detection by using standard surveillance camera. The main
result is a new algorithm speci cation suitable for re detection in video stream
by using simple feed-forward neural network and feature extraction. The special
attention is devoted to decrease the computational complexity and improve the
reliability of detection.
Tato disertaŁní práce se zabývá algoritmy pro detekci ohnĄ v obrazovém toku.
P°i poşáru nebo p°i krizové události zp?sobené ho°ením je vşdy velké riziko
vzniku ˛kod na zdraví a majetku osob. Principy funkce u standardnĄ pouşívan
ých detektor? ohnĄ vykazují urŁitá omezení, kv?li kterým je moşnost jejich
pouşití v nĄkolika speci ckých prost°edích omezená. Nap°íklad v pr?myslových
areálech se mohou nacházet procesy podobné ho°ení nebo procesy, ve kterých je
ho°ení jejich p°ímou souŁástí. P°estoşe vývoj algoritm? detekce ohnĄ za pomocí
poŁítaŁového vidĄní je velmi dob°e publikován, vhodný algoritmus pro detekci
ohnĄ v obrazovém toku v reálném Łase stále chybí. Tato práce se zamĄ°ila na
vývoj nového algoritmu zaloşeného na poŁítaŁovém vidĄní, který je vhodný pro
detekci ohnĄ s vyuşitím standardních bezpeŁnostních kamer. Výsledkem je návrh
nového algoritmu schopného detekovat ohe? s vyuşitím jednoduché neuronové
sítĄ a extrakce markant? v Łase. Speciální pozornost p°i vývoji byla vĄnována
výpoŁetní nároŁnosti algoritmu a dosaşené p°esnosti detekce.
Annotation in English
This thesis deals with algorithms of re detection in a video stream. Each unmanaged
re or emergency event caused by the re has a signi cant potential
to in ict extensive damage on a property or human lives. Moreover, widely used
standard re detectors have some principle limitations, and therefore their usage
is restricted in speci c scenarios. Especially in industrial areas, processes similar
to combustion or processes containing combustion can be found. Even if the
development of the re-detection computer vision algorithms is well-published,
there are no suitable algorithms for re-detection in the video stream in realtime.
This thesis is aimed to develop a new computer vision algorithm which
is suitable for re detection by using standard surveillance camera. The main
result is a new algorithm speci cation suitable for re detection in video stream
by using simple feed-forward neural network and feature extraction. The special
attention is devoted to decrease the computational complexity and improve the
reliability of detection.
