重点：通过场景适应技术提升视频中的火灾检测效果

《Image and Vision Computing》：FOCUS: Improving fire detection on videos by scenario adaptation

火灾检测系统需平衡高敏感性和低误报率，但现有方法难以适应多样化场景。本文提出FOCUS框架，通过场景分类（短/长距离、低/高活动）动态组合检测模块：基于YOLOv8的对象检测、GMM背景 subtraction与跟踪算法、BLIP-2视觉语言模型验证。实验表明，FOCUS在ONFIRE和FIRE-TASTIC测试集上F-score达96.68%，显著优于对比方法，尤其在HA-LR场景中通过模块化配置减少30%误报。

　　火的检测在视频监控系统中是一项至关重要的任务，尤其是在城市和工业环境中，火灾不仅对人类生命财产构成威胁，还可能对自然生态系统造成毁灭性影响。随着全球气候变暖，高温和干燥的天气条件使得火灾更加频繁和严重，因此，需要一种能够准确检测火灾并减少误报的高效方法。现有的火灾检测方法通常在检测火灾方面表现良好，但往往由于未能充分考虑不同应用场景的具体特征，导致误报率较高。这促使研究者开发一种新型的、可配置的火灾检测框架，以更好地适应各种复杂的环境条件。

本文提出了一种名为FOCUS的火灾检测方法，该方法结合了多种技术，包括基于视觉线索的火灾检测、基于运动分析的火灾候选过滤，以及利用视觉语言模型（VLM）进行上下文信息的提取与分析。FOCUS通过结合场景特征，提升了火灾检测的准确性和鲁棒性。首先，通过视觉特征识别潜在的火灾区域；其次，通过运动分析过滤掉非火灾的运动物体，从而减少误报；最后，使用VLM对火灾候选进行验证，通过上下文信息提高判断的准确性。这种方法可以根据不同的场景配置，动态选择适合的处理流程，从而在保持高灵敏度的同时，有效降低误报率。

FOCUS框架的设计目标是提高火灾检测系统的性能，同时确保其在各种实际场景中的适用性。为了实现这一目标，研究团队首先定义了四种不同的应用场景：低活动短距离（LA-SR）、低活动长距离（LA-LR）、高活动短距离（HA-SR）和高活动长距离（HA-LR）。每种场景的处理流程有所不同，以适应其独特的挑战。例如，在低活动短距离场景中，由于背景静止且火灾容易被识别，因此只需要基础的火灾检测模块；而在高活动长距离场景中，由于存在大量移动的非火灾物体，需要更复杂的过滤机制，如基于运动分析和VLM的过滤。

为了训练和评估FOCUS模型，研究团队构建了一个高质量的火灾数据集。该数据集包含了来自ONFIRE竞赛训练集、D-Fire数据集以及网络爬取的图像和视频。数据集的构建过程中，特别关注了火灾的多样性，包括不同距离、光照条件、天气状况和背景活动水平的场景。数据集的统计结果显示，它包含了丰富的正样本和负样本，从而确保了模型的泛化能力。

在训练过程中，研究团队采用了YOLOv8s模型，并对其进行了定制化训练，以提高火灾检测的准确率。YOLOv8s是一种单阶段检测器，能够在保持较低计算负载的同时，实现较高的检测精度。此外，为了进一步提高模型的泛化能力，研究团队还引入了基于GMM的背景减除算法，以及基于跟踪的运动分析，这些方法能够有效区分静态的火灾样物体和动态的非火灾物体。最后，为了应对那些即使经过运动分析仍然可能被误判的火灾样物体，研究团队引入了VLM（如BLIP-2）进行最终验证，通过上下文信息进一步减少误报。

实验结果显示，FOCUS在多个场景中均表现出色。在低活动短距离场景中，基础配置的FOCUS实现了接近完美的检测精度和召回率。在高活动长距离场景中，虽然基础配置的检测精度较低，但通过引入运动分析和VLM，标准配置和高级配置的FOCUS显著提升了检测的准确性，同时保持了较低的误报率。此外，FOCUS在不同场景中的性能差异较小，这表明其在不同环境下具有良好的适应性。

除了检测性能外，研究团队还关注了FOCUS在实际应用中的资源需求。为了确保该方法能够在边缘设备上运行，研究团队对不同配置的计算负载和内存占用进行了评估。结果显示，基础配置和标准配置可以在边缘设备上运行，而高级配置由于引入了VLM，计算负载较高，但可以通过合理调度，使得VLM的使用不会显著影响实时性能。

总的来说，FOCUS方法通过结合多种技术，为火灾检测提供了一种高效、灵活且鲁棒的解决方案。它不仅能够适应不同场景的复杂性，还能在实际部署中保持较低的计算负载，从而确保系统的实时性和可靠性。未来的研究方向包括进一步优化每个模块，以及开发能够根据场景变化动态调整配置的方法，以提高系统的自适应性和实用性。