基于视频图像序列的火灾烟雾检测方法研究
发布时间：2021-08-18 13:35
火灾是全世界严重的威胁和灾害,能够及时并准确地预警火灾是一个非常重要的课题。火灾检测主要有两种,分别为基于火焰或烟雾的检测,本文主要研究烟雾检测技术。传统基于传感器的烟雾检测技术具有许多局限性,促使了人们对基于视频监控的烟雾检测算法研究,并提出了众多烟雾检测算法。大部分的烟雾检测算法都取得了较好的检测性能,但仍存在以下两个主要问题:在火灾发生的中后期,算法的检测效果都很好,然而在火灾发生的初始阶段,烟雾稀薄、移动速度缓慢,算法性能差强人意;此外,大多数方法都是基于手工制作的特征或者使用原始图片直接作为神经网络的输入,导致算法的鲁棒性较差,针对不同的烟雾场景不具备普遍适用性。为解决上述两个问题,本文提出了两种基于视频图像的烟雾检测算法。1.为了提升初始火灾的检测性能,本文针对初始火灾阶段,烟雾稀薄且移动缓慢的场景,提出一种新颖的基于局部极值共生模式和能量分析的烟雾检测方法。该方法主要由预处理,特征提取和图像分类三个阶段组成。在预处理阶段,通过使用算法提取视频帧的运动前景区域,并采用颜色空间作用于运动前景区域识别烟雾像素区域。然后使用局部极值共生模式计算纹理特征和使用烟雾能量分析计算能量特...
【文章来源】：重庆邮电大学重庆市
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
部分烟雾样本
第 3 章 基于 LECoP 和能量分析的烟雾检测方法果。(a)图为 sWindow 视频的第 105 帧图像，图像中不仅包含烟雾的运动，还有人头部的运动。(b)图是利用 ViBe 算法提取的运动区域。(c)在(b)的基础上通过 HSV颜色模型提取到的烟雾区域。由图中检测效果可以得出，利用 HSV 模型的 S 和V 分量可以准确地分割出烟雾区域。
(d) T 20二值图 (e) T 30二值图 (f) T 40二值图图 3.10 帧差法实验结果图 3.10(a)是 sWasteBasket 视频的第 311 帧图像，(b)是第 312 帧图像，(c)~(f)分别为不同阈值T 提取的运动前景二值图像。该算法只需要选取当前帧的前一帧或几帧作为背景模型的参照，不用累积背景模型，减少了不必要的时间消耗，算法非常简单，需要的时间较短，同时能很好的完成各种光照条件发生变化时的目标检测。然而，由检测图可以得出，不同的阈值会产生不同的检测结果，且有比较大的差异。当 T =10时，二值图中存在较多的噪声； T =40时，能够检测到的运动区域像素点太少，大部分前景像素点因阈值设置较大而被过滤掉。此外，帧差法不能较好地检测出运动目标的轮廓，图中也存在较多的空洞。综上，本文没有选用帧差法。图 3.11 显示了利用均值背景建模实现前景提取的结果，注意这里为了方便看到实验结果而没有使用背景更新方法。
【参考文献】：
期刊论文
[1]运动目标检测的ViBe算法改进[J]. 杨丹,戴芳. 中国图象图形学报. 2018(12)
[2]基于三帧差分混合高斯背景模型运动目标检测[J]. 李晓瑜,马大中,付英杰. 吉林大学学报(信息科学版). 2018(04)
[3]基于稠密光流和边缘特征的烟雾检测算法[J]. 林成忠,张为,王鑫,刘艳艳. 计算机工程与科学. 2018(07)
[4]视频烟雾检测研究进展[J]. 史劲亭,袁非牛,夏雪. 中国图象图形学报. 2018(03)
[5]基于帧差法的多波束前视声呐运动目标检测[J]. 崔杰,胡长青,徐海东. 仪器仪表学报. 2018(02)
[6]城镇森林交界域视频烟雾检测算法[J]. 李诚,唐李洋,潘李伟. 计算机工程. 2018(01)
[7]图像缩放算法中常见插值方法比较[J]. 陈高琳. 福建电脑. 2017(09)
[8]基于图像分割的森林火灾早期烟检测算法研究[J]. 禹素萍,顾晓雯,吴贇. 计算机工程与应用. 2017(16)
[9]基于随机森林特征选择的视频烟雾检测[J]. 文泽波,康宇,曹洋,魏梦,宋卫国. 中国科学技术大学学报. 2017(08)
[10]基于多尺度top-hat变换的自适应彩色图像增强[J]. 安静,张贵仓,刘燕妮. 计算机工程与科学. 2017(07)
硕士论文
[1]基于视频烟雾运动检测的火灾探测方法研究[D]. 简文林.南昌航空大学 2018
[2]面向复杂场景的烟雾检测研究与实现[D]. 殷梦霞.北京交通大学 2018
[3]基于视频内容分析的火灾烟雾检测算法研究与实现[D]. 孙健.北京交通大学 2017
[4]基于低照度室内视频图像的烟雾检测算法研究[D]. 胡永才.西安科技大学 2017
[5]基于视频的烟雾检测算法研究[D]. 相徐斌.浙江大学 2017
[6]公路隧道视频火灾烟雾检测方法研究[D]. 雷丹.大连海事大学 2017
[7]基于深度神经网络的视频烟雾检测研究[D]. 汪子杰.西南交通大学 2016
[8]视频烟雾检测算法研究[D]. 邓林.电子科技大学 2015
本文编号：3349986
【文章来源】：重庆邮电大学重庆市
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
部分烟雾样本
第 3 章 基于 LECoP 和能量分析的烟雾检测方法果。(a)图为 sWindow 视频的第 105 帧图像，图像中不仅包含烟雾的运动，还有人头部的运动。(b)图是利用 ViBe 算法提取的运动区域。(c)在(b)的基础上通过 HSV颜色模型提取到的烟雾区域。由图中检测效果可以得出，利用 HSV 模型的 S 和V 分量可以准确地分割出烟雾区域。
(d) T 20二值图 (e) T 30二值图 (f) T 40二值图图 3.10 帧差法实验结果图 3.10(a)是 sWasteBasket 视频的第 311 帧图像，(b)是第 312 帧图像，(c)~(f)分别为不同阈值T 提取的运动前景二值图像。该算法只需要选取当前帧的前一帧或几帧作为背景模型的参照，不用累积背景模型，减少了不必要的时间消耗，算法非常简单，需要的时间较短，同时能很好的完成各种光照条件发生变化时的目标检测。然而，由检测图可以得出，不同的阈值会产生不同的检测结果，且有比较大的差异。当 T =10时，二值图中存在较多的噪声； T =40时，能够检测到的运动区域像素点太少，大部分前景像素点因阈值设置较大而被过滤掉。此外，帧差法不能较好地检测出运动目标的轮廓，图中也存在较多的空洞。综上，本文没有选用帧差法。图 3.11 显示了利用均值背景建模实现前景提取的结果，注意这里为了方便看到实验结果而没有使用背景更新方法。
【参考文献】：
期刊论文
[1]运动目标检测的ViBe算法改进[J]. 杨丹,戴芳. 中国图象图形学报. 2018(12)
[2]基于三帧差分混合高斯背景模型运动目标检测[J]. 李晓瑜,马大中,付英杰. 吉林大学学报(信息科学版). 2018(04)
[3]基于稠密光流和边缘特征的烟雾检测算法[J]. 林成忠,张为,王鑫,刘艳艳. 计算机工程与科学. 2018(07)
[4]视频烟雾检测研究进展[J]. 史劲亭,袁非牛,夏雪. 中国图象图形学报. 2018(03)
[5]基于帧差法的多波束前视声呐运动目标检测[J]. 崔杰,胡长青,徐海东. 仪器仪表学报. 2018(02)
[6]城镇森林交界域视频烟雾检测算法[J]. 李诚,唐李洋,潘李伟. 计算机工程. 2018(01)
[7]图像缩放算法中常见插值方法比较[J]. 陈高琳. 福建电脑. 2017(09)
[8]基于图像分割的森林火灾早期烟检测算法研究[J]. 禹素萍,顾晓雯,吴贇. 计算机工程与应用. 2017(16)
[9]基于随机森林特征选择的视频烟雾检测[J]. 文泽波,康宇,曹洋,魏梦,宋卫国. 中国科学技术大学学报. 2017(08)
[10]基于多尺度top-hat变换的自适应彩色图像增强[J]. 安静,张贵仓,刘燕妮. 计算机工程与科学. 2017(07)
硕士论文
[1]基于视频烟雾运动检测的火灾探测方法研究[D]. 简文林.南昌航空大学 2018
[2]面向复杂场景的烟雾检测研究与实现[D]. 殷梦霞.北京交通大学 2018
[3]基于视频内容分析的火灾烟雾检测算法研究与实现[D]. 孙健.北京交通大学 2017
[4]基于低照度室内视频图像的烟雾检测算法研究[D]. 胡永才.西安科技大学 2017
[5]基于视频的烟雾检测算法研究[D]. 相徐斌.浙江大学 2017
[6]公路隧道视频火灾烟雾检测方法研究[D]. 雷丹.大连海事大学 2017
[7]基于深度神经网络的视频烟雾检测研究[D]. 汪子杰.西南交通大学 2016
[8]视频烟雾检测算法研究[D]. 邓林.电子科技大学 2015
本文编号：3349986
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/3349986.html
