基于动态纹理和卷积神经网络的视频烟雾探测方法研究

发布时间：2021-07-08 06:57

　　火灾一旦发生,会迅速蔓延发展,吞食人类的生命和财富,破坏地球的生态环境。火灾探测是火灾预防中的关键环节,对减少灾害损失能起到重要作用。目前应用最广泛的火灾探测系统中多使用传统的感温、感烟探测器,但随着社会经济的发展,人们对火灾探测提出了更高的要求。一方面是需要火灾探测的场所增多,如商业综合体、候机楼等高大建筑,广袤的森林、草场等户外场所,另一方面需求是探测效果的提升,例如实现更早探测、可视化智能探测等。视频火灾探测技术是目前比较先进的一种火灾探测方式,特别是在目前深度学习给计算机视觉和人工智能带来重大突破的背景之下,比火焰探测更具优势的视频烟雾探测技术有望取得长足进步,逐渐走向实际工程应用。在视频烟雾探测领域,基于深度学习的视频烟雾探测方法研究刚刚起步,目前还处于传统方法与深度学习方法并存的状态,本文通过对传统的烟雾纹理特征和卷积神经网络烟雾探测技术进行深入研究,为视频烟雾探测技术走向实际应用提供理论和技术支撑。具体研究内容如下:（1）发展了一种基于不规则运动区域动态纹理烟雾探测算法。在火灾实验室标准间内设计实验,使用棉绳和正庚烷作为燃料,拍摄白色和黑色烟雾,以及行人等干扰物的高清视频... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：115 页

【学位级别】：博士

【部分图文】：

图１．２火灾强度随时间的变化与不同阶段常用的探测技术??

图１．３传统视频火灾探测算法??传统的视频火灾探测技术基于模式识别的方法，目前根据探测对象可以将??视频火灾探测分为两大类，即火焰探测和烟雾探测［３］，图１．３是根据特征对传统??视频火灾探测技术的分类情况，对火焰和烟雾探测技术的研宄，核心都是对特征??的研宄，对于视频图像中的火焰和烟雾来说，特征又可分为静态特征和动态特征??两类。??火焰的静态特征主要包括颜色、形状外观、纹理等，动态特征则包括闪烁跳??动、面积增长等，由于火焰的出现是火灾发生最明确直接的信号，早期的视频??火灾探测就从火焰探测开始。颜色方面，火焰的颜色是较为明显的特征，早期??９??

窗口选择可疑区域，提局了处理速度。韩国的Ｃｈｅｏｉ［４３］，?８６〇吨１１７１１１１１＜；丨１１１［４４＞４５］和??Ｙ〇ｎｇ－ＪｉｎＫｉｍｆ４６］也使用卷积网络进行火灾图片处理，将卷积网络作为特征提取??工具来处理疑似火灾区域。Ｙｏｎｇ－Ｊｉｎ?Ｋｉｍ［４７］之后又使用ＦａｓｔｅｒＲＣＮＮ进行了火焰??探测。Ｆｉｌ〇ｎｅｎｋｏ［４８，４９］使用Ｙｕａｎ［５Ｇ］的四个烟雾图片库为训练测试数据，对几个典??型性的卷积神经网络进行了比较研宄，包括ＡｌｅｘＮｅｔ、ＶＧＧ－１６、ＶＧＧ－１９、ＲｓｅＮｅｔ??等。智利的Ｇｏｎｚａｌｅｚ［５１］使用提出一种全卷机网络ＳＦＥｗＡＮ－ＳＤ，采用图像语义分??割的方式对火焰进行探测。Ｍａｋｓｙｍｉｖ［５２］先结合ＡｄａＢｏｏｓｔ和ＬＢＰ算法对图像进??行快速地初步判断，再用卷积网络对可疑区域进行特征提取，实现准确率的提高。??印度的Ｐｉｍｄｉｒ［５３］用深度置信网络进行了视频烟雾探测。Ｓｈａｒｍａ［５４】考虑了现实??中火灾图像与非火灾图像数量不同的问题，使用不平衡数据集训练了?ＶＧＧ网络??和ＲｅｓＮｅｔ网络，并进行火焰图像分类。Ａｋｈｌｏｕｆｉ［５５】提出一个Ｄｅｅｐ－Ｆｉｒｅ深度卷积??神经网络，实现对火焰像素的识别，即实现了对多样的语义分割。Ｍｕｈａｍｍａｄ［５６］??使用ｆｍｅｔｕｎｉｎｇ的卷积网络进行ＣＣＴＹ系统中的火焰检测。??ＮＮ－Ｐｏｏ｜５??

【参考文献】：
期刊论文
[1]基于级联卷积神经网络的视频动态烟雾检测[J]. 陈俊周,汪子杰,陈洪瀚,左林翼.  电子科技大学学报. 2016(06)
[2]复杂背景下基于深度卷积神经网络的森林火灾识别[J]. 傅天驹,郑嫦娥,田野,丘启敏,林斯俊.  计算机与现代化. 2016(03)
[3]基于堆栈降噪自动编码模型的动态纹理分类方法[J]. 汪彩霞,魏雪云,王彪.  现代电子技术. 2015(06)

硕士论文
[1]基于机器学习的火灾检测方法研究[D]. 王光耀.大连理工大学 2015



本文编号：3271093