基于视频图像的火灾检测算法研究与设计

发布时间：2020-07-20 16:48

【摘要】：火灾作为最常见的灾害之一,严重威胁着人们的生命财产安全。及时检测火灾并预警,一直是火灾防治领域的重点研究课题。传统的温感、烟感、光感等火灾探测器检测范围有限,易受外界干扰,难以适应复杂特定环境的火灾探测要求。针对这类问题,以视频图像处理为基础,结合浅层机器学习与深度学习相关理论,设计了两种基于视频图像的火灾检测方法:基于浅层机器学习,设计了一种多特征融合的BP神经网络火灾检测方法。首先,使用动态检测和颜色判据分割火灾的疑似区域;然后,基于疑似区域提取火焰的颜色、形状、纹理等静态特征和面积变化率、闪烁频率等动态特征,组成特征向量;最后,将特征向量传入BP神经网络,完成火灾有无的判断。网络训练过程中,通过使用正则化因子提高网络的泛化能力。实验结果显示,基于BP神经网络的火灾检测方法对火焰图像具有较好的识别效果,能够实现火灾的检测及预警。基于深度学习,设计了一种融合滑动窗口的残差卷积神经网络火灾检测方法。使用卷积网络自动提取图像上的火焰与烟雾特征信息,利用残差块结构避免了深层网络中常出现的梯度消失问题,同时结合滑动窗口技术,实现火灾图像的识别与定位。网络训练过程中,使用迁移学习技术初始化网络参数,加速网络在小样本情况下的训练过程。实验结果显示,基于残差卷积神经网络的火灾检测方法分类识别效果显著,相比BP神经网络,残差卷积神经网络检测准确率更高,环境适用性更强。
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TU892;TP391.41
【图文】：

多层神经网络,矩阵大小

个经典的３层神经网络，在这个网络中，输入层包含３个神经征；ｃ，、＆和ｘ３；中间为隐藏层，该隐藏层有３个神经元；最经网络有两个特点，一是网络层数不小于３；二是全连接，上层和下层的神经元存在连接关系。逡逑定用以下数学符号表示相关概念：逡逑示神经网络层数，当／邋＝邋０时，表示输出层；逡逑示第／层的神经元个数；逡逑表示第／层的输入加权和矩阵，该矩阵大小为１）；逡逑表示第／层的激活值矩阵，该矩阵大小同Ｚ｜／］；逡逑表示第／－７层到第／层神经元的权重矩阵，该矩阵大小为（％，示第／－７层到第／层神经元的偏置矩阵，该矩阵大小为（％

网络结构图,特征图,结构模型,特征方法

Ａｖｅｒａｇｅ邋Ｐｏｏｌｉｎｇ，ＧＡＰ）融合深度特征方法被相关学者提出［３９１，大有取代全连接逡逑层之势。全局平均池化是指针对网络最后的特征图执行整幅平均池化，这样每幅逡逑特征图对应得到一个输出，大大减少了网络参数。逡逑３．常用模型逡逑卷积神经网络发展迅速，在过去的十几年中，研宄的重点大多集中在如何通逡逑过有效组合卷积层、池化层等基本结构来提高图像识别的准确性。经过研宄人员逡逑的不懈努力，己先后设计了很多具有里程碑意义的经典结构模型，如ＬｅＮｅｔ－５、逡逑ＡｌｅｘＮｅｔ、ＶＧＧ、Ｉｎｃｅｐｔｉｏｎ和ＲｅｓＮｅｔ等。逡逑（１）邋ＬｅＮｅｔ－５逡逑ＬｅＮｅｔ－５是由ＬｅＣｕｎ等人在丨９９８年首次提出的一种用于识别手写数字的卷逡逑积神经网络｜４Ｇ１。该网络得益其超高的准确率，一经提出便获得人们的广泛关注，逡逑后来出现的很多卷积神经网络大多以它为基础，ＬｅＮｅｔ－５堪称现代卷积神经网络逡逑鼻祖，其结构模型如图２－６所示。逡逑Ｃ３邋ｆ邋ｍａｐｓ邋１６＃１０ｋ１０逡逑

网络结构图,数值序列,归一化,硕士学位论文

逦山东大学硕士学位论文逦逡逑网络中的某些节点，降低神经元复杂的互适应关系；逡逑三是构造了一种新的层，即局部响应归一化层（Ｌｏｃａｌ邋Ｒｅｓｐｏｎｓｅ邋Ｎｏｒｍａｌｉｚａｔｉｏｎ，逡逑ＬＲＮ），具体操作是在网络中找到一个位置，然后从这个位置穿过整个通道，获逡逑得一个数值序列，再对这个数值序列进行归一化。ＬＲＮ能提高网络的泛化能力。逡逑（３）逦ＶＧＧ逡逑ＶＧＧ是Ｓｉｍｏｎｙａｎ等人在ＡｌｅｘＮｅｔ基础上进一步提出的深层卷积网络［４２】，其原逡逑理相比ＡｌｅｘＮｅｔ并没有太多改进，但却证实了“神经网络越深越好”的理念。ＶＧＧ逡逑系列一共包含６种模型，常见的有ＶＧＧ－１６，结构如图２－８所示。逡逑２２１邋ｘ邋２２１邋＊邋：！邋２２邋ｉ％邋２２１邋＊邋０４逡逑

【相似文献】