基于烟雾分割及烟雾扩散性的早期火灾检测
发布时间：2021-09-08 10:30
传统接触式的火灾检测方式在一些狭小的封闭场景中能够取得很好的检测效果,但是在开放式的环境中难以达到有效的检测效果,而且这种检测方案对于安装的环境也有很苛刻的要求,否则难以达到检测火灾的目的。而基于视频分析的非接触式火灾检测方案,适用范围广,部署简便,能够有效地弥补接触式的检测方案的不足之处。但目前基于视频的火灾检测方案的研究还存在很多需要完善的地方,如对复杂场景的识别精度较低、受光照环境因素影响较大等。本文以中国船舶重工集团公司第七〇一研究所与重庆大学合作的舱室火灾检测项目为基点,通过分析火灾产生过程中的烟雾特性提出了一套完整的早期火灾检测方法,来解决目前检测方法存在的一些不足,为后续基于视频的火灾检测方案的发展提供一定的技术方向。首先,本文根据视频中运动的物体提出了一种基于多连通分量的像素自适应前景分离方法来提取出图像中前景区域。该方法首先对视频帧进行了去噪、增强等预处理工作,来提高图像中烟雾和背景对比度。然后利用Sobel算子进行边缘提取,根据边缘信息计算出最大的连通区域,并根据连通区域快速构建出初始背景样本。最后利用背景样本来实现对视频帧中前景区域的提取。其次,将疑似烟雾前景区域...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
Harr小波变换Fig.2.3HarrWaveletTransform
重庆大学硕士学位论文12行烟雾前景区域的提取做准备。对于烟雾区域Cmax和Cmin的差值较小，而对于非烟雾与区域Cmax和Cmin的差值较大。所以本文采取的变换方式如下式所示：=Cmin()=2(2.5)其中为像素点的灰度值。当像素点为烟雾区域时，计算得到的会比较大，而对于非烟雾区域得到的值会比较校烟雾图像的增强主要是针对于烟雾区域的颜色的增强，以区分烟雾和非烟雾却和烟雾区域有相同的颜色特征。本文先根据烟雾像素值的先验分布得到非烟雾和烟雾区域的像素点的差别，然后根据R、G、B分量的分布进行了增强或者抑制处理。采用增强算法步骤如下：①计算像素点(,)出的R、G、B通道分量②利用(,)处的最大灰度值和最小灰度值对烟雾区域进行增强或者抑制处理，如(2.6)所示。③最后为了抑制噪声并保持区域的边缘信息，对图像做了中值滤波处理。如下公式所示：=∈()(())(2.6)其中S为像素点的灰度值，()为第二步处理后的像素点的灰度值，Ω(t)为大小为t的邻域空间。如下所2.5所示，为部分烟雾图像的增强效果分析。左1为原图，左2为原灰度图，左3为灰度增强图。图2.5烟雾图像增强Fig.2.5SmokeImageEnhancement
重庆大学硕士学位论文18③背景模型的更新在实际火灾烟雾的环境中，燃烧的速率随着时间而不断改变。所以在提取前景像素的过程中，背景的更新速率也要根据场景切换的快慢来进行调整更新速率。防止因为快速的场景切换，导致大部分的背景像素被归类成前景像素。本文采用帧间像素灰度值的方差的变化FV作为判断场景切换快慢的度量,当FV大于某个阈值的时候，我们可以认为帧间像素值变化较大，场景变化较快，需要动态调整更新背景模型的速率。FV=β(δt+12δt2)≤Γ(3.10)β为度量系数，根据检测视频的场景随时变换，如果视频处在波动不大的场景之中时，可适当增大β的数值。Γ为固定参数，如果FV大于Γ，则认为视频正处在场景的快速切换之中，需要更新背景的学习率α。α的更新方式如下所示：{γ=FVδt2α=γα(3.11)γ为场景的变化率。动态高斯模型的仿真实验如下所示：图3.2动态高斯烟雾分离Fig.3.2DynamicGaussSmokeSeparation3.2.2基于ICA的烟雾前景分离ICA是从盲源分离发展而来多维信号处理技术。盲源分离可以从混合的观测
【参考文献】：
期刊论文
[1]2013～2016年全国火灾事故统计分析及对策[J]. 王阳,施式亮,李润求,刘勇,陈晓勇. 安全. 2018(11)
[2]基于形态学与颜色信息的车牌定位新方法[J]. 罗山,李玉莲. 山西电子技术. 2018(05)
[3]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)
[4]图像纹理分类方法研究进展和展望[J]. 刘丽,赵凌君,郭承玉,王亮,汤俊. 自动化学报. 2018(04)
[5]基于RGB统计颜色模型的火焰识别[J]. 陈嘉卿,张冰,宋英磊. 江苏科技大学学报(自然科学版). 2017(02)
[6]基于颜色增强变换和MSER检测的烟雾检测算法[J]. 李笋,石永生,汪渤,周志强,王海罗. 北京理工大学学报. 2016(10)
[7]一种多尺度灰度共生矩阵的纹理特征提取算法[J]. 王民,王静,王羽笙. 液晶与显示. 2016(10)
[8]一种两步高斯混合模型的运动目标检测方法[J]. 张明杰,康宝生. 计算机工程. 2015(10)
[9]一种基于模糊特征的火灾烟雾实时识别算法[J]. 曹希锋,梅真硕,张曦,于春雨. 消防科学与技术. 2014(06)
[10]基于块分割和SVM的视频火灾烟雾识别[J]. 胡燕,王慧琴,姚太伟,高彦飞. 计算机仿真. 2012(09)
硕士论文
[1]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
[2]基于多特征联合的视频火焰检测方法研究[D]. 孙孝坤.上海师范大学 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]融合图像分离和特征分析的烟雾检测算法研究[D]. 张静.太原理工大学 2017
[5]基于小波变换的图像特征提取方法研究[D]. 孙洪飞.南京邮电大学 2015
本文编号：3390628
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
Harr小波变换Fig.2.3HarrWaveletTransform
重庆大学硕士学位论文12行烟雾前景区域的提取做准备。对于烟雾区域Cmax和Cmin的差值较小，而对于非烟雾与区域Cmax和Cmin的差值较大。所以本文采取的变换方式如下式所示：=Cmin()=2(2.5)其中为像素点的灰度值。当像素点为烟雾区域时，计算得到的会比较大，而对于非烟雾区域得到的值会比较校烟雾图像的增强主要是针对于烟雾区域的颜色的增强，以区分烟雾和非烟雾却和烟雾区域有相同的颜色特征。本文先根据烟雾像素值的先验分布得到非烟雾和烟雾区域的像素点的差别，然后根据R、G、B分量的分布进行了增强或者抑制处理。采用增强算法步骤如下：①计算像素点(,)出的R、G、B通道分量②利用(,)处的最大灰度值和最小灰度值对烟雾区域进行增强或者抑制处理，如(2.6)所示。③最后为了抑制噪声并保持区域的边缘信息，对图像做了中值滤波处理。如下公式所示：=∈()(())(2.6)其中S为像素点的灰度值，()为第二步处理后的像素点的灰度值，Ω(t)为大小为t的邻域空间。如下所2.5所示，为部分烟雾图像的增强效果分析。左1为原图，左2为原灰度图，左3为灰度增强图。图2.5烟雾图像增强Fig.2.5SmokeImageEnhancement
重庆大学硕士学位论文18③背景模型的更新在实际火灾烟雾的环境中，燃烧的速率随着时间而不断改变。所以在提取前景像素的过程中，背景的更新速率也要根据场景切换的快慢来进行调整更新速率。防止因为快速的场景切换，导致大部分的背景像素被归类成前景像素。本文采用帧间像素灰度值的方差的变化FV作为判断场景切换快慢的度量,当FV大于某个阈值的时候，我们可以认为帧间像素值变化较大，场景变化较快，需要动态调整更新背景模型的速率。FV=β(δt+12δt2)≤Γ(3.10)β为度量系数，根据检测视频的场景随时变换，如果视频处在波动不大的场景之中时，可适当增大β的数值。Γ为固定参数，如果FV大于Γ，则认为视频正处在场景的快速切换之中，需要更新背景的学习率α。α的更新方式如下所示：{γ=FVδt2α=γα(3.11)γ为场景的变化率。动态高斯模型的仿真实验如下所示：图3.2动态高斯烟雾分离Fig.3.2DynamicGaussSmokeSeparation3.2.2基于ICA的烟雾前景分离ICA是从盲源分离发展而来多维信号处理技术。盲源分离可以从混合的观测
【参考文献】：
期刊论文
[1]2013～2016年全国火灾事故统计分析及对策[J]. 王阳,施式亮,李润求,刘勇,陈晓勇. 安全. 2018(11)
[2]基于形态学与颜色信息的车牌定位新方法[J]. 罗山,李玉莲. 山西电子技术. 2018(05)
[3]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)
[4]图像纹理分类方法研究进展和展望[J]. 刘丽,赵凌君,郭承玉,王亮,汤俊. 自动化学报. 2018(04)
[5]基于RGB统计颜色模型的火焰识别[J]. 陈嘉卿,张冰,宋英磊. 江苏科技大学学报(自然科学版). 2017(02)
[6]基于颜色增强变换和MSER检测的烟雾检测算法[J]. 李笋,石永生,汪渤,周志强,王海罗. 北京理工大学学报. 2016(10)
[7]一种多尺度灰度共生矩阵的纹理特征提取算法[J]. 王民,王静,王羽笙. 液晶与显示. 2016(10)
[8]一种两步高斯混合模型的运动目标检测方法[J]. 张明杰,康宝生. 计算机工程. 2015(10)
[9]一种基于模糊特征的火灾烟雾实时识别算法[J]. 曹希锋,梅真硕,张曦,于春雨. 消防科学与技术. 2014(06)
[10]基于块分割和SVM的视频火灾烟雾识别[J]. 胡燕,王慧琴,姚太伟,高彦飞. 计算机仿真. 2012(09)
硕士论文
[1]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
[2]基于多特征联合的视频火焰检测方法研究[D]. 孙孝坤.上海师范大学 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]融合图像分离和特征分析的烟雾检测算法研究[D]. 张静.太原理工大学 2017
[5]基于小波变换的图像特征提取方法研究[D]. 孙洪飞.南京邮电大学 2015
本文编号：3390628
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3390628.html
最近更新
教材专著
