单图烟雾识别中的局部特征学习与表示方法研究
发布时间：2021-01-24 11:49
烟雾检测可为早期火警提供重要的线索。基于计算机视觉的烟雾检测技术比基于传感器的检测技术应用范围更广泛,成为了火灾检测与预警领域中一个重要的研究方向。其中单图烟雾识别是烟雾检测的基础任务之一,而烟雾特征表示方法以及识别模型是单图烟雾识别中的关键技术。若能对烟雾的内在结构进行有效表示,将提高烟雾识别与检测结果的精度与可信度,从而增加计算机视觉技术在火灾预警中的应用价值与实用性,并推动特征表示算法与识别模型学习的发展。烟雾的运动、形态、颜色、浓度等属性缺乏稳定性,极易受到燃烧物与环境的影响。烟雾的统一规律难以总结,这使得烟雾底层特征缺乏鲁棒性与表达力,最终导致烟雾识别的误报率偏高。因此需研究能有效保留烟雾内在结构的特征表示方法,同时寻找能提高识别效率的识别模型。一方面,现有研究表明,局部特征表示方法能有效地描述烟雾最稳定的纹理属性。传统局部特征表示方法有如下缺点:（1）依赖于手工设计,对领域先验知识要求高;（2）大多作用于单张图片,特征表达力有限;（3）对多尺度特征、高阶特征等扩展特征的融合方式过于简单,这会带来冗余、增加计算量、降低特征表示的效率。深度学习框架不存在以上缺陷,但缺乏可解释性...
【文章来源】：江西财经大学江西省
【文章页数】：134 页
【学位级别】：博士
【部分图文】：
烟雾训练集图片示例
图 3.7 烟雾测试集图片示例(2) 本文(所有章节)烟雾识别评价指标用于评估烟雾识别效果的主要指标是检测率(DR：Detection Rate)、误报率(FAR：False Alarm Rate)与错误率(ERR：Error Rate)，计算方法如公式(3.16)所示。tppfpnfp fnp n100%100%100%NDRNNFARNN NERRN N, , , (3.16)Np与 Nn分别代表数据集中烟雾图(正样本)与非烟雾图(负样本)数，Ntp是正样本被预测为正类的数量(真阳 TP)，Nfn是正样本被预测为负类的数量(假阴 FN)，Nfp是负样本被预测为正类的数量(假阳 FP)。基于此，DR 代表正样本被正确分类的比率，其实就是真阳性率(TPR)；FAR 代表负样本被错分为正样本的比率，本质上是假阳性率(FPR)；ERR 是被分错的所有样本的占比，是与准确率互补的指
R R(2 , 0) ... (2 , 2 )k kr m r r m R R Rk是位于第 k 个尺度层上、中心点在(x, y)处、半径为 r 的采样矩阵k (2r+1)×(2r+1)。所有采样矩阵 R1, R2,…, RK尺寸相同，因此把它们看作是一D 采样窗口 R=[R1,…,RK]，其本质是一个张量，维度为 R K (2r+1) (2r+1)。公4.2)中 mR是采样窗口 R 中的像素均值，Dk是每一尺度层上减去均值的差分，K 层差分矩阵能够组成一个 3D 差分窗口，尺寸为 Dk (2r+1) (2r+1)。通过改心坐标(x, y)，3D 局部采样窗口 R 则可在整个尺度空间中滑动。如前文所述，本章构建了尺度空间而非采用尺度金字塔来实现以上的 3D操作，此操作能避免图 4.1 (b)中的“出界”现象。公式(4.2)中 Dk (2r+1) (2r+1)，则 K 个尺度层上的 Dk可以组成类似 R 的张local=[D1,…,DK]，即局部差分矩阵 Dlocal有 K(2r+1)2个元素。将这些元素按图 示的方式拉直组成局部差分向量 d K(2r+1)(2r+1) 1。与 LBP 的计算类似，d 的鲁棒性是通过减去均值而获得的。本章选 r=1，K=3，则采样矩阵 R 3 3 到差分元素 27 个，对应的差分向量 d 27 3。
【参考文献】：
期刊论文
[1]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)
[2]高效的光照、旋转、尺度不变纹理分类算法[J]. 樊养余,王军敏,余建明. 计算机辅助设计与图形学学报. 2017(11)
[3]基于图像空间金字塔SURF-BoW的步态识别[J]. 史东承,贾令尧,梁超,王新颖. 计算机工程. 2017(09)
[4]基于多特征和SVM的兵马俑碎片分类[J]. 魏阳,周明全,耿国华,邹林波. 西北大学学报(自然科学版). 2017(04)
[5]利用视觉词袋模型和颜色直方图进行遥感影像检索[J]. 胡屹群,周绍光,岳顺,王莎. 测绘通报. 2017(01)
[6]基于多描述子分层特征学习的图像分类[J]. 郭继昌,王楠,张帆. 哈尔滨工业大学学报. 2016(11)
[7]一种基于分层特征学习的标签一致K-SVD图像分类方法[J]. 王博,郭继昌,张艳. 陕西师范大学学报(自然科学版). 2016(04)
[8]带图像处理的火灾报警系统抗干扰性研究[J]. 陈晓娟,卜乐平,杨加军. 仪器仪表学报. 2010(12)
[9]基于测地线活动区域模型的非监督式纹理分割[J]. 何源,罗予频,胡东成. 软件学报. 2007(03)
[10]火灾探测技术的现状及发展方向[J]. 郭键,王汝琳,李明. 辽宁工程技术大学学报. 2004(02)
硕士论文
[1]基于视频的大空间建筑火灾探测方法研究[D]. 贾阳.西安建筑科技大学 2013
本文编号：2997192
【文章来源】：江西财经大学江西省
【文章页数】：134 页
【学位级别】：博士
【部分图文】：
烟雾训练集图片示例
图 3.7 烟雾测试集图片示例(2) 本文(所有章节)烟雾识别评价指标用于评估烟雾识别效果的主要指标是检测率(DR：Detection Rate)、误报率(FAR：False Alarm Rate)与错误率(ERR：Error Rate)，计算方法如公式(3.16)所示。tppfpnfp fnp n100%100%100%NDRNNFARNN NERRN N, , , (3.16)Np与 Nn分别代表数据集中烟雾图(正样本)与非烟雾图(负样本)数，Ntp是正样本被预测为正类的数量(真阳 TP)，Nfn是正样本被预测为负类的数量(假阴 FN)，Nfp是负样本被预测为正类的数量(假阳 FP)。基于此，DR 代表正样本被正确分类的比率，其实就是真阳性率(TPR)；FAR 代表负样本被错分为正样本的比率，本质上是假阳性率(FPR)；ERR 是被分错的所有样本的占比，是与准确率互补的指
R R(2 , 0) ... (2 , 2 )k kr m r r m R R Rk是位于第 k 个尺度层上、中心点在(x, y)处、半径为 r 的采样矩阵k (2r+1)×(2r+1)。所有采样矩阵 R1, R2,…, RK尺寸相同，因此把它们看作是一D 采样窗口 R=[R1,…,RK]，其本质是一个张量，维度为 R K (2r+1) (2r+1)。公4.2)中 mR是采样窗口 R 中的像素均值，Dk是每一尺度层上减去均值的差分，K 层差分矩阵能够组成一个 3D 差分窗口，尺寸为 Dk (2r+1) (2r+1)。通过改心坐标(x, y)，3D 局部采样窗口 R 则可在整个尺度空间中滑动。如前文所述，本章构建了尺度空间而非采用尺度金字塔来实现以上的 3D操作，此操作能避免图 4.1 (b)中的“出界”现象。公式(4.2)中 Dk (2r+1) (2r+1)，则 K 个尺度层上的 Dk可以组成类似 R 的张local=[D1,…,DK]，即局部差分矩阵 Dlocal有 K(2r+1)2个元素。将这些元素按图 示的方式拉直组成局部差分向量 d K(2r+1)(2r+1) 1。与 LBP 的计算类似，d 的鲁棒性是通过减去均值而获得的。本章选 r=1，K=3，则采样矩阵 R 3 3 到差分元素 27 个，对应的差分向量 d 27 3。
【参考文献】：
期刊论文
[1]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)
[2]高效的光照、旋转、尺度不变纹理分类算法[J]. 樊养余,王军敏,余建明. 计算机辅助设计与图形学学报. 2017(11)
[3]基于图像空间金字塔SURF-BoW的步态识别[J]. 史东承,贾令尧,梁超,王新颖. 计算机工程. 2017(09)
[4]基于多特征和SVM的兵马俑碎片分类[J]. 魏阳,周明全,耿国华,邹林波. 西北大学学报(自然科学版). 2017(04)
[5]利用视觉词袋模型和颜色直方图进行遥感影像检索[J]. 胡屹群,周绍光,岳顺,王莎. 测绘通报. 2017(01)
[6]基于多描述子分层特征学习的图像分类[J]. 郭继昌,王楠,张帆. 哈尔滨工业大学学报. 2016(11)
[7]一种基于分层特征学习的标签一致K-SVD图像分类方法[J]. 王博,郭继昌,张艳. 陕西师范大学学报(自然科学版). 2016(04)
[8]带图像处理的火灾报警系统抗干扰性研究[J]. 陈晓娟,卜乐平,杨加军. 仪器仪表学报. 2010(12)
[9]基于测地线活动区域模型的非监督式纹理分割[J]. 何源,罗予频,胡东成. 软件学报. 2007(03)
[10]火灾探测技术的现状及发展方向[J]. 郭键,王汝琳,李明. 辽宁工程技术大学学报. 2004(02)
硕士论文
[1]基于视频的大空间建筑火灾探测方法研究[D]. 贾阳.西安建筑科技大学 2013
本文编号：2997192
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2997192.html
