基于深度神经网络的视频烟雾检测研究

发布时间：2017-08-07 22:09

  本文关键词：基于深度神经网络的视频烟雾检测研究

  更多相关文章： 深度神经网络 视频烟雾检测 纹理特征 卷积神经网络

【摘要】：视频烟雾检测技术是一种利用计算机视觉技术检测视频中烟雾事件的技术。由于其覆盖面积大、响应时间短、成本低等优点,逐渐取代传统传感器烟雾探测系统,并且随着计算机视觉技术的快速发展,受到研究者们的广泛关注。现有的一些视频烟雾检测技术,大多采用单一的方法,未构成一套完整的视频烟雾检测系统。较高的误报率是现有技术存在的主要缺点。在现有的烟雾检测技术框架上,搭建了一个基于深度神经网络的视频烟雾检测系统。目前,深度神经网络已成为机器学习、计算机视觉领域的一个研究热点。卷积神经网络作为深度神经网络的一个重要模型,其在图像识别方面表现突出。深度的卷积神经网络通过从大数据中自动学习到图像特征,相比于传统人工提取特征的方法,其能更好的学习到刻画图像本质的表征信息,有利于分类识别。由于烟雾区域的不规则性,分块检测是一种有效的方法。快速的视频预处理能够大量降低整个系统的时间复杂度,首先对分块的视频帧做运动检测,定位运动的区域。然后,对运动区域再做颜色分析,过滤掉大部分非烟雾的区域。烟雾纹理分析是整个系统的主要过程,也是时间复杂度最高的过程。因此,视频预处理过后,分析其纹理特征,既能精确的检测有烟区域,又有利于满足系统实时性的要求。在单帧静态纹理分析的基础上,再分析其时空域上的动态信息,提高检测精度、降低误检率。采用C++并基于Caffe实现了基于深度神经网络的视频烟雾检测系统,并且可以利用GPU加速纹理分析部分,使系统基本达到实时性要求。在烟雾检测公共视频库上分析其算法性能,与现有性能优异的算法相比,实验数据表明深度神经网络方法在精确度上有进一步提高,并且误检率大幅度降低。
【关键词】：深度神经网络 视频烟雾检测 纹理特征 卷积神经网络
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP183
【目录】：

• 摘要6-7
• Abstract7-10
• 第一章 绪论10-15
• 1.1 课题研究背景和意义10-11
• 1.2 视频烟雾检测技术简介11-13
• 1.3 视频烟雾检测算法国内外研究现状13-14
• 1.4 论文的结构安排及主要工作14-15
• 第二章 深度神经网络15-24
• 2.1 深度神经网络概述15-16
• 2.1.1 浅层学习阶段15-16
• 2.1.2 深度学习阶段16
• 2.2 基于深度神经网络的图像识别16-23
• 2.2.1 神经网络16-18
• 2.2.2 反向传播算法18-20
• 2.2.3 卷积神经网络20-21
• 2.2.4 基于深度卷积神经网络的图像识别技术21-22
• 2.2.5 深度神经网络计算框架Caffe简介22-23
• 2.3 本章小结23-24
• 第三章 视频预处理24-31
• 3.1 烟雾的运动检测24-28
• 3.1.1 改进的基于帧间差的运动检测25-26
• 3.1.2 运动历史记录图26
• 3.1.3 积分图加速计算26-28
• 3.2 烟雾的颜色检测28-30
• 3.3 本章小结30-31
• 第四章 烟雾静态纹理识别31-39
• 4.1 纹理特征简介31
• 4.2 常用纹理特征算法31-33
• 4.2.1 局部二值模式32
• 4.2.2 二元梯度轮廓32-33
• 4.2.3 简化纹理单元33
• 4.3 基于深度神经网络的纹理特征识别33-35
• 4.3.1 网络结构选择及优化方法33-34
• 4.3.2 本文基本网络结构34-35
• 4.3.3 模型训练35
• 4.4 实验结果与分析35-38
• 4.4.1 CNN参数的影响35-37
• 4.4.2 CNN与传统纹理特征识别比较37-38
• 4.5 本章小结38-39
• 第五章 烟雾动态纹理识别39-44
• 5.1 动态纹理特征简介39-41
• 5.1.1 VLBP39-40
• 5.1.2 LBP-TOP40-41
• 5.2 基于深度神经网络的动态纹理识别41-42
• 5.2.1 级联的网络结构41
• 5.2.2 光流序列的获取41-42
• 5.2.3 时空域CNN的优化42
• 5.3 实验结果与分析42-43
• 5.3.1 CNN参数的影响42-43
• 5.3.2 与传统动态纹理特征比较43
• 5.4 本章小结43-44
• 第六章 静态与动态纹理相结合的视频烟雾检测44-53
• 6.1 系统实现44-45
• 6.2 测试视频集45-46
• 6.3 实验结果与分析46-52
• 6.3.1 评价指标46-47
• 6.3.2 算法性能对比47-49
• 6.3.3 时间复杂度分析49-50
• 6.3.4 烟雾检测效果图50-52
• 6.4 本章小结52-53
• 总结与展望53-54
• 本文工作总结53
• 未来工作展望53-54
• 致谢54-55
• 参考文献55-59
• 攻读硕士学位期间发表的论文及参与的科研项目59

【相似文献】

中国期刊全文数据库 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

，

本文编号：636959