论文部分内容阅读
随着科技的日益发展,监控视频已广泛部署于各种大空间场景中,其除了用于视频图像实时观看、录入、回放、调出及储存外,目前国内外研究者们更进一步探索它的新兴应用,例如利用监控视频实现火灾检测、行人检测等。传统的接触式火灾检测方法主要使用感温,感烟,感光等传感器来获取环境中温度、空气成分、光强等信息变化实现火灾检测,这些方法由于精度低、不稳定、技术限制等原因已无法满足大空间场景中的火灾检测。视频火灾检测(VFD,Video Fire Detection)技术相比传统接触式火灾检测技术具有更好的稳定性,能适用于仓库、车站、广场等大空间场景中,因此,受到了广泛关注。论文主要研究大空间场景中VFD的一些关键技术,在已有VFD技术基础上,将均匀局部二进制模式(ULBP,Uniform Local Binary Pattern)、离散小波变换(DWT,Discrete Wavelet Transform)、机器学习分类器及卷积神经网络(CNN,Convolutional Neural Network)理论引入VFD中并进行了深入的研究。以下为研究主要完成的工作:1.研究了常用的运动物体检测方法,提出了一种结合YUV颜色空间烟雾滤色规则和高斯混合模型(GMM,Gauss Mixture Model)运动检测的烟雾运动区域检测算法。现有的运动物体检测方法在复杂环境中不仅不能有效提取完整的烟雾运动区域,而且提取的区域包含大量的非烟雾像素物体。运动物体区域检测不能有效提取烟雾区域,轻则导致图像分类算法计算量增大,影响实时性,更严重则将导致图像分类不准确。论文提出的方法可以有效的获取运动区域,且能滤除该区域非烟雾像素。2.研究了常用的特征提取方法及机器学习特征分类器,提出了一种基于多特征融合和Real adaboost的烟雾图像识别方法。仅使用单一特征提取方法获取的特征极不稳定,极易受环境干扰,而且仅使用一种方法不能充分提取烟雾图像中的烟雾信息。此外,已有的烟雾识别方法大多都仅考虑常用的机器学习分类器进行特征分类,这些方法的分类器算法存在与输入特征不匹配导致最终烟雾图像识别算法精度不是很高。论文提出的方法融合多种特征,并选用匹配度较高的分类器算法,有效的提高了烟雾图像的识别准确率。3.研究了经典卷积神经网络模型,提出了一种基于卷积神经网络的烟雾图像识别网络模型。现有的VFD技术的图像识别方法大多采用浅层机器学习结构实现烟雾图像识别,即首先使用特征提取方法获取烟雾图像中的烟雾信息形成特征向量,然后利用机器学习分类器进行分类,达到烟雾图像识别目的。浅层机器学习的结构为人工提取图像中的特征,特征存在不充分或冗余。论文提出的网络模型,网络结构简单,能实现自动化的图像特征提取和图像分类。