论文部分内容阅读
火灾是一种发生频率极高,破坏性极强的灾害,不仅威胁人们的生命安全,而且会造成数以亿计的经济财产损失。火灾产生早期阶段,经常伴有烟雾,烟雾的及时检测对预防火灾至关重要。因此,基于计算机视觉的烟雾检测和预警是智能监控领域的一个重要研究课题。现阶段基于视频的烟雾检测方法主要有三个步骤,运动区域检测、特征提取以及分类算法。运动区域检测方面,主要有帧差法和背景差分法。HSV(Hue,Saturation,Value)颜色特征,LBP(Local Binary Pattern)特征和 HOG(Histograms of Oriented Gradients)等特征都是烟雾检测常用的特征。烟雾分类检测阶段,常采用支持向量机(Support Vector Machine,SVM)算法、Adaboost算法和神经网络等方法。但是烟雾的颜色变化范围大,形状易受气流影响等因素会影响烟雾识别效果,导致复杂场景下的烟雾检测研究仍然面临很大的困难和挑战。传统的视觉特征不能有效表征烟雾视频内容,本文针对复杂场景下的烟雾检测提出基于深度递归神经网络的烟雾检测方法,并研究了基于多特征融合的烟雾检测方法。由于缺乏大规模烟雾视频数据库,本文构建了室内外大规模烟雾视频数据库。在不同的数据库上进行算法的验证,建立了烟雾实时检测的演示系统。本文主要工作如下:(1)构建室内外大规模烟雾视频数据库。现有的烟雾检测数据规模小,论文收集了包括各种复杂的真实场景的烟雾视频,主要包括校园、商场、森林、公路等场景下的烟雾视频,其中光照条件、天气条件、遮挡程度变化多样。(2)基于多特征融合的烟雾检测方法。该方法通过三帧差法实现运动区域检测,之后提取烟雾视频帧的HSV特征、能量、对比度、熵、相关性、LBP等特征作为烟雾的主要特征,结合支持向量机(SVM)方法进行烟雾检测。(3)基于深度递归神经网络的烟雾检测方法。该方法构建了一个基于累积时间和空间特征的多层卷积神经网络,通过多层卷积神经网络提取图像的卷积激活特征,并且将提取的特征输入到RNNs(Recurrent neural networks)单元,有效融合连续视频帧间的运动信息,显著提高了烟雾检测正确率,并且基于C++和OpenCV计算机视觉开源库实现实时烟雾检测系统,使算法很好的应用到实际场景中。本文研究的两种方法都达到了烟雾检测的目的,在公开数据集以及论文构建的数据集上的实验表明烟雾检测准确率显著提高,且基于深度递归神经网络的烟雾检测优于论文中的其他算法。