没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
在场景复杂、干扰较多的情况下,传统的火灾烟雾识别方法的识别性能不高。针对该问题,提出了一种基于目标区域的卷积神经网络火灾烟雾识别方法,构建两层的火灾烟雾识别模型,利用目标区域定位层的运动检测算法对火灾烟雾图像进行烟雾目标区域的提取,快速去除复杂场景的大量无关干扰信息,并将提取的烟雾目标区域输入火灾烟雾识别层,通过卷积神经网络精细提取烟雾的深层特征后进行分类,完成火灾烟雾的识别。实验结果表明,所提方法在复杂环境下的数据集中,抗干扰能力较强,能够有效降低误检率,提高烟雾识别的准确率。
资源推荐
资源详情
资源评论
第
卷
第
期
激 光 与 光 电 子 学 进 展
年
月
Laser
&
O
p
toelectronics
Pro
g
ress
Au
g
ust
基于目标区域的卷积神经网络火灾烟雾识别
冯 路 佳
,
王 慧 琴
,
王 可
,
卢 英
,
王 钾
西安建筑科技大学信息与控制工程学院
陕西
西安
摘要
在场景复杂
干扰较多的情况下
传统的火灾烟雾识别方法的识别性能不 高
针对 该问 题
提出 了一 种基于
目标区域的卷积神经网络火灾烟雾识别方法
构建两层 的火 灾 烟雾 识别 模 型
利 用目 标区 域 定位 层的 运 动检 测算
法对火灾烟雾图像进行烟雾目标区域的提取
快速去除 复杂 场 景的 大量 无 关干 扰信 息
并 将提 取的 烟 雾目 标区 域
输入火灾烟雾识别层
通过卷积神经网络精细提取 烟雾 的深 层 特征 后进 行 分类
完 成火 灾烟 雾 的识 别
实 验结 果
表明
所提方法在复杂环境下的数据集中
抗干扰能力较强
能够有效降低误检率
提高烟雾识别的准确率
关键词
图像处理
火灾烟雾识别
目标区域
卷积神经网络
运动检测
抗干扰能力
中图分类号
文献标志码
doi
:
.
/
LOP.
Convolutional
Neural
Network
Fire
Smoke
Detection
Based
on
Tar
g
et
Re
g
ion
Fen
g
Lu
j
ia
Wan
g
Hui
q
in
Wan
g
Ke
Lu
Yin
g
Wan
g
Jia
School
o
f
In
f
ormation
and
Control
En
g
ineerin
g
Xi
an
Universit
y
o
f
Architecture
and
Technolo
gy
Xi
an
Shaanxi
China
Abstract
Ke
y
words
OCIS
codes
收稿日期
修回日期
录用日期
基金项目
陕西省文物局项目
陕西省教育厅重 点科学 研究 计划
智库 项目
西安 市科 技局 项 目
E-mail
引
言
火灾是自然灾害和社会灾害中发生概率最高的
灾害之一
随着城市经济的快速发展
火灾对人类的
生命财产安全造成 了 极大的威 胁
因此火灾 的 检
测尤为重要
传统的火灾烟雾探测系统主要依靠传
感器对烟雾进行检测
当空间变大之后
传感器不能
有效检测到烟雾信号
此外
由于传感器易受灰尘
气流和人为因素的 干扰
这些传感 器 的检测准 确 率
较低
随着高效 视频处理 技 术的发展
基于视频
的火灾烟雾探测已 成 为一种主 要 的火灾探 测 方法
尤其是在开放式大型空间和室外环境中效果更为显
著
视频火灾检测 主 要分为火 焰 检测和烟 雾 检测
由于火灾发生时最 先出现的 是 烟雾
它先于火 焰 产
激 光 与 光 电 子 学 进 展
生
所以烟雾的实时 监 控对火灾 探 测有着相 当 重要
的意义
目前
烟雾具有形状
色彩
纹 理
湍 流
飘 动 等
特征
基于视频的火 灾 烟雾探测 算 法通常基 于 烟雾
的一个或多个特征再通过分类器做出决定
李红娣
等
通过金字塔分解算法提取出烟雾的金字塔纹理
和边缘特征
采用支持向量机
进行训练和 识
别火灾烟雾
仝伯兵等
提出了基于概率的两层自
适 应 度 量
算 法 对 烟 雾 进 行 检 测
将
和
近邻
算 法 的 优 点 进 行 结 合
优化了局部和全局的样本分布
提高了算法的性能
等
通过浓缩视频发现了烟雾轨迹有一些特殊
的特征
如右倾线
平滑流线
低频
固定源和 垂 直
水平比等
但 是 对 于 扩 散 缓 慢 的 烟 雾 检 测 效 果 不
佳
陈俊周等
将烟雾的动态特征和静态特征相结
合
然后通过级联卷 积 神经网络 对 特征进行 学 习和
识别
周泊龙等
通过提取烟雾的颜色
运动
面积
变化率和凸形特征来进行烟雾检测
由于需要分析
适用的场景
所以算 法 的应用范 围 会受到一 定 的限
制
等
将 火 灾 烟 雾 的 特 征 按 照 动
态分数联合的方法进 行 聚 合
然 后 送 入
中 进
行训练
最终识别烟雾
这些算法 主 要通过手 动 选
择来处理一个或多 个特征
而选取这 些 特征需要 具
备一定的专业知识和经验
选取的特征只能在当前
的环境具有良好的 性能
当改变环 境 之后其特 征 可
能无效
在火灾初期
烟雾的区域较小
直接对其进
行特征提取
会将无关特征误认为是烟雾特征
降低
烟雾识别的准确 率
因此
对火灾烟 雾 的检测仍 然
具有挑战性
针对 上述问题
本文提出了 一种基于目 标区域
的卷积神经网络火灾烟雾识别方法
通过目标区域
提取将非烟雾区域 去除
减少火灾 初 期烟雾较 小 而
无关区域较大对火 灾烟雾识 别 的影响
同时使用 卷
积神经网络对烟雾目标区域进行自动提取和识别烟
雾的深层 特 征
在 制 作 的 数 据 集 上 进 行 训 练 和 测
试
其准确率有明显提高
并且降低了误检率
基本原理
卷积神经网络
在模式识别
图形分类和
自然语言等方面取得了 突破性的成 果
与传统
的人工提取浅层特征的方法相比
能够自动获
取深层次的特征
深层特征 能 够更加有 效 地表达物
体本身的特征
利用 深 层特征来 进 行识别能 够 有效
地提高识别准确率
但是当一张图片中待识别目标
的有效区域较少时
需要先对 图 片进行特 征 区域分
割
从 而 减 少 无 关 区 域 对
识 别 精 度 的 影 响
针对火灾烟雾的动 态特性
通常使用 运 动检测算 法
来进行特征区域分割
21
运动检测
运动检测的目的是将视频中的前景运动目标和
静态背景相分离
即从视频 中 分割出运 动 目标的特
征聚集区域
目标的特征提取
分类和识别 等都
是通过对视频中特 征聚集区 域 来进行处 理 的
因此
特征聚集区域的正 确 分割对后 期 的处理非 常 重要
常用的运动检测算 法包括帧 差 法
光流法和 背 景差
分法等
背景差分法的主要原理是将视频中每一帧的图
像与背景图像进行 差分运算
如果差分 运 算的结果
超过设定的值则认定为运动目标区域
具体的流程
如图
所示
图
背景差分法流程图
背景差分法是将视频中的几帧图像像素进行取
平均操作
得到背景图像
然后用背景图像依次与视
频中的每一帧图像 进行差分 操 作
通过设定 阈 值将
前景和背景分离
提取出运动区域
传统 的运动检测 算法结构简 单
能够快速地 提
取运动区域
非 常 适 合 用 来 分 割 烟 雾 的 特 征 区 域
但是由于烟雾具有 非刚性
运动方式 呈 现扩散和 移
动缓慢等特点
传统 的 运动检测 算 法对烟雾 进 行检
测时容易出现丢失轮廓和空洞现象
22
卷积神经网络
卷积神经网络是一种特殊的深度神经网络结构
可以直接从原始图像中识别出图像的特征
近年来
基于
的深度学习模型在机器学习和图像识别等
计算机视觉领域取得了很大的成功
是一个
剩余8页未读,继续阅读
资源评论
weixin_38520046
- 粉丝: 8
- 资源: 932
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功