基于暗通道优先烟雾检测算法的研究

烟雾的检测在现代智能消防中有着重要的应用前景。针对当前烟雾检测算法中存在的易受疑似烟雾物体的干扰,对稀薄烟雾检测灵敏度不高的问题,提出一种基于暗通道优先规律的烟雾检测算法。首先,算法根据图像暗通道优先规律和烟雾形成的传递函数,去除图像中烟雾的成分;然后,对去烟雾前后图像进行差分并根据一定门限做二值化处理,由此得到烟雾的疑似区域;最后,根据烟雾的飘动特点,对二值化图像进行背景建模和前景检测得到烟雾区域。经过实验证明,该算法对于稀薄烟雾的检测灵敏度高。     

多特征分析的视频烟雾检测方法

提出了一种视频烟雾检测方法,利用烟雾颜色、运动方向以及纹理等特征区分烟雾,并在检测烟雾的同时找到火源位置。引入暗原色先验方法提取出与烟雾颜色相似的区域作为烟雾候选区;通过分析图像局部纹理特征估计图像块的运动方向,排除运动方向向下的非烟雾区域,从而缩小烟雾候选区;将烟雾候选区的一系列特征作为支持向量机的输入,分类为烟雾和非烟雾;根据被检测出的烟雾在视频帧中的具体位置以及对应位置出现烟雾的频数估计火源在视频帧中的位置。与相关算法的实验结果进行了比较,证明了该算法的有效性。     

基于背景分类的运动目标检测算法

针对光线暗、对比度和分辨率低的监控视频,提出了一种基于背景分类的运动目标检测算法。 首先用视频第一帧图像HSV空间的色度H和亮度V作为背景特征进行初始化,建立两种包含色度和亮度特征的背景模型类,即初始化得到的原始背景类和受光照或者其他因素影响得到的在原始背景周围波动的背景波动类,利用这两个背景模型进行前景检测和背景更新。为提高前景检测的准确率,背景模型的更正加入背景更正机制和权重机制,使得背景中样本的数量根据背景的实际情况处在一种动态的变化中,提高前景分割的效率。用不同场景下的监控视频进行算法对比实验,结果证明,该算法获得的前景完整清晰,视频处理的速度较快。提出的算法简单实用,对噪声干扰表现出良好的鲁棒性。     

基于码本模型和多特征的早期烟雾检测

提出一种基于码本模型和多特征的早期烟雾检测算法。首先,利用码本模型进行前景提取;然后,结合烟雾的颜色模型和形状特征模型检测前景中的疑似烟雾区域;最后,利用烟雾的动态特性,有效地降低误检率,提高算法的鲁棒性。通过ROC曲线对比,实验结果表明,该算法具有良好的烟雾检测能力。同时,能够满足实时性要求,具有较高的实用价值。     

基于多特征融合的烟雾检测

针对传统火灾探测技术的应用弱点,研究基于视频的火灾烟雾探测方法。首先, 根据烟雾的颜色特征,提取视频序列中的疑烟区域。然后,在疑烟区域中提取烟雾的3 个动态 特征--扩散特征、轮廓不规则特征和使背景模糊特征。最后,利用BP 神经网络对这些动态特 征进行融合判定。实验结果表明,基于多特征融合的烟雾检测方法能够准确、实时、有效地识 别视频中的烟雾。     

基于暗通道和改进YOLOv3的雾天车辆检测算法

针对雾天车辆检测过程中雾气影响严重导致检测精度不高的问题,为提升检测性能,基于暗通道去雾方法和YOLOv3模型提出一种改进的检测算法。首先,通过暗通道算法对图像进行去雾操作,提升图像的清晰度;其次,通过K-means聚类计算适合车辆检测的先验框,提升YOLOv3算法的检测精度;最后,引入注意力机制,对用以检测的特征图作...     

面向多种场景的视频对象自动分割算法

针对当前应用于视频对象分割的图割方法容易在复杂环境、镜头移动、光照不稳定等场景下鲁棒性不佳的问题,提出了结合光流和图割的视频对象分割算法.主要思路是通过分析前景对象的运动信息,得到单帧图像上前景区域的先验知识,从而改善分割结果.论文首先通过光流场采集视频中动作信息,并提取出前景对象先验区域,然后结合前景和背景先验区域建立图割模型,实现前景对象分割.最后为提高算法在不同场景下的鲁棒性,本文改进了传统的测地显著性模型,并基于视频本征的时域平滑性,提出了基于混合高斯模型的动态位置模型优化机制.在两个标准数据集上的实验结果表明,所提算法与当前其他视频对象分割算法相比,降低了分割结果的错误率,有效提高了在多种场景下的鲁棒性.     

基于天空分割的单幅图像去雾算法

针对暗通道先验算法在天空区域失效和复原图像色彩变暗的问题,提出一种基于天空分割的图像去雾算法。首先,采用基于边缘检测的分割算法将原始图像区分为天空区域和非天空区域;其次,在暗通道先验算法的基础上,改进对大气光和透射率的估计方法,进而对非天空区域采用改进的暗通道先验算法去雾;最后,利用基于成本函数的对比度增强去雾算法处理天空区域。实验结果表明,去雾后图像在方差、平均梯度、信息熵等指标上相对于暗通道先验算法均有较大提升,所提算法在保持较高运行效率的同时,能有效避免天空区域的Halo效应,还原真实的景物色彩。     

基于多特征融合的视频火焰检测方法研究

视频火焰检测对消防安全具有重要的实际意义。针对目前视频火焰检测算法检测率低、误检率高的不足,提出一种综合运动特征检测、颜色特征分析和基于层次分析法的火焰多种动态特征融合的火焰检测方法。首先利用改进的选择性背景更新模型获取视频图像中运动前景目标,然后通过火焰颜色检测识别提取出可疑的火焰目标,再分析火焰的频闪特征、尖角特征、圆形度特征、面积增长特征和整体移动特征,最后提出一种基于层次分析法的火焰多种动态特征融合的检测识别方法。通过建立的火焰视频库的实验结果表明,提出的检测方法检测准确率高,具有较好的可靠性和鲁棒性。     

基于分块背景更新的目标特征识别与跟踪

提出了基于背景分块更新的目标特征点识别、匹配和跟踪算法。该算法对视频检测区域进行分块处理,以图像帧差结果判定前景目标的状态,从而完成背景更新,可有效消除传统的基于概率模型背景更新方法的弊端。在此基础上提出了以目标位置和颜色作为特征信息的匹配、跟踪算法;并将算法成功应用于DM648硬件平台实现了4路PAL视频客流量统计。结果表明,该算法可将客流量统计准确率稳定在95%。     

基于烟雾动态特征分析的实时火灾检测

传统的离子式、光电式、吸烟式等烟雾探测器．需要非常靠近烟雾源时才能完成检测,不能应用于室外大空间、远距离等特殊场合的火灾监控系统中。提出了一种基于烟雾动态特征的图像型火灾识别算法。通过监测普通CCD摄像机拍摄的视频图像,进行运动物体的检测分割,分析图像帧中运动物体的动态特征,进而判断监控区域是否有火灾烟雾的发生。实验结果表明,该算法具有比较好的鲁棒性,能够有效地降低火灾监控系统的误报漏报率。     

基于串并行处理的多特征交通视频烟雾检测算法

提出一种串并行处理结合的烟雾检测算法,对视频序列进行混合高斯背景建模提取运动前景,圈取感兴趣区域,进而对其进行多特征并行分析。颜色特征分析时,在RGB空间下对各通道信息进行归一化处理,结合烟雾的颜色特征进行阈值判断。形状特征分析时用不规则度突变量作为度量标准,用统计分析的方法,对视频图像中的不规则度突变做监测,检测图像的不规则度的突变情况。采用小波变换法检测图像中的高频信息,结合烟雾扩散快的特点,将小波系数变化率作为检查标准。综合多特征进行加权分析,建立综合判据公式对视频图像作烟雾检测报警。      

基于双阈值运动区域分割的AdaBoost行人检测算法

结合单目摄像机静止拍摄的视频序列使用背景差法或AdaBoost算法检测行人时分别存在易受噪声干扰或检测速度慢的问题,提出一种双阈值运动区域分割的AdaBoost快速行人检测算法。首先建立背景帧,利用前景帧与背景帧的差分图像拟合噪声曲线,提取噪声与亮暗运动目标的阈值,消除噪声,分割出运动区域;然后通过AdaBoost学习算法选择少量有效的Haar-like弱矩形特征构造强分类器;最后在运动区域利用强分类器检测是否包含行人。实验结果表明,该方法迅速缩小了检测范围,加快了检测速度,降低了误检率。     

架空输电线路走廊烟火的视频检测技术研究

架空输电线路运行环境复杂,线路通道内的烟火造成的外力破坏日益增多,研究了基于视频多特征融合技术实现输电线路通道烟火预警方法,以有效消除云影、树阴、光照和背景对检测结果的影响.采用了混合高斯建模法实现运动目标检测过程中的背景建模.采用移动目标跟踪、运动目标质心运动曲线分析、运动目标轮廓变形系数分析和前景图像灰度直方图统计参数计算等得出运动目标的视频特征.设备运行和故障模拟实验表明,本方法有效实现了架空输电路线复杂背景条件下的烟火预警.     

基于视觉背景提取的自适应运动目标提取算法

在复杂场景下的视频运动目标提取是视频分析技术的首要工作。为了解决前景运动目标提取的精确度不高的问题,提出一种基于视觉背景提取(ViBE)的改进视频运动目标提取算法(ViBE⁺)。首先,在背景模型初始化阶段采用像素的菱形邻域来简化样本信息;其次,在前景运动目标提取阶段引入自适应分割阈值来适应场景的动态变化;最后,在更新阶段提出背景重建和调整更新因子方法来处理光照变化的情形。实验结果表明,对于复杂视频场景LightSwitch的运动目标提取结果在相似度指标上,改进后的算法与混合高斯模型(GMM)算法、码本模型算法以及原始ViBE算法相比,分别提高了1.3倍、1.9倍以及3.8倍。所提算法能够在有效时间内对复杂场景具有较好的自适应性,且性能明显优于对比算法。     

基于混合高斯运动检测模型与多特征的烟雾识别算法

为了有效克服复杂环境下动态、静态疑似烟雾物体的干扰,实现对烟雾的实时准确检测,提出基于混合高斯运动检测模型与多特征分析的烟雾识别算法。首先应用优化的混合高斯运动分析模型对视频图像序列进行运动区域提取,然后依据烟雾的颜色特性、形状不规则性及面积扩散特点,对提取的疑似烟雾运动区域进行分析与筛选,从而判定出其是否为烟雾。实验结果表明:该算法可实时提取视频中的烟雾区域,并有效剔除疑似烟雾区域的干扰,具有良好的烟雾识别能力。     

基于稠密光流和边缘特征的烟雾检测算法

为了克服传统火灾烟雾检测技术的缺陷,提高视频烟雾检测算法的检测率,通过观察烟雾运动的特性,提出一种基于稠密光流和边缘特征的烟雾检测算法。该算法首先利用混合高斯背景建模和帧差相结合的方法提取运动区域,然后将此运动区域池化为上、中、下三部分,并在每个池化区域提取光流矢量特征和边缘方向直方图。考虑到烟雾运动在时域中的连续相关性,提取相邻三帧的烟雾特征向量以提高算法的鲁棒性。最后使用支持向量机进行训练和烟雾检测。实验结果表明,该算法在测试视频集上准确率超过94%,与现有方法相比,能更好地适应实际应用中复杂的环境条件。