基于视频的实时烟雾检测算法

为了解决实际烟雾检测中的准确率低、适应性差和速度慢三大问题并提高实时烟雾检测效率,提出基于块的实时烟雾改进算法。首先采用一种基于块的背景减除法提取运动块,再使用归一化的YIQ空间烟雾颜色模型对运动块进行色度检测。然后对由运动块组成的连通域进行时间域上的快速运动方向估计,从而获得烟雾区域,并消除运动异常块的干扰。实验结果表明,该算法简单有效,计算速度快,能适应场景光照变化,能实时检测到烟雾。     

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。     

初期升腾烟雾主运动方向快速提取算法的研究

通过烟雾运动分析发现在烟雾内部会呈现出局部小运动特征,基于此提出了一种新颖的烟雾运动方向快速提取算法。算法通过Meanshift核函数直方图构建烟雾运动特征模型,并利用Bhattachyarya系数值估计烟雾块的运动矢量方向。同时,为了抑制噪声和刚性物体的干扰,设计了时间窗对每个数据块的运动进行统计,通过估算出每个烟雾疑似区域主运动所占的比率实现对烟雾内部运动方向的识别。实验结果表明,该算法很好地提取了烟雾的运动方向特征,降低了运动估计的运算复杂度和提高搜索精度,并对干扰有很强的排除能力,为进一步的烟雾的识别算法研究提供了判据。     

基于HEVC的车辆异常事件检测

当前传统交通事故检测和查阅主要通过人工监测的方法,这种方法效率低且实时性差,本文提出一种基于最新压缩域视频编码标准HEVC（High-efficiency video coding）的车辆异常事件检测方法。首先对HEVC码流中提取出的运动矢量信息进行运动矢量累积迭代和中值滤波的预处理,之后根据提取出的块划分信息和运动矢量信息计算运动对象的运动强度,然后根据运动强度值和八连通区域法提取出运动对象,最后根据空间距离法和运动强度判别法检测出视频序列中发生的车辆异常事件。实验证明,该方法可以准确地检测出视频序列中发生的车辆异常事件;对于有着快速移动的运动目标以及多个运动目标的视频效果更好。     

基于YUV颜色空间和多特征融合的视频烟雾检测

针对基于视频的烟雾检测方法在复杂环境中存在高误报、高漏报问题,提出了一种基于YUV颜色空间和多特征融 合的视频烟雾检测算法。首先通过高斯混合模型检测运动区域,然后应用YUV颜色空间烟雾像素过滤方法确定疑似烟雾区域,进一步将疑似区域块分割后使用离散小波变换和均匀局部二值模式提取烟雾纹理特征,最后多特征融合并通过Real AdaBoost分类器进行火灾识别分类。实验结果表明,高斯混合模型能够有效检测运动区域,运动区域YUV颜色空间过滤可以滤除大量非烟雾像素区域,选取的烟雾特征及分类方法具有更高的识别精度,多个场景视频测试表明所提出的视频烟雾检测算法相比同类算法具有识别准确度更高、误报率更低,从而更符合不同的应用场景。     

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。     

基于分块和改进粒子滤波的运动目标检测方法

为了快速准确地检测到视频场景中的运动目标,提出了一种基于分块和改进的粒子滤波的运动目标检测方 法。首先,对视频图像序列分块并提取每个图像块的颜色特征;然后,用改进的粒子滤波对每个图像块进行操作,计算 出每个块对应的粒子的权重;最后,根据粒子的平均权重建立背景模型,提取运动目标。将分块和粒子滤波相结合,能 够在不降低检测精度的基础上,大幅减少算法的计算量,提高算法的执行速度。实验结果表明,该方法具有较好的鲁 棒性、杭噪性和抗光照变化能力,提取的运动目标更加完整。     

基于空间区域生长和模糊推理的视频烟雾检测

提出基于空间区域生长和模糊推理的视频烟雾检测方法。研究火灾烟雾颜色特性、扩散特征,采用三帧法与三通道区域生长分割算法分割出第1帧、第2帧图像的烟雾疑似区域,分析该疑似区域的图像光流主方向,求得2幅图像的主方向角比率,通过模糊逻辑智能分析器检测火灾是否发生。实验结果表明,该方法的检测速度较快,抗干扰能力较强。     

基于运动和空间方向一致性的视频显著性检测

根据人眼的视觉特点,提出一种基于对比运动和空间方向一致性的算法,用来检测视频序列的显著性区域。在该算法中,首先针对每一帧图像利用sobel算子计算其水平梯度、垂直梯度,然后用光流法计算运动矢量;接着构建三维张量结构,得到每个像素点与周围点的水平、垂直梯度和运动矢量一致性,并对比每个像素点与周边点的一致性;最后把对比结果转化为视频显著图。将该方法与已经存在的方法进行比较,实验结果表明,该方法可以很好地排除背景纹理区域的运动所带来的影响,能够准确地检测出各种运动场景的显著性区域。     

视频烟雾检测研究进展

目的 视频烟雾检测具有响应速度快、不易受环境因素影响、适用面广、成本低等优势,为及早预警火灾提供有力保障。近年涌现大量视频检测方法,尽管检测率有所提升,但仍受到高误报率和高漏报率的困扰。为了全面反映视频烟雾检测的研究现状和最新进展,本文重点针对2014年至2017年国内外公开发表的主要文献,进行全面的梳理和分析。方法 该工作建立在广泛文献调研的基础上,立足于视频烟雾检测的基本框架,围绕视频图像预处理、疑似烟区提取、烟雾特征描述、烟雾分类识别等处理阶段,系统地对最新文献进行分析和总结。此外,对区别于传统框架的深度学习检测方法亦进行了相关归纳。结果 重点依据烟雾运动特征和烟雾静态特征这两类,对疑似烟区提取方法进行梳理;从统计量特征、变换域特征和局部模式特征3个方面对烟雾特征描述方法进行梳理,并从颜色、形状等七个角度进行总结;从基于规则和基于学习这两个视角,梳理烟雾识别和决策方法;最后,对于基于深度学习的方法单独进行了阐述。文献通过系统地梳理,凝练出视频烟雾检测近几年取得的进展和尚存在的不足,并对视频烟雾检测发展前景进行展望。结论 针对视频烟雾检测的研究一直备受青睐,越来越多性能优秀的检测算法不断涌现。通过对现有研究进行全面梳理和系统分析,期望视频烟雾检测能取得更大的进展并更好地应用于工业领域,为火灾预警提供更有力的保障。     

基于运动累积和半透明的视频烟雾探测模型

通过分析早期火灾烟雾运动规律，提出了一种适用于普通可见光视频的运动累积和半透明的视频烟雾探测模型。由于烟雾通常从阴燃点持续冒出，因而通过累积模型度量运动像素的累积程度，能够很好地捕获这种早期火灾的时空视觉特征，同时有效地抑制噪声的干扰。根据烟雾的模糊和部分遮挡背景特性，提出了一种基于高通滤波的半透明遮挡快速模型。半透明模型能有效地表征烟雾遮挡的半透明特性。实验结果表明，累积和半透明模型相结合提高了鲁棒性、增强了抗干扰性，明显地提高了探测的准确率。     

A double mapping framework for extraction of shape-invariant features based on multi-scale partitions with AdaBoost for video smoke detection

Traditional methods for video smoke detection can easily achieve very low training errors but their generalization performances are not good due to arbitrary shapes of smoke, intra-class variations, occlusions and clutters. To overcome these problems, a double mapping framework is proposed to extract partition based features with AdaBoost. The first mapping is from an original image to block features. A feature vector is presented by concatenating histograms of edge orientation, edge magnitude and Local Binary Pattern (LBP) bit, and densities of edge magnitude, LBP bit, color intensity and saturation. Each component of the feature vector produces a feature image. To obtain shape-invariant features, a detection window is partitioned into a set of small blocks called a partition, and many multi-scale partitions are generated by changing block sizes and partition schemes. The sum of each feature image within each block of each partition is computed to generate block features. The second mapping is from the block features to statistical features. The statistical features of the block features, such as, mean, variance, skewness, kurtosis and Hu moments, are computed on all partitions to form a feature pool. AdaBoost is used to select discriminative shape-invariant features from the feature pool. Experiments show that the proposed method has better generalization performance and less insensitivity to geometry transform than traditional methods.     

连续图卷积视频烟雾检测模型

目的 视频烟雾检测在火灾预警中起到重要作用,目前基于视频的烟雾检测方法主要利用结构化模型提取烟雾区域的静态和动态特征,在时间和空间上对烟雾信息作同等或相似处理,忽略了视频数据在时间线上的连续性和特征的非结构化关系。图卷积网络（GCN）与神经常微分方程（ODE）在非欧氏结构与连续模型处理上具有突出优势,因此将二者结合提出了一种基于视频流和连续时间域的图烟雾检测模型。方法 目前主流的视频烟雾检测模型仍以离散模型为基础,以规则形式提取数据特征,利用ODE网络构建连续时间模型,捕捉视频帧间的隐藏信息,将原本固定时间跨度的视频帧作为连续时间轴上的样本点,充分利用模型的预测功能,补充帧间丢失信息并对未来帧进行一定程度的模拟预测,生成视频帧的特征并交给图卷积网络对其重新建模,最后使用全监督和弱监督两种方法对特征进行分类。结果 分别在2个视频和4个图像数据集上进行训练与测试,并与最新的主流深度方法进行了比较,在KMU （Korea Maritime University）视频数据集中,相比于性能第2的模型,平均正样本正确率（ATPR值）提高了0.6%;在2个图像数据集中,相比于性能第2的模型,正确率分别提高了0.21%和0.06%,检测率分别提升了0.54%和0.28%,在视频单帧图像集上正确率高于第2名0.88%。同时也在Bilkent数据集中进行了对比实验,以验证连续隐态模型在烟雾动态和起烟点预测上的有效性,对比实验结果表明所提连续模型能够有效预测烟雾动态并推测烟雾起烟点位置。结论 提出的连续图卷积模型,综合了结构化与非结构化模型的优势,能够获得烟雾动态信息,有效推测烟雾起烟点位置,使烟雾检测结果更加准确。     

基于运动筛选和3D卷积的视频早期烟雾检测

To solve the problem of high false alarm and high missed detection in the complex environment of early smoke detection based on video, a method based on motion extraction of suspected areas is proposed and a multi-scale 3D convolutional neural network with input of 6 frames（6M3DC） is designed for video smoke detection. Firstly, the motion regions are obtained through the background difference model after average filtering and the positions of the block in which the motion regions are located are calculated, and then the motion blocks are extracted by color judgment and mean HASH algorithm and the nonconforming blocks are updated to the background image. Finally, by combining the suspected blocks of the same region of 6 consecutive frames as the input for the 3D convolutional neural network for detection, blocks detected as smoke are marked and non-smoke blocks are updated to the background image. The experimental results show that the algorithm is adaptive to slow moving smoke and can detect smoke in complex environment.     

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。      

结合运动矢量和像素递归的全局运动估计方法

全局运动估计是计算机视觉、视频处理等领域中一项重要研究课题。结合运动矢量和像素递归提出一种新的全局运动估计方法,该方法根据块运动矢量求出运动矢量直方图,找出主要块运动方向作为初始的全局运动方向,并初始化全局运动参数。利用运动矢量间距离及类间方差求出运动矢量分割阈值,自适应地去除外点块区域。根据背景块梯度和值的大小,在每个背景块中选择一到两个特征像素点进行运动参数估计。实验结果表明,该方法具有较快的计算速度,同时也具有较高的计算精度。