基于视频的烟雾检测预警系统在森林防火系统中的应用

运用数字图像处理技术,提出利用烟雾来识别森林火灾的思想,给出森林烟雾监测预警系统的设计方法。该方法对获取到的图像进行处理,处理后再提取可疑区域并对可疑区域火灾发生时烟雾的特征进行识别,主要包括烟雾的背景模糊度特征和扩散性特征,针对烟雾的这些特征设计了相应的检测算法,实现对视频中的烟雾图像的提取、检测并自动报警。分析结果表明,结合烟雾特征设计的烟雾检测预警系统具有较好的识别效果,在森林防火预警中有很强的实用性。     

林火视频烟雾检测算法综述

火灾早期时,烟雾相较于火焰特征更为明显,因此早期的烟雾检测对于预防火灾具有重大意义。针对森林、草原火灾早期的烟雾检测,烟雾探测器成本高、检测效果较差且不能提供烟雾大小、方向、位置等信息。随着计算机视觉的发展,基于视频的烟雾检测方法以低成本、覆盖面广、信息获取较全面等优势逐渐成为研究热点。但由于森林、草原背景复杂、烟雾本身易变化,因此视频烟雾检测算法仍面临着巨大的挑战。为研究深度学习的视频烟雾检测中的应用效果,分析了烟雾检测存在的难点问题及传统视频烟雾检测算法的不足,介绍了当前深度学习中各类目标检测算法在烟雾检测中的应用,对比了这些烟雾检测算法,总结了其优点和不足,重点分析了各种烟雾检测难点问题的解决方法,并提出烟雾检测的下一步研究方向。     

基于颜色直方图和小波变换的视频烟雾检测

从视频中自动识别烟雾在火灾早期预报警、尾气识别等实际应用中具有重要意义。烟雾检测的难点之一在于如何排除与烟雾颜色相近的运动对象的干扰。为了保证检测效果和实时性,提出使用静态的小波统计特征来排除汽车、行人等干扰区域。该算法首先使用背景剪除法获取运动区域,然后利用颜色直方图映射来提取符合烟雾色彩特征的疑似区,最后分别对背景和相应的视频帧做小波变换并对二者求差,根据差值图像的统计特征来去除疑似区域中的非烟雾物体。实验结果表明,该方法正确率较高,检错率较低,且基本达到实时效果。     

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。     

从传统到深度：视觉烟雾识别、检测与分割

在烟雾检测系统中,采用机器学习的视觉技术暂未广泛替代传感器的主要原因在于其误报与漏报较高。计算力度的提高、存储设备的发展,使得传统视觉技术中存在的问题逐渐得到改善或解决,但也迎来了新的挑战。为反映用于森林火灾预警的烟雾识别、检测等技术的最新研究进展,本文重点对2017—2019年国内外公开发表的相关文献进行梳理和分析。从监控角度出发,基于对此领域的长期研究与广泛文献调研,将利用烟雾的森林火灾预警任务分为烟雾识别、检测、分割这3类不同的粒度,分别介绍实现这些任务的传统方法及深度方法。依照当前研究热度,主要关注视频烟雾检测与分割这两个细粒度任务。其中烟雾区域的粗提取与二次提取方法是检测与分割的关键,因此将探索这些方法如何提取、利用烟雾的动态与静态特征。此外,由于深度学习框架主要实现端对端的任务,无法分离出关键步骤,故对基于深度学习的烟雾监控任务进行单独梳理,不关注单步细节,主要体现文献思路。最后,对实现烟雾识别、检测、分割任务具体方法中的优缺点、烟雾监控任务中常用的指标、研究常用的数据库进行总结,并对发展前景进行展望。为基于烟雾的森林火灾预警技术提供更多的发展方向。     

基于YOLOv3和光流的船舶火灾检测

为了提高船舶火灾检测的检测效率,在基于视频的方式下,提出将原始帧和光流融合的深度学习检测方法。首先,利用模拟试验和部分公开数据集建立火灾视频数据集;其次,对火灾视频进行处理,提取原始帧和对应的光流;然后,使用像素级融合的方法融合原始帧和光流,充分利用视频的静态信息和动态信息;最后,使用YOLOv3算法,并利用迁移学习方法,实现火灾检测模型的训练。实验结果表明,所用算法能够更有效地识别烟雾和火焰,显著地减少了火灾视频中的误检情况,进行抽帧检测时能够满足实时检测的要求。     

基于时空域深度神经网络的野火视频烟雾检测

针对目前的烟雾检测算法主要基于单一特征或烟雾的多个动静态特征的融合导致检测精度低的问题,提出一种使用卷积神经网络和循环神经网络组合的视频烟雾检测框架来捕获烟雾在空间域和时间域中的特征信息。利用空间流网络部分对运动区域自动提取特征后进行初步的空域的判别;在将空域判断为有烟的基础上进一步通过时间流网络和循环神经网络部分累积一组连续帧之间的运动信息以区分烟雾和非烟雾区域。与现有的使用深度卷积神经网络模型进行对比实验,实验结果表明,该方法具有较高的分类检测准确率。在多个视频场景中进行测试,验证了该算法的有效性。     

基于颜色与运动特征的变电站实时烟雾检测

变电站的环境特殊性要求站内火灾检测准确、快速,烟雾检测是早期火灾检测中的常用方法.针对变电站特殊环境,提出一种快速烟雾检测算法.首先,利用改进的ViBe算法检测变电站实时监控视频中的运动区域,再通过颜色特征确定疑似烟雾区域,然后结合烟雾面积增长特性和移动特性识别烟雾区域.实验结果表明:这种算法能够检测到不同场景中的烟雾,对远距离、稀薄烟雾也能有效检测,满足变电站火灾检测实时性、准确性要求,能够应用于变电站场景烟雾检测.     

雾天条件下基于机器视觉的森林火灾监测

基于机器视觉的森林火灾监测已成为森林火灾监测的一个重要发展方向。烟雾是森林火灾监测的重要指标。然而,诸如云雾和类似烟雾的诸多干扰物降低了火灾识别精度,为此提出了一种结合去云雾和烟雾检测的基于机器视觉的森林火灾监测方法。首先,提取视频中若干帧图像作为样本图像,采用基于Haze-Line的去雾算法对样本图像进行去雾处理。然后,利用基于Horn-Schunck光流法的烟雾检测算法进行烟雾检测,并利用最大类间方差法去除相邻2帧图像间像素质量差异对烟雾检测的影响。最后,利用扩散性分析进行火灾判断。仿真实验及对比分析结果表明,本文方法能够检测出烟雾区域随时间逐渐增加的趋势,从而有效地进行雾天条件下的森林火灾监测,具有更高的准确性和鲁棒性。     

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。