一种基于模糊特征的火灾烟雾实时识别算法

提出一种基于烟雾模糊特征的火灾烟雾实时判别算法,利用二维小波变换分析背景边缘能量信息来判定图像中烟雾区域。先用背景差分法提取前景图像,确定火灾疑似区域,再利用小波分析方法提取烟雾背景模糊特征,最后通过分块判别的方法实现烟雾图像的识别。实验结果证明,该算法通过提取烟雾预判别区域,大大降低了计算量,实现了实时烟雾图像识别,增强了算法的应用效果。     

基于GL-MSR的火灾监控图像去雾研究

针对建筑物中发生火灾时,内部闭路电视系统在热烟气影响下监控图像效果差的问题,提出一种融合高斯金字塔和对数查表法的多尺度 Retinex（GL-MSR）火灾监控图像去雾方法。构建基于 GL-MSR 的火灾图像增强模型,并利用高斯金字塔和对数查表法减少图像处理时间。实验结果表明：基于 GL-MSR 的图像处理时间是传统 MSR 方法的 1/26;在应急照明灯情况下烟雾图像处理效果比红外线照明情况下更佳;与传统的去雾算法相比,GL-MSR 处理后的烟雾图像更为清晰,能够有效提高火灾现场监控图像的监控效果。     

低照度室内烟雾的计算机视觉检测方法

为实现低照度室内火灾的早期预警,提出一种计算机视觉检测方法。通过摄像头获取图像,采用自适应中值滤波对图像进行去噪,采用直方图均衡化进行增强,并采用基于改进学习率的混合高斯模型提取烟雾区域,对所提取烟雾的纹理特征、运动方向特征以及面积特征进行融合,采用基于支持向量机的识别算法对烟雾与干扰物进行分类检测。实验结果表明,该算法可以有效区分烟雾与干扰物,有较高的识别率与鲁棒性。     

基于水平集的局部自适应图像分割方法

针对传统水平集图像分割模型无法准确分割灰度不均匀及多目标图像的问题,提出了1种改进的基于水平集的局部自适应图像分割模型。该模型在CV模型(Chan和Vese提出的模型)和LAW(local adaptive weighting)模型水平集演化方程的基础上,重新定义了1个局部自适应权重函数来表示像素点所在邻域的偏差信息,并约束该偏差信息与图像的局部灰度不均匀信息之间的差异为最小,以得到精确分割结果。将模型应用于多相位水平集中,实现了对多目标图像的分割。实验结果表明,该模型对灰度不均匀图像及多目标图像分割更准确,且对初始轮廓的位置更鲁棒。     

综合热扩散和全变分模型的自适应图像去噪模型

讨论了各向同性热扩散(TD)方程模型和各向异性全变分扩散(TV)方程模型对图像去噪的影响。在此基础上提出了一个改进的自适应混合模型,所提出的模型根据图像的信息能够自适应每个区域。该模型进行扩散图像的更加平坦区域,而较少的扩散在图像的边缘,得到了较好的去噪效果,同时保持边缘。比较了这三个模型对图像去噪的效果。数值实验结果表明,改进的自适应混合模型具有更好的去噪效果。     

一种基于深度信息的图像雾效模拟算法

在已知的图像场景深度信息和大气散射模型的基础上,提出了一种基于深度的图像雾效模拟算法。算法引入了最大能见度概念,通过场景深度与雾透射率之间的比例关系将深度图直接转化为透射率图,使用引导滤波对透射率进行优化,最终通过大气散射模型生成雾效模拟图像。实验表明,算法所生成的雾效场景符合空间透射原则,在不同的能见度和大气光结合的条件下可获得变化丰富的有雾效果,具有较强的真实感。     

基于图像型的火灾烟雾检测技术研究

为了提高基于图像型火灾烟雾检测的准确性和实时性,提出了一种基于支持向量机的火灾烟雾检测方法。首先对图像进行增强处理,再通过累积差分法对运动区域进行检测,再基于烟雾的扩散性,对烟雾和干扰源进行初判,然后对提取的目标区域进行特征提取,最后基于支持向量机对烟雾和干扰源进行分类检测。仿真实验结果表明,该方法具有较好的鲁棒性和较高的识别率。     

基于纹理相关性的飞机货舱视频烟雾检测方法

提出一种图像型烟雾探测方法并进行实验验证。采用主动红外CCD摄像机获取图像,利用四帧差分法提取烟雾可疑区域,通过计算图像帧序列的纹理相关性特征值来设定烟雾阈值,以判断是否有火灾发生。在模拟飞机货舱内进行真实火源和干扰火源实验,实验结果表明,烟雾和干扰项可以通过纹理相关性特征值进行区分。该方法在满足运输类飞机适航标准要求的同时,提高了烟雾检测速度,为视频烟雾探测技术在飞机货舱中应用提供研究基础。     

基于图注意力机制超分网络模型的土建场景实例分割

针对变电站土木建设现场智能识别中的建筑工地施工场景复杂、目标识别分割困难及信息不对称等问题,本文提出了一种基于图注意力机制超分网络模型的智能识别场景解析技术,利用图卷积神经网络和注意力机制网络提取图像目标特征深层次信息,通过双线性插值与反卷积相结合的像素超分辨率技术处理得到清晰的图像目标物边界,实现变电站土建场景实例分割。结果表明,图注意力机制超分网络模型有效解决了航拍图像中目标物边界信息不丰富、实例分割精度差等问题,准确分割变电站场景目标物,目标物边缘界限清晰。     

基于YOLOv5算法的目标检测与车牌识别系统

本文首先介绍了实时目标检测网络(YOLOv5Net)提取车辆图像相关特征并通过训练进行实时目标检测,接着阐述了车牌识别神经网络(LPRNet)对车牌进行实时识别,通过对实时目标检测网络提取的特征进行分析,利用与视觉任务强相关的测试样本集对目标检测模型与车牌识别模型进行测试。实验结果表明,当测试样本场景与视觉任务相关度越高,且样本中车辆目标的形变越小,得到的目标检测模型与车牌识别模型的效果越好,能够为交通车辆识别与管理等作业提供可靠、高效的车辆信息。