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。     

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。     

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。     

基于北斗卫星的森林火灾监控终端设计

针对传统森林火灾监控方式存在的受地形限制,导致火灾发现不及时和定位难的缺陷,设计了基于北斗卫星的森林火灾监控系统,实现了火灾智能识别和预警,并且可以对火源、火场进行快速定位和信息通报;终端包括烟采集处理模块、图像采集模块、DSP处理模块、ARM主控模块和北斗卫星通信模块五部分,从烟和火焰两个方面对森林实时进行监控,分别采用离子烟雾传感器和DSP火焰识别混合算法,提取火焰图像差值和火焰图像边界参数的方法,提高了识别的准确率;试验证明,系统具有结构简单、使用方便和识别智能化的特点。     

城镇森林交界域视频烟雾检测算法

针对城镇森林交界域火灾烟雾视频检测准确率低问题,提出一种融合多项图像特征和深度学习的视频烟雾检测算法。通过Vi Be方法提取前景变化区域,根据烟雾模糊特征和角点信息排除部分纹理细节较明显的区域。在此基础上,以颜色特征为判据进一步缩小检测范围,使用累积帧差法排除运动刚体的干扰,利用深度学习模型识别目标是否为烟雾。采用级联分类器的方式设计整体算法,并使用并行计算技术进行实现。实验结果和工程案例表明,该算法能够实现城镇森林交界域火灾早期烟雾的精准识别。     

基于颜色和纹理特征的林火烟雾识别

为了实现森林火灾的智能化预警,提出了基于颜色和纹理特征的林火烟雾识别方法.首先使用颜色特征确定烟雾疑似区域,随后采用局部二值模式方差(Local Binary Pattern Variance,LBPV)提取疑似区域纹理的不规则度特征并产生LBP图像.然后利用小波变换分解LBP图像并提取模糊度、复杂度和相关度特征.最后利用支持向量机(Support Vector Machine,SVM)进行烟雾识别.结果证明,颜色结合纹理特征方法可以有效实现林火烟雾的识别,为林火烟雾识别研究提供了一种有效方案.     

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.     

早期森林火灾烟雾图像序列的分割算法

针对早期森林火灾烟雾图像序列,提出了一种基于时间-空间域联合的烟雾前景分割算法。首先,对烟雾的瞬时动态数据和累积动态数据进行分析,然后,进行二值化、形态学处理,得到了烟雾前景轮廓。通过扫描烟雾前景轮廓和填充烟雾前景掩模后即可得到烟雾前景图像。实验证明,该算法兼顾了分割效果和实时性,较好地对森林火灾烟雾进行了提取。     

基于图像分割的森林火灾早期烟检测算法研究

针对森林这样的大空间、复杂场景下的火灾检测,提出一种在单帧视频序列图像中的烟检测方法,并研究一种新的超像素合并算法,改进现有的天地线检测算法。该方法对图像进行SLIC（Simple Linear Iterative Clustering）超像素分割,并用一种新的超像素合并算法解决过分割问题;通过改进的天地线分割算法,排除天空中云对于烟检测的干扰;根据光谱特征,运用支持向量机（SVM）对超像素块进行分类。实验结果表明,超像素合并算法高效简洁,易于编程实现,基于图像分割的烟检测技术能排除云雾等噪声对烟雾检测的干扰,在森林场景下的烟雾检测正确率为77%,可以作为人工森林火灾监测的辅助手段。     

基于深度学习的烟雾与火灾检测算法综述

在各种灾害中,火灾是最经常、最普遍的威胁公众安全和社会发展的主要灾害之一。随着经济建设的迅猛发展,城市规模日趋扩大,重大火灾隐患急剧增加。然而,目前广泛使用的烟雾传感器探测火灾的方法,易受距离等因素影响,导致检测不及时。视频监控系统的引入为解决这一问题提供了新思路,基于视频的传统图像处理算法是较早提出的方法,最近机器视觉与图像处理技术快速发展,涌现出一系列使用深度学习技术来自动检测视频和图像中火灾的方法,在消防安全领域具有非常重要的实际应用价值。为了综合分析火灾检测的深度学习方法相关改进及应用,简要介绍了基于深度学习的火灾检测流程,重点从分类、检测、分割3个粒度对火灾检测的深度方法详细对比分析,阐述每类算法针对现有问题采取的相关改进。总结现阶段火灾检测存在的问题,并提出未来的研究方向。     

Early fire detection method in video for vessels

New generation vessels are equipped with fire detecting sensors; however, fire may not immediately be detected if it is far away from the sensors. The fire process therefore cannot be recorded. A video-based fire alarm system is developed to overcome the drawbacks of traditional fire detection equipment. This paper presents a video-based flame and smoke detection method for vessels. For flame detection, the dominant flame color lookup table (DFCLT) is created by using the fuzzy c-means clustering algorithm. The changed video frames are automatically selected and the changed regions deduced from these frames. An elementary, medium, or emergency flame alarm is then triggered by comparing the pixels of changed regions with the DFCLT. The changed video frames are automatically selected for smoke detection. The changed regions are deduced from these frames. If the shape of the changed region conforms to the characteristic which the top area is wider than the bottom area, a dangerous smoke alarm is sounded. The experimental results show that the proposed fire detection approach can detect dangerous flames and smoke, effectively and efficiently.     

基于改进YOLOv3的火灾检测与识别

现阶段火灾频发,需要自动进行火灾的检测与识别,虽然存在温度、烟雾传感器等火灾检测手段,但是检测实时性得不到保证.为了解决这一问题,提出了基于改进YOLOv3的火灾检测与识别的方法.首先构建一个多场景大规模火灾目标检测数据库,对火焰和烟雾区域进行类别和位置的标注,并针对YOLOv3小目标识别性能不足的问题进行了改进.结合深度网络的特征提取能力,将火灾检测与识别形式化为多分类识别和坐标回归问题,得到了不同场景下火焰和烟雾两种特征的检测识别模型.实验表明,本文提出的改进YOLOv3算法对不同拍摄角度、不同光照条件下的火焰和烟雾检测都能得到理想的效果,同时在检测速度上也满足了实时检测的需求.     

结合注意力机制的火灾检测算法

鉴于现有的火灾检测手段大多依赖于感温探测器和感烟探测器,但感温探测器和感烟探测器的探测具有一定的滞后性,无法实时准确地检测出初期火灾的问题,因此,构建了一个大规模多场景的火灾图像数据集;同时对图像数据集进行了火焰和烟雾目标标注,并提出了一种具有注意力机制的火灾检测算法,采用颜色分析的方法检测出图像中火焰和烟雾的疑似区域;再对火焰和烟雾目标的疑似区域进行关注,通过结合深度网络的特征提取能力,得到火灾目标的检测模型;实验结果表明,此方法在检测火灾任务上取得了更优的效果,相比于基于YOLOv3的火灾检测模型,mAP(mean average precision)提高了5.9%,同时满足了实时检测的需求。     

视频车辆黑烟检测算法研究进展

黑烟车辆逐渐成为城市的主要污染源之一,针对黑烟的视频车辆检测方法具有效果好、成本低、应用面广和不妨碍交通等优点,但是仍存在误检率高、新方法可解释性差的缺陷。为了总结归纳视频黑烟检测算法的研究进展,本文对2016—2019年公开发表的文献进行总结。视频黑烟检测框架按顺序可以分为监控视频预处理、疑似黑烟区域选取、黑烟特征选取、分类识别和算法性能分析几部分,而且此顺序可以根据实际情况微调。本文介绍了视频黑烟检测框架,从层次的角度分析了疑似黑烟区域提取和黑烟特征选取。疑似黑烟区域提取方法由低到高依次分为图像级提取、目标级提取、像素级提取和纯黑烟重构等4个层次,提取方法的精细度与稳定性逐步上升,而且高层次方法一般可以应用在低层次方法的结果上。黑烟特征按基于学习的非线性映射次数划分为底层特征、中层特征和高层特征等3个层次,分界点是1次和3次。随着层次的提高,特征表达力就会越强,但二者之间并不是严格的线性关系。然后从可解释性的角度重点介绍了高层特征。另外,本文从有、无深度学习的角度归纳了特征提取算法,之后从传统方法与深度方法两方面归纳了常见的分类识别方法。最后介绍了主流算法评价指标。针对视频黑烟检测算法的几个特点,对其未来发展方向进行了总结归纳。     

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。