论文部分内容阅读
火灾威胁到人类、动物的生命、健康安全，消防预警是对抗火灾且最大程度减少损失的有力手段。早期烟雾检测是火灾预警重要标志，目前已涌现出许多烟雾检测方法，能够实现简单的烟雾检测和报警，但是提高烟雾检测准确率、检测速度和算法的适应能力是目前烟雾检测领域的研究重点。
在现有的烟雾检测算法中，常采用手工设计的复杂烟雾特征加传统的机器学习算法进行烟雾分类，这类方法往往只是简单的提取烟雾的时域和空域特征来综合判断，在复杂环境中算法的结果容易受到影响。而部分方法直接选择深度学习网络框架来对烟雾视频进行检测，这为烟雾检测方法打开了新的思路，但是无论检测算法是基于手工设计的特征还是深度学习，在复杂环境中融合烟雾的时空域特性，快速，准确且经济地检测烟雾都是一项挑战。
基于以上问题，本文进行了以下工作：
1.对视频烟雾检测的相关理论与算法进行了系统的了解与学习，并对现有的技术在视频烟雾检测方法的应用进行了梳理，针对其优缺点进行归纳并总结；
2.对运动目标分割进行研究，提出一种改进的疑似烟区分割方法:基于混合高斯模型建立的背景模型与原始视频帧的小波低频分量差进行前景提取，改善了烟区内部空洞的问题，得到更为完整的疑似烟区;
3.基于烟雾时空域特征，建立一种端对端的双路时空烟雾识别网络:基于Pseudo-3DResNet(P-3D)网络结构与伪3D思想，建立双通路时空网络结构，引入注意力机制(SE Net)，融合时空域特征，提高网络检测效率，实现高效的烟雾识别。
4.建立了完整的烟雾检测演示系统和自用的数据集，使用分块方法，滤除背景视频块后进行网络输入，实现了完整的烟雾检测系统，网络检测速度约为18FPS，准确率达到98.36%，尤其对过于稀薄和浓厚的烟雾检测效果提高明显，达到了实时性要求。
本文提出的基于烟雾时空域特征的检测方法对比其他算法，在检测准确率，检测速率上得到了一定的提高，并结合深度学习提出了更具鲁棒性的烟雾检测方法，具有一定的实用性。
在现有的烟雾检测算法中，常采用手工设计的复杂烟雾特征加传统的机器学习算法进行烟雾分类，这类方法往往只是简单的提取烟雾的时域和空域特征来综合判断，在复杂环境中算法的结果容易受到影响。而部分方法直接选择深度学习网络框架来对烟雾视频进行检测，这为烟雾检测方法打开了新的思路，但是无论检测算法是基于手工设计的特征还是深度学习，在复杂环境中融合烟雾的时空域特性，快速，准确且经济地检测烟雾都是一项挑战。
基于以上问题，本文进行了以下工作：
1.对视频烟雾检测的相关理论与算法进行了系统的了解与学习，并对现有的技术在视频烟雾检测方法的应用进行了梳理，针对其优缺点进行归纳并总结；
2.对运动目标分割进行研究，提出一种改进的疑似烟区分割方法:基于混合高斯模型建立的背景模型与原始视频帧的小波低频分量差进行前景提取，改善了烟区内部空洞的问题，得到更为完整的疑似烟区;
3.基于烟雾时空域特征，建立一种端对端的双路时空烟雾识别网络:基于Pseudo-3DResNet(P-3D)网络结构与伪3D思想，建立双通路时空网络结构，引入注意力机制(SE Net)，融合时空域特征，提高网络检测效率，实现高效的烟雾识别。
4.建立了完整的烟雾检测演示系统和自用的数据集，使用分块方法，滤除背景视频块后进行网络输入，实现了完整的烟雾检测系统，网络检测速度约为18FPS，准确率达到98.36%，尤其对过于稀薄和浓厚的烟雾检测效果提高明显，达到了实时性要求。
本文提出的基于烟雾时空域特征的检测方法对比其他算法，在检测准确率，检测速率上得到了一定的提高，并结合深度学习提出了更具鲁棒性的烟雾检测方法，具有一定的实用性。