论文部分内容阅读
基于视频的烟雾检测对于判断监控场景中是否有火灾发生具有重要的意义。相较于传统的烟雾检测方法,视频烟雾检测具有响应速度快、受环境影响小和检测结果直观等优点。在火灾发生的初期阶段往往会产生大量的烟雾,本文的主要研究工作就是通过视频来检测监控的场景中是否有烟雾的产生。本文首先对常用的三种运动目标检测方法进行了详细的研究。通过实验对比各种运动目标检测算法的优缺点,然后经过对视频中烟雾表现出来的运动特性分析,确定了适合本文烟雾检测算法的基于混合高斯背景建模的运动目标检测和提取方法。下一步对检测出的运动前景区域进一步处理以确定疑似烟雾区域。首先在RGB颜色空间上对图像进行了颜色分析,设定颜色特征判据排除非烟雾颜色的运动区域。接着对经过运动目标检测和颜色特征分析后的区域进行二值化处理和形态学处理,排除图像中噪声点的干扰,从而得到视频图像序列中的疑似烟雾区域。在得到疑似烟雾区域后,分析并提取了烟雾的三种动态特征。烟雾动态特征包括烟雾图像形状不规则特性、烟雾图像面积增长特性和烟雾在主运动方向上的背景模糊特性。首先使用实际的烟雾图像对烟雾的各个动态特征进行了详细的分析,并且对烟雾的每一个动态特性的判定规则、提取方法都做了详细的介绍,最后通过具体的实验加以验证。接着设计BP神经网络对提取的烟雾动态特征进行特征融合。对用于视频烟雾检测的BP神经网的设计原则、参数选择等做了详细的说明与实验验证。对于神经网络的学习与识别流程进行了详细的分析。最后,对本文算法的有效性进行了验证。首先使用本文算法对不同场景下的多个烟雾与非烟雾视频进行了测试,并对检测结果进行了详细的分析。然后在相同监控场景下,与其他的烟雾检测算法的检测结果通过ROC曲线进行了直观的对比。实验对比结果表明本文算法能够有效的检测出视频图像序列中的烟雾,并且具有较好抗干扰性。