可变视场下的火灾探测算法

针对火灾发生初期由火焰面积小、特征不够明显且易受干扰等因素所导致的火焰识别困难的问题,提出一种可变视场下小面积火焰快速探测方法.该方法利用旋转云台实现小面积火焰疑似区域的大监控范围跟踪和视野中央聚焦;通过镜头变焦处理对小面积火焰进行自动放大,提高火焰区域“多分辨”视觉识别特征的显著性;采用自适应区域增长算法对火焰图像进行识别,有效完成火焰疑似区域分割;通过建立的信任度概率模型,将疑似概率作为火焰判定的量化参数,用于火焰区域的最终确定,从而在识别算法和图像获取硬件设备两方面改善火焰探测系统的工作效率.实验结果表明,火焰成像质量得到明显改善,火焰特征识别速度得以明显加快,小火焰检测精度显著提升,可广泛应用于火灾早期以及远距离火焰检测与预警.     

基于颜色和纹理特征的森林火灾图像识别

为了降低火焰状干扰源存在时森林火灾的误报率,提高火灾预警的快速性,根据火焰独特的颜色和纹理特征,提出了以分块的LBP直方图特征结合LPQ直方图特征的火焰识别算法。首先利用YCbCr颜色空间的规则进行颜色检测,得到疑似火焰区域;再使用LBP、LPQ分别从空域、频域提取纹理,图像空域和频域的纹理特征结合后,得到特征向量;最后将特征向量输入SVM分类器进行测试和火焰识别。实验结果表明:此融合算法鲁棒性强、检测率高,存在火焰状干扰源时,测试集的火焰识别准确率可达94.55%;与深度学习算法对比,该算法在保证较高正确率的同时,预测耗时大幅度减少,预测耗时是DBN的1/4、是CNN的1/50,提高了火灾预警的快速性,为快速准确的林火预警提供了算法依据。     

基于概率特征的步态识别研究

针对一些步态识别算法的局限性,提出了一种基于概率特征的步态识别算法.该算法利用目标轮廓在某位置出现的概率作为特征,来表征行人的行走习惯和姿态.概率特征分为运动概率特征和静态概率特征,分别表征行人的手臂、腿部等的运动特征以及躯干、体型等的静态特征.以概率为特征可以减小噪声对识别的影响,甚至可以弱化行人在行走过程中,因偶尔的较大手臂摆幅或者较大步伐等异常动作给识别带来的消极影响.该算法在CASIA Gait Database B和SOTON数据库上分别进行了实验并与其他算法做了对比,实验结果表明,算法对室外和室内样本都有很好的识别效果.     

一种新型的图像型火灾识别算法的研究

图像型火灾探测技术是一种新型的探测技术,可以有效地克服传统火灾探测技术的缺陷.针对背景复杂的火灾图像,首先利用差分技术、RGB颜色分割技术和形态特征分割技术建立3层复合分割模型,排除大部分干扰,得到火焰疑似区域;然后分析火焰疑似区域的相似性测度、面积变化值、致密度、偏心率和质心点偏移距离等特征,这些特征可以较全面地表征火灾信息;最后利用RBF神经网络建立火灾识别模型,将提取出的火焰特征作为输入量,对火灾图像进行分类识别.仿真结果表明,该算法对不同场景的火灾识别具有较高的准确率.     

复杂背景下序贯显著性特征海面目标检测算法

根据人眼视觉显著性注意机制,提出基于序贯显著性特征的目标识别算法,把复杂背景下的目标识别问题转化为多特征的融合识别,将目标识别过程分成感兴趣区域检测和感兴趣目标检测两个子过程,并建立序贯显著性特征目标识别算法模型,序贯提取复杂图像区域的显著性特征,逐步缩小感兴趣区域范围,然后以基于D-S证据理论的多特征数据融合方法,通过多特征综合置信度的估计与分析,完成可靠的目标识别．试验研究表明,针对复杂背景下海面舰船目标,在相同的虚警概率下,该算法的检测概率比单一的不变矩算法和基于纹理特征算法平均要高20％．     

基于HHT和改进PNN的CSI人体动作识别研究

为了有效判别真实摔倒动作与疑似摔倒动作、提高动作识别准确度,提出基于希尔伯特黄变换(Hilbert-Huang transform, HHT)和改进概率神经网络(probabilistic neural networks, PNN)的信道状态信息(channel state information, CSI)人体动作识别算法。对CSI的幅度与相位融合信号进行数据预处理,利用HHT来提取区分人体动作信息的瞬时幅值和瞬时频率作为分类特征构建特征矩阵,在遗传算法(genetic algorithm, GA)优化的PNN神经网络中训练出能有效检测真实摔倒和疑似摔倒动作的GA-PNN人体动作识别模型;利用训练好的识别模型对输入的CSI数据进行摔倒动作的判别。仿真实验表明,提出的算法能有效地检测真实摔倒和疑似摔倒动作,其识别准确度可达到97.18%,且误报率较低。     

基于计算机视觉的火灾识别方法研究

本文对基于计算机视觉的火灾检测识别方法进行研究。首先采用运动检测与火焰颜色模型想结合的方法对视频疑似火灾区域进行分割,然后提取出火焰矩形度、火焰面积增长特征、火焰波动频率三个特征,将此三个特征作为火灾识别的特征向量,最后训练BP神经网络分类器,对火灾进行识别。     

基于视频的全天候多特征融合火焰检测算法

针对传统可视化火灾探测技术采用单独分析可见光摄像设备或红外摄像设备采集的图像进行火灾探测, 不能全天候监控火焰的问题, 提出一种全天候多特征融合的检测算法. 首先通过视频类型判断算法确定摄像头采集的每帧图像类型, 然后利用与图像类型相对应的算法提取疑似火焰区域, 最后对疑似区域进行基于DCT的火焰频率检测和帧间相关性检测, 判断火焰是否存在. 实验表明, 该检测算法解决了传统可视化探测技术不能全天候监控火焰的问题, 且能在保持火焰高检测率的同时降低误检率.     

基于视频数据的公路隧道火灾预警算法

通过对隧道视频数据的分析,提出了一种适合于隧道环境下的火灾预警算法.该算法采用阈值和背景自适应更新策略,解决了隧道环境下光线条件变化对火焰识别系统的影响,利用二维投影技术实现了火灾疑似区域的快速提取,并结合火灾的亮度变化率来提取火灾火焰的闪动特性.最后给出了火灾疑似概率模型,以此来反映视频图像中出现火焰的几率.实验结果表明,该算法对影响隧道的车辆运动形成的干扰、路灯和光线条件变化有很好的适应性,其识别速度达到3～5s,识别率可以达到97%以上,具有较强的实用价值.     

一种多尺度目标的序贯识别新方法

提出了一种基于分级特征模型的多尺度目标序贯识别新方法；研究了不变矩特征的尺度变化规律；建立了多尺度目标不变矩的分级特征模型，进而完成多尺度目标的序贯识别．多尺度舰船目标的模拟实验表明，这种基于不变矩分级特征模型的序贯识别算法，能有效地完成多尺度目标的识别，从而证实了分级特征模型符合多尺度目标特征的变化规律，有利于表达多尺度目标的特征，提高目标的检测、识别概率，减少计算复杂性．     

视频图像火焰区域分割算法

主要研究室外具有复杂背景环境中的视频图像火焰区域分割算法．在充分研究视频图像火焰运动特性并考虑实际应用环境的基础上,提出了一种基于多均匀分布背景模型的运动检测算法,以此来实现视频图像中火焰区域的分割．该方法能够克服复杂背景环境带来的干扰,达到很好的火焰区域分割效果,且具有良好的实时性．该方法不仅适用于火焰区域分割,对智能视频监控系统中其他功能的运动检测也有很好的借鉴意义．     

自适应Retinex与Canny的炉膛火焰边缘检测算法

对炉膛火焰图像的增强与检测是获得炉膛内部燃烧情况的重要手段.首先,提出了一种自适应多尺度Retinex算法,提高了火焰清晰度和炉膛火焰与炉膛的对比度.其次,提出了识别火焰边缘改进的Canny算法,提高了火焰边缘清晰度.仿真结果表明,炉膛火焰与环境对比度得到提高,改善了图像的视觉效果,火焰边界连续且轮廓清晰.     

电动汽车充电站火灾多目标实时检测与预警方法

电动汽车在充电过程中易发生火灾事故,为了提高电动汽车充电站火灾检测实时性,提出一种基于YOLOv4-Tiny-CBAM的电动汽车充电站火焰烟雾多目标实时检测与预警算法：选用YOLOv4-Tiny轻量级网络模型实现在低算力平台流畅运行;引入Kmeans-GA算法重新计算锚框值;引入卷积注意力机制模块（CBAM）以加强网络对火焰烟雾特征提取能力以提升检测精度;将电动汽车充电站监控视频作为模型检测输入源,实现就地端实时检测。实验结果表明：该改进算法模型参数量为6.143M,视频检测FPS值为43,mAP值为86.76%,具有较好的目标连续跟踪能力,满足实时检测的需求,对无人化电动汽车充电站安全运行以及火灾应急处置具有重要意义。     

一种改进yolox_s的火焰烟雾检测算法

针对目前在火灾预警方面还存在火焰烟雾检测效果差、误报率高等问题,在YOLOX框架下提出改进YOLOX＿S目标检测算法。首先在数据集建立方面,采用的数据集包括Bilkent University公开的数据集和部分自建数据集,共计9 621张图片。并且通过对数据集采用Mosaic数据增强的方式,增加数据的多样性。其次对backbone部分采用swin-T骨干网络来代替原来的CSPDarkNet骨干网络,能够更好的捕捉不同尺度下的特征,有效地提升了目标检测的精度。然后对网络模型引入加权双向特征金字塔网络(bidirectional feature pyramid network, BiFPN)特征融合网络,提高检测的效率和网络模型的适应性,在复杂背景下同样可以保持较高的检测精度。最后引入CA注意力机制来加强此算法的特征提取能力。经过对比实验表明,改进后的YOLOX＿S的火焰烟雾检测算法具有较高准确性,其mAP@0.5(预测框与真实框重合程度的阈值为0.5时的平均检测精度)达到81.5%,相比原网络提高了5.3%。改进后的YOLOX＿S网络模型在火焰烟雾检测方面具有更高准确性和更低的误报率。     

认知无线电空闲频谱的联合检测算法

为了提高认知无线电中感知用户对主用户(弱信号)的检测性能,提出了一种多个感知用户合作的分布式优化联合检测算法.该算法在知道主用户信号和噪声的概率分布的条件下,通过最优化理论中的逐步二次规划法,联合求解检测系统的最优融合准则和各感知用户的最优判决门限,使系统联合检测概率取极大值.该算法不受接收机检测方式的限制,数值求解收敛速度快.仿真结果表明,感知用户为5个、融合中心虚警概率为0.1、相关符号累积为255次、不同融合准则下各感知用户信噪比相同时,与最好的固定融合准则检测算法相比,该算法使联合检测概率在高斯白噪声信道和平坦瑞利衰落信道中分别提高了13%和5%.     

起伏背景噪声下地震波传感器阵列目标检测算法研究

针对起伏背景噪声下传统地震波传感器阵列检测算法虚警概率高、检测概率低的问题,提出一种基于信号相关性的阵列目标检测算法.利用传感器阵列在一个检测周期内接收到的数据建立信号检测矩阵,由检测矩阵列向量之间的相关性标记信号中目标成分的大小,进而引入相关性参数并构建检测统计量,利用信号相关消除时变的环境噪声干扰,有效克服起伏噪声对目标检测结果的影响.推导算法虚警概率与检测门限之间的定量关系,得到一定虚警率下的检测概率.基于计算机仿真和舰船目标实测试验对比本文提出算法与现有方法,结果表明本文算法可以在起伏背景噪声下有效检测出目标,且检测性能优于现有检测算法.     

基于Adaboost方法的车载嵌入式疲劳驾驶预警系统

提出一种基于Adaboost的实时算法, 并应用于车载嵌入式系统。用红外光源和红外摄像头获取驾驶员的视频图像, 对其疲劳状态进行监控。首先通过人脸检测定位驾驶员的人脸, 然后提取人眼区域并对人眼闭合状态进行判断, 基于PERCLOS标准制定了相应的预警机制, 对潜在的疲劳驾驶进行判断并预警。该算法从PC移植到嵌入式平台并根据实验进行了优化, 先后制作了多个车载嵌入式装置进行实车测试, 达到了大于92%的准确率和少于1.5 s的判断响应时间。实验装置稳定可靠, 可实际应用于营运车辆。