基于颜色增强变换和MSER检测的烟雾检测算法

在远距离烟雾视频监控中,当烟雾区域小或运动缓慢时,烟雾检测变得非常困难,为了解决这一问题,提出了一种基于烟雾增强颜色变换和MSER（maximally stable extremal regions）检测的烟雾检测算法.首先提出了一种新型烟雾增强颜色变换,可使变换后图像中烟雾区域更加突出,便于后续的分割;其次在变换图像上检测MSER区域,分割出烟雾区域,避免了基于颜色信息或运动信息等传统方法难以准确分割烟雾的缺点;最后针对烟雾的特点,提出了烟雾的静态和动态判据,并以通过静态和动态判据的次数判定是否为烟雾,并进行报警.实验结果表明,该算法可在远距离烟雾视频监控中准确地检测出烟雾区域,具有较高的可靠性.      

基于FDS的运输类飞机货舱烟雾探测试验方法研究

运输类飞机货舱烟雾探测试验采用烟雾发生器产生模拟烟雾的方式来进行,为科学合理地验证货舱烟雾探测系统的有效性,开展货舱烟雾探测试验方法研究。首先采用火灾动态仿真（fire dynamics simulator,FDS）对美国联邦航空管理局（Federal Aviation Administration,FAA）开展的货舱火灾试验进行火灾烟雾数值模型验证;然后,以某型运输机货舱为模型进行建模,采用经验证的烟雾数值模型进行不同发烟位置、货舱通风/不通风、不同货舱环境压力等条件下货舱烟雾扩散规律研究和烟雾探测器对烟雾的响应研究。结果表明：当火源位于8位置时,烟雾探测系统响应时间最长,该处为最严苛火源位置;舱内烟雾扩散情况受货舱通风条件影响很大,通风条件下烟雾探测系统报警时间比无通风条件下长;货舱环境压力越低,货舱顶部的烟雾扩散范围越大,有利于烟雾扩散,烟雾探测器告警越短。最后,根据实际货舱烟雾探测试验条件,从烟雾量大小、试验工况、发烟设备、发烟位置点选择等方面设计该型飞机货舱烟雾探测试验方法。     

基于视频的烟雾检测

一种基于视频的烟雾检测方法,检测烟雾像素的算法由两部分组成:基于烟雾颜色的静态特征和烟雾扩散性的动态特征.先建立一个混合高斯模型来检测烟雾颜色像素,然后再用烟雾的动态特征来检测上面哪些像素才是真正的烟雾像素.实验结果显示了这种改进的方法能在火焰燃烧起来前报警,并且火警错报率降低.因此,这对于军事、社会安全、商业等都具有重要的意义.     

基于多维动态纹理分析的烟雾检测算法

为了提高动态纹理特征分析的可靠性且降低计算量,提出了一种基于多维动态纹理分析的烟雾检测算法。该算法在预处理阶段利用ICA烟雾前景初步分离烟雾模型得到初步烟雾前景,然后通过GBVS提取多通道、多尺度的底层特征得到烟雾前景显著区域,以提高前景目标检测阶段对烟雾前景的分割精确度;在烟雾特征提取阶段,提出基于多维特征分析的烟雾特征提取检测方法(h-LDS/RGBH),该方法首先经过烟雾颜色和背景差分预处理得到烟雾候选区域,然后在四维图像块中引入RGB和HOG特征,最后基于对多维图像数据的高阶分解,分析烟雾视频的动态特征。多维动态纹理分析(h-LDS/RGBH)改善了烟雾特征提取阶段所提取的烟雾特征稳定性不高且对烟雾的判断准则过于简单的缺点,提高了动态纹理特征分析的可靠性。实验表明,其检测率高于LDS和h-LDS/RGB的识别率。实验表明,该算法的检测率高于LDS和h-LDS/GRB.     

基于卷积神经网络的烟雾检测

针对已提出的很多烟雾检测方法中都是基于手工制作的特征或者使用原始图片直接作为神经网络的输入,减少了深度学习的鲁棒性。为解决这些问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的烟雾检测方法。使用图片归一化方式消除光照的影响,利用烟雾颜色检测烟雾候选区域,CNN自动提取烟雾候选区域的特征,进行烟雾识别,根据分类结果得到报警信号。针对烟雾产生初期烟雾区域相对较小的问题,利用扩大候选区域的策略提高烟雾检测的及时性。由于训练数据少或不平衡引起的过度拟合,使用数据增强技术从原始数据集生成更多训练样本解决该问题。实验结果表明,该方法能有效地检测烟雾,且具有更高的准确率和更好的鲁棒性。     

融合ICA和GBVS的烟雾分割检测算法

在烟雾前景分离中,针对传统高斯混合模型分离的前景仍存在大量噪声点的问题,本文将独立分量分析(ICA)应用于分离烟雾前景,对传统烟雾前景分离算法进行改进,算法通过ICA消除烟雾前景和背景间的二阶和高阶相关,降低非烟雾成分的干扰,并通过基于图的视觉显著性(GBVS)来缩减预判的烟雾前景区域,得到较为纯净的烟雾区域。实验结果表明,与基于混合高斯模型的烟雾检测算法相比,该算法提取的烟雾区域小而集中,主观视觉评价以及客观指标均显示本文算法的识别效果更优。     

GPU上具有复杂光照烟雾动画的绘制

采用Navier Stokes方程作为烟雾的物理模型方程, 基于图形处理器(GPU)实现了具有复杂光照效果和简单光照效果的烟雾动画实时绘制. 通过体素遍历整数算法加速烟雾的渲染并实现了烟雾的复杂光照. 实验结果对比表明, 复杂光照比简单光照模拟出的烟雾真实感更强. GPU远高于CPU对物理方程的求解速度, 使烟雾模拟实时性更强.     

火灾烟雾颗粒的光学散射特性研究

从理论和实验两个方面研究了几种常见的燃烧烟雾在不同波长激光下的散射特性。从Mie散射理论出发，比较几种Mie散射算法的优缺点，采用一种改进的连分式算法对火灾烟雾颗粒的散射光强分布进行计算，得出不同粒径大小和波长下光强分布图。结合理论计算，设计一套实验装置，测量并计算在不同角度下3种烟雾颗粒和面粉气溶胶散射光的相对光强比，实验测量值与理论计算值吻合较好。研究结果表明不同种类烟雾散射光相对光强比互不相同，火灾烟雾与非烟雾气溶胶差距较大，从而表明散射光相对光强比是区分不同烟雾特定的物性参数，为火灾烟雾探测技术发     

基于合成图像的Faster R-CNN森林火灾烟雾检测

本文采用合成图像的Faster R-CNN对森林火灾烟雾进行检测,避免了传统视频烟雾检测方法中复杂的人工特征提取过程.合成烟雾图像是将真实或模拟烟雾插入到森林背景中,解决了训练数据缺乏的问题.将真实合成烟雾和模拟合成烟雾分别训练后的模型放在由真实火焰烟雾图像组成的数据集中测试,测试结果表明,模拟烟雾是更好的选择,模型对薄烟不敏感.通过改进森林火灾烟雾图像的合成过程或者将这个解决方案扩展到视频序列中,可以进一步提高它的性能.     

基于随机森林特征选择的视频烟雾检测

利用随机森林算法,提出了一种基于随机森林特征选择的视频烟雾检测方法.首先,提取四种表征烟雾的特征:RGB颜色特征,小波变换高频子图,多尺度局部最大饱和度,多尺度暗通道;其次,根据烟雾图像信息模型利用无烟图片合成烟雾图片并分块得到随机森林训练样本;第三,训练随机森林进行特征选择并通过训练支持向量机得到识别烟雾块和非烟雾块的分类器,并由此得到视频图像帧的疑似烟雾区域;最后通过视频烟雾区域的凸形度和增长率分析,得到烟雾检测的结果。实验结果表明,该方法能够及时的预警烟雾同时降低火灾预警的误报率.