基于视频多特征融合的列车车厢烟雾检测方法

列车车厢中环境相对复杂且遮挡物较多,为了提高视频烟雾检测的准确性,剔除场景中疑似烟雾的干扰物,降低由于环境中光照变化导致的误检情况,提出了基于运动、颜色及衰减等多特征融合的烟雾检测算法.该算法能有效克服背景复杂、光照变化大,以及阴影问题带来的干扰.算法主要由3部分构成:烟雾运动检测、颜色特征分析提取和多特征融合.该算法通过背景建模方法分割出运动的区域,引入归一化RGB空间烟雾颜色基础模型及衰减模型,以剔除疑似烟雾区域的干扰,同时可以有效地降低光照影响.     

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.     

动态阈值模糊检测在篡改图像检测中的应用

提出一种新的图像局部模糊检测方法,并将其应用于篡改图像的检测.该方法基于最小二乘估计来计算图像中每个像素的估计误差,再将每个像素和其周围像素估计误差的方差作为模糊特征,然后利用频域的相关系数确定一置信区间,并根据该区间模糊特征的概率分布特性动态确定阈值,进而分离出模糊区域内的像素.实验结果表明,该方法能获得更高的检测正...     

基于HSV和MB_LBP特征的级联Adaboost车牌检测算法

车牌检测作为车牌识别系统中的重要环节,直接影响着车牌识别的准确度.为提高车牌的检测率和检测速度,提出了一种基于HSV颜色模型和多分块局部二值模式(MB_LBP)特征的级联Adaboost车牌检测方法.首先将车牌图像由RGB颜色空间转换到HSV颜色空间,统计蓝色像素占车牌总像素的比例,来构建第一层强分类器;其次对车牌字符样本提取MB_LBP特征,利用Adaboost分类器训练方法进行特征选择及分类器训练,最后利用Cascade结构检测法形成一种新的车牌检测算法.实验表明,本文算法有效的提高了车牌检测率和检测速度.     

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.      

一种基于码本背景建模和多特征融合的火灾烟雾检测算法

该文提出一种基于码本模型和多特征融合的火灾烟雾检测算法。主要步骤是:首先,利用码本模型提取出视频中运动的前景像素;然后,结合暗通道先验知识对前景像素进行过滤,消除部分干扰像素;最后,统计疑似烟雾区域的颜色直方图、纹理直方图和边缘方向直方图特征,利用多特征融合的方式加以分类识别。多个视频场景测试结果表明,该算法具有良好的烟雾检测能力和抗干扰能力,可以基本满足实时性的要求,具有一定的实际推广价值。     

烟雾特征融合的火灾识别方法研究

针对基于图像的火灾识别方法易受干扰、误报率高等问题，提出一种基于烟雾特征融合的火灾识别方法。该方法根据火灾烟雾独特的纹理和边缘梯度特征，利用HSV颜色空间进行颜色特征提取，得到疑似烟雾区域；通过等价局部二值模式（ULBP）及方向梯度直方图（HOG）提取烟雾纹理和边缘梯度，得到特征向量，再将特征向量输入线性支持向量机（LinearSVC）进行测试和烟雾识别。研究结果表明，算法抗干扰性强，检测率高，为快速准确的火灾预警提供了算法依据。     

基于方向特征对比的图像显著区域检测算法

人类视觉注意力模型的研究结果表明,颜色特征、方向特征等底层特征是影响人类视觉注意力的重要特征。最近学术界提出了一些基于全局对比的显著性检测算法,但是这些算法仅涉及到颜色这一底层特征,而没有使用方向特征。这就影响了这类算法对方向特征对比度强而颜色特征对比度弱的图像的检测性能。因此,本文提出了一种基于图像方向特征全局对比的显著区域检测算法。首先,将图像过分割为若干不规则的超像素作为图像显著性计算的基本单元,把图像超像素的LBP（Local Binary Patterns）统计直方图作为该超像素方向特征的描述。然后,计算图像超像素的方向特征的独特性和方向特征的分布性。根据图像超像素的方向独特性和方向分布性计算超像素的显著性。最后,将显著性值分配到图像的每一个像素点上。在现今国际最流行的两个数据集上进行实验的结果表明,该算法可以有效弥补只使用颜色特征的显著性检测算法的不足,从而达到较好的检测效果。     

基于动态和颜色特征的火焰目标检测

基于火焰燃烧具有动态特性和具有一定的颜色特征,本文针对火焰具有的这两种特性提出了基于火焰动态和颜色特征相结合的检测方法。     

基于改进深度信念网络的校园烟雾检测

近年来,人工智能技术和计算机视觉技术迅速发展。基于卷积神经网络(CNN)的深度学习在图像分类、目标检测、人脸识别、语义分割等计算机视觉领域取得了成功的应用。与传统的计算机视觉方法相比,深度学习算法避免了人工的复杂度,可以从大量的图像数据集中学习复杂的表示。提出了一种新的基于深度信念网络的烟雾检测方法。首先采用背景差分检测法提取高运动区域。在第二阶段,从RGB及亮度中提取烟雾像素。从不同的前景区域提取了改进型的局部二值模式,不仅获得烟雾的纹理特征,而且利用色调饱和值颜色空间计算了烟雾的强度和颜色。最后,采用改进深度信念网络进行分类。实验表明提出的方法具有较高的准确性和较好的鲁棒性。