视频烟雾识别技术研究与实现

基于视觉的烟雾检测技术研究开题报告一、研究背景随着工业化进程的加快，空气污染问题日益严重，烟雾作为空气污染的主要来源之一，在城市居民的生活中越来越引起人们的关注。

目前，烟雾检测主要是基于气体传感器的技术，然而其受到环境干扰较大，易误判等不足之处，因此基于视觉的烟雾检测技术成为了另一种备受关注的技术研究方向。

二、研究目的本研究旨在通过图像处理、机器学习等技术，开发一种可行的基于视觉的烟雾检测技术，实现对烟雾的准确检测。

三、研究内容1. 烟雾图像采集及预处理本研究将采用数字相机或红外热像仪等设备，对烟雾进行拍摄或观测，并进行预处理，包括图像去噪、图像增强等。

2. 烟雾识别算法基于深度学习及其他相关技术，构建出一套能够准确识别烟雾的算法。

通过对烟雾与背景的区别进行特征提取和分类，实现对烟雾的自动检测。

3. 算法对比和性能评估对烟雾识别算法进行测试，通过比较准确率、召回率等指标，评估各算法的表现和性能，并选择最优算法作为最终的烟雾检测技术。

四、研究意义基于视觉的烟雾检测技术具有实时性好、准确度高等优点，可以有效识别和监测烟雾，对于保护人们的健康、城市空气环境的改善等方面具有积极的意义。

五、研究计划第一年：烟雾图像采集及预处理技术研究第二年：烟雾识别算法研究和性能评估第三年：最优算法选定、技术完善和应用推广六、研究难点1. 烟雾图像在拍摄和采集过程中存在干扰和噪音问题，如何在此基础上进行预处理和提取特征信息，是难点之一。

2. 烟雾的视觉特征与背景相似，如何提高算法的准确率和召回率，也是研究难点之一。

七、研究预期成果本研究可望形成一项基于视觉的烟雾检测技术，为人们的生活环境保护和健康提供有力的技术支持，具有广泛的应用前景和经济效益。

辩３２卷仪％仪表学撤的过程。

它包括变化最检测和自适应阈值分割．罐终得到序列羽像中运动存在与否的个运动模板。

Ｒ前常用的运动同标检测方法主要有１种背景减除法、光流法段帧差法ｐ１。

在背景减除法中，先对背景图像进行建模，然后利用当自Ｈ帧罔像与背景周像相减来确定运动区域。

随着时问的变化，光照条件通常会发生缓慢的改变，需要及时更新背景图像。

对于森林火灾监控现场，光照条件复杂，背景更新的速度往往跟不上环境的改变，从而容易造成严重的错分。

光流法，采用运动Ｒ标随时间变化的光流场特征性来提取和跟踪运动目标。

光流法虽然能直接用于摄像机运动Ｆ的日标检测．但计算复杂不适于实时处理，所以选两种方法都不适台坩来进行森林火，火熘雾识别。

帧差法，利用连续的图像序列中两个或三个相邻帧图像之间进行著分米提取出图像中的运动区域。

鉴于帧差法对于动态环境具有较强的自适应性，且计算简单，所以采用此方法来实现对火灾烟雾运动的捕获，如图３。

运动区域的准确提取，对烟雾识别算法的识别率有着重要的影响．噤声的干扰根容易产生较丈的误差。

为了减少噪声的干扰，除了在每一帧中进行常规的滤渡处理以外，还需利片ｊ连续运动图像在对问上的相关性信息米消除噪声。

传统的帧问差算法只对单幅差分图像进行二值化，根据最大类问方差闽值，得运动二值化图像。

由于冒像信噪比低，差分图像序列中混有大量的白囤３运动检测：抽）森林火灾视频戤囤（ｂ）单帧差分圈ｋ）单帻差分＝值他掘（ｄ）累积差分二值化由埘于火灾烟棼Ｈ标，其存卅现、膨胀、消散过程中运动幅度小大．存传统单帧差分二值化罔像序列中值基本为ｌ，这样柱烟雾ｄ标附近区域像素值往往偏高，如罔３（ｃ）所示。

现取输入图像序列共取８帧，进行两两帧问差分并对差分图像累加，其崇加２８执（８＋（８一１）佗），所以累加图像像素值在［ｑ２８】之问。

鳋实验测试验证，取阐值矗＝１０效果较好姐果像素值大于‘ｔ则该点像素值置为２５５，否则像素值取Ｏ。

相对于传统的单帧帧差运动检测．如图３（０ｔ累积帧差法检测效果史好，如图３（ｄｋｍ川＝Ｒ嬲竭∽３林火烟雾图像Ｍ距离识别火灾烟雾图像在视觉特征上相对于娄烟运动目标提取中的主要干扰物（如晃动的树枝、飞乌、行驶的车辆等）还是有明显区别的，可以用颜色和纹理特性进行表征。

基于多特征融合的视频烟雾检测黎粤华;单磊;田仲富;朱自民【摘要】烟雾检测对火灾早期防范非常重要，传统的火灾探测技术主要利用传感器对火焰和温度进行识别，其每一个传感点只能检测到布控点周围的局部空间，对于开放空间等特殊场合难以发挥作用。

为了克服传统火灾检测存在的误报率高等缺点，文中提出一种基于烟雾多特征融合技术的图像型火灾检测方法。

该方法首先利用背景减除法获取普通 CCD 摄像机拍摄的疑似火灾烟雾区域，然后再从时域和频域着手，提取火灾烟雾的轮廓不规则特征、背景模糊度特征和纹理特征作为神经网络的输入信号，同时采用 sigmoid 函数将输出归一化，最后通过对 BP 神经网络训练完成火灾烟雾的多特征融合，并对来自网络的火灾视频进行测试。

实验结果表明：图像型火灾检测方法能够准确快速地识别火灾烟雾，达到早期预警的目的。

%The smoke detection is very important for the prevention of early fire,the traditional fire detection is a technology that uses a sensor to identify the flame and temperature,each sensor can only detect dispatched around the local space,for the open space and other special occasions,difficult to play a role. In order to overcome the defects of traditional fire detection has disadvantage of high false alarm rate,a fusion technology of image fire detection method based on multi feature of smoke was proposed. The method uses background sub-traction method to obtain the ordinary CCD camera shooting suspected fire smoke regions at first. Then from time domain and frequency domain,the fire smoke irregular contour feature,background extraction fuzzy features and texture features are extracted as the input sig-nals of neural network,also with thesigmoid function will output a normalized. Finally through the training of BP neural network,com-plete fire smoke multi feature fusion,and carry on the test of fire video network. The results show that image based fire detection method can accurately and quickly identify the fire smoke,and achieve the purpose of early warning.【期刊名称】《计算机技术与发展》【年(卷),期】2016(000)001【总页数】5页(P129-133)【关键词】烟雾检测;轮廓不规则特征;模糊度特征;纹理特征;特征融合【作者】黎粤华;单磊;田仲富;朱自民【作者单位】东北林业大学机电工程学院，黑龙江哈尔滨 150040;东北林业大学机电工程学院，黑龙江哈尔滨 150040;东北林业大学机电工程学院，黑龙江哈尔滨 150040;东北林业大学机电工程学院，黑龙江哈尔滨 150040【正文语种】中文【中图分类】TP39火灾的发生在时间和空间上表现为无规律性，是一种反人类意识的行为，传统的火灾探测方法具有一定的局限性，往往出现误报或漏报的情况。

基于图像识别的智能烟雾报警系统设计与优化摘要：近年来，火灾事故频发，给人们的生命财产安全带来了巨大的威胁。

为了及时发现并报警火灾，研究人员提出了基于图像识别的智能烟雾报警系统。

本文针对该系统进行了设计与优化，包括系统的搭建、图像处理算法的优化和性能评估等方面。

结果表明，该系统具有良好的实时性和准确性，可在火灾初期及时进行报警，从而提高火灾的防控能力。

1. 引言火灾是一种常见但危险的事故，它不仅给人们的生命财产安全造成重大威胁，还给家庭、企事业单位带来了巨大的经济损失。

因此，提前发现火灾并及时报警是非常重要的。

传统的烟雾报警系统通常依赖于烟雾探测器，但其存在着许多问题，如误报、漏报等。

基于图像识别的智能烟雾报警系统利用计算机视觉技术，通过分析火灾图像中的烟雾特征进行火灾识别，并及时进行报警。

2. 系统搭建智能烟雾报警系统主要由图像采集模块、图像处理模块、烟雾检测模块和报警模块四个部分组成。

图像采集模块负责采集火灾现场的图像，可以使用网络摄像头、红外摄像头等设备。

图像处理模块通过图像处理算法对采集到的图像进行预处理，提取出烟雾特征。

烟雾检测模块使用机器学习算法对提取到的特征进行分析和判断，确定是否发生火灾。

报警模块在检测到火灾时及时发出警报。

3. 图像处理算法的优化图像处理算法是智能烟雾报警系统中的核心部分。

本研究采用了一种基于特征提取的图像处理算法。

首先，对图像进行灰度化处理，将彩色图像转换为灰度图像，降低处理的复杂度。

接下来，利用边缘检测算法提取图像中的烟雾边界，用于后续的特征提取。

然后，通过形态学处理方法对图像进行滤波去噪，增强烟雾特征。

最后，利用机器学习算法对提取到的特征进行训练和分类，判断是否发生火灾。

为了优化算法的性能，可以利用深度学习方法进行特征提取和分类，提高系统的准确率和实时性。

4. 性能评估为了评估智能烟雾报警系统的性能，本研究使用了大量的火灾图像进行测试。

测试结果显示，系统在检测火灾时具有较高的准确率和较低的误报率，可以在火灾初期及时进行报警。

62Internet Application 互联网+应用一、研究背景石油是国家发展的基本战略资源，石油的开采是保障石油生产的重要环节，创造重要的商业价值。

在石油的开采过程中，需要保障整个生产过程的安全。

在生产作业过程中，需要采用各类防范措施，减少石油开采过程中的各项风险。

随着数字技术以及智能技术的发展，各类数字技术以及智能技术被应用于石油开采的安全防护过程中，比如在各类野外采油环境下，通过安装各类视频监控，来防止石油泄漏、动物或者人员入侵等。

传统的视频监控等安防措施通过视频监控石油开采过程中的环境变化，有监控人员及时发现可能发生的各项风险，并及时通知相关人员进行处理来减少风险。

但是，由于需要监控人员人工干预，对监控人员的精力要求较高，而监控人员有可能会错过风险因素，并不能完全避免风险的发生。

作为安防系统中的重要组成部分，视频安防系统在油田生产中发挥了重要的作用。

油田生产具有一定的危险性，一旦发生事故，可能给石油企业带来重大的人员以及财产损失。

虽然视频监控逐渐在石油生产中得到应用，但由人工进行视频内容分析时，主要存在以下 问题：①监控人员由于注意力难以持续专注，可能错过视频监控中的风险因素。

②一般而言，石油生产过程是24小时不间断的过程，监控人员需要24小时不间断地分析视频中的监控内容。

但是，监控人员难以不间断地对视频内容进行观察，可能在某些时间错过生产过程中的危险因素。

③视频监控的内容存储过程中需要大量的存储资源。

由于视频内容难以采用文本等方式完整地描述其内智能视频识别技术在石油石化行业中的应用研究容，一般只能根据视频的录制时间等标签来进行索引，导致对视频内容进行溯源等分析时较为困难，并且需要耗费大量的时间资源。

④传统的视频监控属于被动监控，监控的主要方式是以录制的方式，将生产过程中的各类环境进行记录。

但是难以主动地发现生产环境的变动或者对事故进行预警处理，更多的是作为一种事后的分析手段留存相关证据，难以有效避免损失的发生。

基于视频图像的团雾检测技术实现摘要：高速公路的建设已经与现代化科技相结合，逐渐实现了智能化发展，比如高速公路中的视频监控技术就为高速公路的安全便捷提供了可靠的保障。

本文以高速公路中视频监控系统的应用与发展为题，介绍几种团雾解决方案，以视频图像为根据，全方位了解高速公路中视频监控图像的能见度信息，对高速公路团雾现象组建有针对性的预警平台，并对其实施团雾检测，详细报告团雾形成的原因。

关键词：高速公路；视频图像处理；深度学习；平台建设在我国冬春季节交替的时间段，经常会出现团雾，团雾是一种气象现象，同时也会对交通造成较大影响的自然灾害。

在高速公路中遇见团雾天气，很容易造成行车事故。

所以，高速公路上非常需要建设公路团雾的检测系统。

高速公路上的团雾检测系统的研究已经有了很长一段过程，早期的研究是采用单片机进行团雾检测。

团雾的数据经过传感器实现监测之后，将数据传输到单片机中进行处理，处理的数据结果会在LED屏中显示，将LED屏放置在高速公路入口就能给行驶的车辆提醒，详细介绍高速公路的天气状况。

影响高速公路中车辆安全行驶的因素有很多，其中较为多见的有车辆违章、违法行驶、车辆行驶过程向窗外抛洒物品、行人在高速公路上行走以及恶劣天气等，这些都会对高速公路中的交通安全带来很不利的后果，甚至会出现严重的交通事故。

其中，前三类都是由于行人或者汽车驾驶员在高速公路上出现了违章违规行为，属于人祸，但是由于恶劣天气导致的各种自然灾害却是天灾。

在高速公路上常见的灾害天气包括暴雨、大风以及冰雪、霜冻等等，最容易出现车祸的天气当属雾霾天气。

本文就以高速公路上的团雾天气为主要内容，介绍一下当前高速公路检测团雾的技术要求。

—、功能需求团雾是一种气候现象，它的形成原因很简单，主要是由于地面的辐射经过冷却之后，将贴近地面的空气凝结成水汽，从而形成团雾天气。

所以团雾的形成条件既需要有充足的水汽，也需要有温差变化。

因此，在昼夜温差较大的时候往往会出现团雾的情况。

烟雾识别介绍
烟雾识别是一种通过计算机视觉技术来识别烟雾或火灾的方法。

它可以帮助我们在火灾或烟雾中及时发现问题，从而采取及时的行动来避免损失和危险。

烟雾识别技术通常包括以下步骤：首先，收集烟雾图像或视频。

然后，通过图像处理技术来分析和提取烟雾的特征，如颜色、形状、密度等。

接着，使用机器学习算法来识别烟雾，并做出相应的反应。

烟雾识别技术可以应用于很多领域，如消防、安全监控、环境保护等。

在消防方面，烟雾识别技术可以帮助消防员及时发现火灾，快速采取灭火措施，从而更好地保护人员和财产安全。

在安全监控方面，烟雾识别技术可以帮助监控系统检测烟雾或火灾，及时发出警报，避免意外事故的发生。

在环境保护方面，烟雾识别技术可以用于监测空气污染情况，及时采取措施保护环境和人类健康。

总之，烟雾识别技术的应用前景广阔，对于保障安全、保护环境等方面具有重要意义。

- 1 -。

软件开发13可视型烟雾探测的原理及算法◆徐 哲近年来，随着城市化进程的飞速发展，火灾事故频频发生，导致经济和能源大量损失。

为了避免和降低火灾事故的发生，火灾探测系统应运而生。

传统感温感烟探测器有着在大空间建筑中探测距离短、受环境因素影响大、误报率高的缺点，使其应用受到限制。

可视火灾烟雾探测系统不受传统感温感烟探测器缺陷的限制，这种类型的检测系统，使用摄像头捕捉图像序列的监控区域，通过电脑来处理序列图像，使用机器视觉方法来决定是否有火在监控区域。

本文主要分析并讨论了可视火灾烟雾检测算法的原理与流程。

1 可视型火灾探测技术在计算机技术快速发展的今天，利用计算机取代人眼的部分功能已经不是什么难题，由此，我们可以利用计算机来达到我们的火灾探测目的。

我们可以利用可见光或红外线图像传感器采集所需监控区域的视频序列，然后使用机器视觉算法对序列进行分析，寻找可以识别的火灾特征，比如火焰和烟雾。

如果发现有可疑的火灾便进行报警。

1.1 相比传统的火灾探测技术，可视型火灾探测技术有如下优势：（1）能够覆盖室外等空旷区域，实现非接触的火灾检测。

设计系统时，我们需要在一处安装多台视频监控设备，并对多个方向进行监测；或者在不同区域设置视频监控设备来消除视觉盲点。

（2）可视型火灾探测技术还可利用现有的监控设备进行改装，可以节约成本。

我们可以利用现有的公路摄像头、公共场所的监控摄像头以及相应监控中心的视频存储和处理设备。

根据火灾探测技术的类型可分为视觉型火焰检测和视觉型感烟探测。

类型的视觉火焰检测技术，可分为两个，火焰图像形可见光和红外图像形这种检测技术通过检测火灾视频序列中存在检测火灾是否发生。

但在大多数情况下，一旦检测到火焰，空气已经达到一个非常高的温度，火继续恶化是不可避免的，可能已经错过了最好的节省时间，但视觉式感烟探测技术更可靠，因为在火的开始，甚至在只有冒烟，也会出现烟雾，所以如果我们可以在这一阶段的火灾报警，可以降低难度的救火并且可以尽可能地降低火灾损失，由此可见，可视型烟雾火灾探测技术具有相对更高的利用价值和发展前景。

林火视频监控中烟识别方法的探讨饶裕平;方陆明;柴红玲【摘要】森林火灾是一种世界性的重要自然灾害,具有传播速度快、灭火和营救都比较闲难等特点,利用视频图像的林火探测技术不受室外空间和恶劣环境的影响,适合于森林火灾的监测报警,是一种新型有效的火灾探测技术.本文通过对火灾现场视频图像中烟图像特征、烟纹理特征、烟动态特征、烟形状特征的分析,分析了火灾烟图像特征,从而排除干扰现象而识别出火灾烟.【期刊名称】《浙江林业科技》【年(卷),期】2009(029)002【总页数】5页(P58-62)【关键词】森林防火;林火监测;烟特征提取;纹理【作者】饶裕平;方陆明;柴红玲【作者单位】浙江林学院,环境科技学院,浙江,临安,311300;浙江林学院,信息工程学院,浙江,临安,311300;浙江林学院,环境科技学院,浙江,临安,311300【正文语种】中文【中图分类】S762.3+2森林火灾是一种突发性强、危害性极大的自然灾害。

全世界每年发生森林火灾几十万次，受灾面积达几百万公顷，约占森林总面积的0.1％。

随着社会的发展，科学技术的进步，气象科学、遥感技术、电子计算机、激光、通讯和航空航天技术的蓬勃发展，化学和生物技术的不断革新，加上现代科学管理的渗透，为森林防火提供了先进的手段和技术条件，为有效地控制森林火灾的发生，把森林火灾的损失降低到最低限度提供了保证。

林火监测技术是做好防火工作的前提，世界各国非常重视林火监测技术的研究，经过科学家的不懈努力，林火监测技术日新月异。

在国际上，林火监测技术得到工业发达国家的高度重视，该项技术的开发和研究工作一直处于领先地位，他们将林火监测技术迅速推广并应用到各个工业领域，对森林和林区也运用了该技术。

在开展此领域工作较好的主要西方发达国家，例如美国早在10多年前就建立了综合的国家森林健康质量计划（FHH）、法国研制出林火远距离监测系统，能够在雾天测出10 km以外一张燃烧的报纸和8 km以外的10 m2火区较弱的火势，系统不仅能测出火灾，同时也可准确有效地测出热气球和易燃气体，它可以通过遥控摄像机准确地测出火源和判断火势，并把精确的方位自动地送到小房操纵台，每套系统可监测200 km2的范围，通过多套系统，可以交叉监测各个区域。

基于视频图像的森林烟雾检测与识别算法的研究的开题报告一、研究背景及意义森林火灾是一种严重的自然灾害，造成了大量的生命和财产损失。

随着火情的不断恶化，火灾蔓延的速度也越来越快，往往会导致很多死亡和伤害事故。

因此，森林火灾的早期识别和及时报警非常重要。

在森林火灾过程中，烟雾是火灾的主要表现形式之一，因此，烟雾检测是早期识别森林火灾的重要手段。

传统的森林火灾烟雾识别方法主要依靠人工观察，但是由于森林广阔、人力有限，在实际应用中存在很多局限性，效率低、准确率低、成本高等缺点。

同时，视频技术在近些年也有了快速发展，越来越多的摄像头被广泛应用于森林火灾的监控和管理中，因此，开发一种基于视频技术的森林烟雾检测算法非常必要。

本研究旨在基于视频的森林烟雾检测与识别算法，提高预警效率和预报准确率，为森林火灾防控提供技术保障。

二、研究内容及可行性分析1.烟雾图像数据获取：获取森林火灾烟雾图像数据集，为烟雾检测和识别提供充分的数据来源。

2.烟雾检测算法设计：基于深度学习和图像处理技术，设计烟雾检测算法，实现对森林烟雾的自动检测和识别。

3.烟雾检测算法优化：优化烟雾检测算法，提高算法的准确率和鲁棒性，同时缩短检测时间，提高检测效率。

4.算法测试与评估：使用所提出的基于视频的森林烟雾检测算法对现有数据集进行测试，评估算法的性能。

本研究所设计的基于视频的森林烟雾检测与识别算法，第一步需要获取大量的烟雾图像数据，并采用深度学习和图像处理技术，对图像进行处理和分析，实现对森林烟雾的自动检测和识别。

同时，基于已有的深度学习算法和图像处理技术，对算法进行优化，提高检测准确率和鲁棒性，缩短检测时间，提高检测效率。

最后，对所设计的算法进行测试和评估，验证算法的可行性和有效性。

三、研究方法及进度安排1. 研究方法（1）烟雾图像数据获取：利用已有的监控设备和现场摄像头获取森林火灾现场的烟雾图像数据。

（2）烟雾检测算法设计：采用深度学习和图像处理技术，设计烟雾检测算法，实现对森林烟雾的自动检测和识别。

2020(Sum. No 213)2020年第9期(总第213期)信息通信INFORMATION & COMMUNICATIONS基于深度学习的视频火焰烟雾检测方法颜洵，吴正平,雷帮军(三峡大学计算机与信息学院，湖北宜昌443002)摘要：为了解决目前基于视频火焰和烟雾检测中无法平衡好在检测率较高的情况下，仍能保持较高检测速度以及对火灾发生初期小目标检测效果不好的问题，提出了一种基于深度学习的视频火焰烟雾识别方法。

利用数据扩展的方法来解决 数据较少的问题,通过用K ・means 算法重新分开计算火焰和烟雾的anchor 值，以优化YOLOv4网络模型对火焰和烟雾的 目标进行检测。

通过实验与主流的目标检测方法进行对比分析，本方法能够有效平衡检测精度和检测速度，能够有效降低误检的情况。

关键词：火焰检测；烟雾检测；深度学习；YOLOv4；数据扩展;K ・means中图分类号:TP391 文献标识码:A 文章编号:1673-1131( 2020 )03-0070-03Research on Video Flame Smoke Detection Based on Deep LearningYin Xun, Wu Zhengping, Lei Bangjun(College of Computer and Information Technology, China Three Gorges University Yichang, Hubei 443002, China) Abstract: In order to solve the problem that the current video-based flame and smoke detection cannot be well balanced. In the case of a high detection rate, the detection speed can still be maintained and the detection effect of small targets in the early stage of the fire is not good, a deep learning-based Video flame smoke identification method. The method of data ex ­pansion is used to solve the problem of less data. The K-means algorithm is used to re-calculate the anchor values of flame and smoke to optimize the YOLOv4 network model to detect flame and smoke targets. By comparing experiments with ma ­instream target detection methods, this method can effectively balance detection accuracy and detection speed, and can ef ­fectively reduce false detections.Key words: Flame Detection;Ssmoke Detection; Deep learning; YOLOv4; Data expansion; K-meanso 引言火灾的发生会给人民群众的生命和财产造成不可估量的损失，如果能在火灾发生前对烟雾和火焰及时的识别，可以将损失大大的降低。

烟雾识别介绍
烟雾识别是一种通过计算机视觉技术，对烟雾进行检测和识别的技术。

它可以应用于各种场景，如火灾警报、工业排放监测、室内空气质量监测等。

烟雾识别主要通过采集图像、提取特征和分类识别三个步骤实现。

在采集图像方面，可以使用摄像机、红外传感器等设备来获取烟雾图像。

通过图像预处理，如去噪、图像增强等处理，可以让烟雾在图像上更加清晰可见。

在提取特征方面，可以使用传统的特征提取方法，如颜色、纹理、形状等特征，也可以使用深度学习等方法进行特征学习。

不同的特征可以用于不同的烟雾场景识别。

在分类识别方面，可以使用传统的机器学习方法，如支持向量机、决策树等，也可以使用深度学习方法，如卷积神经网络等。

分类器的选择和优化对烟雾识别的准确率和鲁棒性都有着重要的影响。

总的来说，烟雾识别是一项具有挑战性的任务，需要对图像处理、特征提取和分类识别等多个方面进行综合考虑和优化，以达到高效、准确的烟雾识别效果。

- 1 -。

基于视频流的林火烟雾运动目标检测方法的研究白书华;况明星【摘要】运动目标检测是实现视频图像分类与识别的前提.烟雾是森林火灾发生早期的显著特点和视觉现象,通过对林火烟雾图像的特征分析,研究了几种常用的运动目标检测方法,即帧间差分法、背景估计法等,分析了其实现过程,对比了它们的优缺点,并寻求最佳的视频林火烟雾运动目标检测方法.实验结果表明:改进的背景估计法结合色彩判断准则的方法不仅具有更好的烟雾捕捉能力,而且抗干扰能力强,将大大减轻后续图像识别的压力.%Moving object detection is the precondition for video image classification and recognition.Smoke is a distinctive feature of the early forest fire,forest fire smoke through the characteristics of the image analysis,several common moving target detection methods,analyzes the implementation process,comparing their advantages and disadvantages,and to seek the best forest fire smoke video moving target detection methods.The experiments also showed that the improved method with color background estimation criterion method not only has a better ability to capture smoke and anti-jamming capability,which greatly reduces the subsequent image recognition pressure.【期刊名称】《江西师范大学学报（自然科学版）》【年(卷),期】2016(040)006【总页数】4页(P644-647)【关键词】运动目标检测;帧间差分法;背景估计法;色彩判断【作者】白书华;况明星【作者单位】南昌理工学院,江西南昌 330044;南昌理工学院,江西南昌 330044【正文语种】中文【中图分类】TP391.41运动目标自动检测是对运动目标进行检测、提取、识别和跟踪的技术[1].在林火视频图像序列中，烟雾运动目标的检测效果直接影响后期的特征提取和识别，环境适应能力强是一个效果好的运动目标检测算法的基本要求，如处理阴影与遮挡、适应光线变化等；实时性良好也是检测效果好的表现，所以，在具体应用时，常需要兼顾算法的复杂度、可靠性以及算法的环境适用性.作为当前研究的热点和难点之一，多变的森林环境使运动目标检测的研究非常困难.森林视频监测包括静态和动态2种，绝大多数情况为静态监测[2].针对林火烟雾的颜色、扩散性等特点，本文研究了几种静态背景下的运动目标检测方法，并就背景更新、光线变化与干扰物扰动等问题进行了探讨.目前，运动目标检测方法有很多种，但针对不同实际应用，采用的检测方法也不尽相同.本文对基于视频流的林火烟雾运动目标检测方法进行研究，通过分析其实现过程与对比其优缺点，寻求最佳的运动目标检测方法[3].1.1 帧间差分法帧间差分法是一种运算快、检测较准确、应用广泛的经典算法.本文图像中疑似烟雾区域的分割是对连续帧的帧间差分法来实现[4]，具体为对不同帧做差分运算，设定灰度阈值，把差分图像转化为二值图像，可疑的运动区域就根据运动区域来提取.帧间差分法的流程图如图1所示.其具体实现步骤如下：(i)通过采样对监控录像中的帧序列进行抽取，采样率为1帧/s；(ii)对采样后的图像序列做预处理和两两差分运算；(iii)对差分图像进行二值化，设阈值T=90，灰度值小于T的为0，否则为1，并用矩形框圈出运动区域.图2为图像运动区域提取效果.实验表明，帧间差分法对行人、飞鸟等非烟雾运动物体未能较好地滤除，在视频图像大范围的微幅变化时，帧间差分法不能正确分离运动主体[5].1.2 背景估计法背景估计法不仅具有帧差法计算迅速的特点，而且对非运动主体微幅移动的滤过做了改进[6].该算法引入了背景机制，将某一帧与产生的背景帧进行差分运算，而非两两帧差，这既弥补了帧差法的不足，又使目标提取效果得到了改善.背景估计法的流程图如图3 所示.默认原始序列第1帧为初始背景，背景更新公式为Bn+1(x，y)=其中Bn+1(x，y)为第n+1帧背景图像中(x，y)坐标点的灰度值；In+1(x，y)为监控视频中采样序列第n+1帧中(x，y)坐标点的灰度值；a为权重系数.通过实验对比，本文设置a为0.6以确保既不影响运动主体的捕获能力，又可成功滤过图像轻微扰动[7].图4为背景估计法提取烟雾目标.实验表明，背景估计法较好地解决了帧差法的不足.但是，相对较大的a值虽然排除了轻微扰动的干扰物，但缓慢移动的烟雾本身也会被错误地排除而导致漏报[8].而采用帧差法或者设置a值小的背景估计法又会出现其他干扰物被误判成烟雾.1.3 改进的背景估计法与色彩判断准则相结合的方法针对上述2种方法的缺陷，考虑烟雾自身的扩散性，改进背景估计法，即引入原始背景来改变背景更新公式，以达到较好的烟雾分离与干扰物滤过效果[9].随着时间间隔的变大，扩散性使得不同帧之间的烟雾差异也变大，这点不同于干扰物的轻微扰动，原始背景作为一个长时间间隔的背景参考用来更新背景，使检测过程不会将缓慢变化的烟雾当作背景，这就是改进的背景更新方式的原理[10].改进的更新公式为Bn+1(x，y)=其中B1(x，y)表示图像序列第1幅图像的原始背景中(x，y)坐标点的灰度值，a，b是权重系数，且a+b<1.通过实验对比，本文在新算法中将a、b分别设置为a=0.4，b=0.3，这样不仅具有良好的缓慢移动烟雾的捕获能力，而且可以成功滤除干扰物的轻微扰动[11]，效果如图5所示，流程图见图6.色彩特征是林火烟雾众多特征中最直观的，主要为灰色或类灰色.利用该特性，人眼能够轻松判断出某些色彩明显不是烟雾的疑似物.在滤除非烟雾运动主体时，可以将色彩判断作为辅助手段[12].由图6易知，将背景估计法与色彩判断相结合后，排除了运动区域检测后的一些非烟雾干扰，减轻了后续的静态特征提取和模式识别的工作量[13].在色彩上云雾与烟雾极相似，进而色彩判断准则对云雾没有滤过能力.本文从烟雾捕获能力、干扰物滤除能力、算法性能与彩色运动区域滤除能力4个方面对文中研究的4种方法进行对比，实验结果如表1所示[14].从表1易知，在烟雾的捕获能力上，帧差法与改进的背景估计法相近且好于原始的背景估计法；在排除非烟雾干扰上，背景估计法与改进的背景估计法均大大优于帧差法；在算法性能方面，模型最简单的帧差法运行速度最快，而背景估计法与改进的背景估计法相差无几[15].采用改进的背景估计法结合色彩判断准则，该方法具有较高的精度和召回率，不仅具有良好的烟雾捕获能力，而且可以较好地滤除移动缓慢的干扰物，同时在色彩判断环节成功排除树林大幅晃动、彩色移动汽车等扰动，在提高抗干扰能力的同时减小了后期提取与识别环节的工作量.本文对帧间差分法、背景估计法、改进的背景估计法结合色彩判断等运动目标检测算法进行了研究，并通过4个方面的具体对比来反映其检测效果.改进的背景估计法结合色彩判断准则的方法对林火烟雾的运动检测总体效果良好，既减轻了后续图像识别的压力，又大大提高了系统的抗干扰能力[16].虽然该方法较好地排除了部分云雾干扰，但在出现云雾多发的地区很难实现，因为有这种情况的存在，所以该运动目标检测的算法还需进一步改进.【相关文献】[1]刘衍琦，詹福宇.图像与视频处理实用案例详解 [M].北京：电子工业出版社，2015：208-218.[2] 黄儒乐.基于视频图像的林火烟雾识别方法研究 [D].北京：北京林业大学，2011：18-56.[3] 孟凤，王成儒.多模态背景下快速运动目标检测的研究 [J].电子测量技术，2007，30(6)：33-35.[4] 杨帆，王志陶，张华.精通图像处理经典算法(Matlab版) [M].北京：北京航空航天大学出版社，2014：11-63.[5] 施晨丹.基于视频图像的林火监测方法研究与系统实现 [D].南京：南京理工大学，2013：8-23.[6] Teuvo Kohonen.Self-organized formation of topologically correct feature maps [J].Biological Cybernetics，1982(1)：121-128.[7] 苏漳文，刘爱琴，梁慧玲，等.基于气象因子的福建省森林火险预测模型 [J].森林与环境学报，2015，35(4)：370-376.[8] 钱兆楼.一种基于改进粒子群算法优化BP神经网络的预测方法 [J].电子测试，2015(20)：39-40.[9] Yu Chunyu，Fang Jun，Wang Jinjun，et al.Video fire smoke detection using motion and color features [J].Fire Technology，2010，46(3)：651-663[10] Burges C J C.A Tutorial on support vector machines for pattern recognition [J].Data Mining and Knowledge Discovery，1998，2(2)：121-167.[11] Corinna Cortes，Vladimir Vapnik.Support-vector networks [J].Machine Learning，1995，20(3)：273-297.[12] 邵坤艳.基于视频图像的火灾检测方法研究 [D].重庆：重庆大学，2015.[13] 王林林.基于机器视觉与图像处理技术的微钻刃面质量检测 [J].科技视界，2016(13)：12-16.[14]马彩云.基于图像处理技术的心率检测软件设计与实现 [J].山东工业技术，2016(11)：88-92.[15] 司红伟，全蕾，张杰.基于背景估计的运动检测算法 [J].计算机工程与设计，2011，32(1)262-273.[16] 饶裕林.基于视频的森林火灾识别方法研究 [J].电子世界，2016(10)：79-83.。