论文部分内容阅读
传统的火灾图像检测算法大多以火焰为检测目标,而火灾发生伊始产生的是烟雾,火情中期才会产生火焰,导致无法第一时间防控。同时,常见的以单一特征识别烟雾的算法在场景复杂或干扰较多的情况下识别率下降,漏检率骤增。针对上述研究现状与应用场景,本文在无CUDA与cuDNN条件下提出了基于运动目标与多特征融合的烟雾检测算法。首先对输入视频以帧间差分与背景差分联合检测算法找到视频中的运动区域,提取烟雾以白烟、黑烟、青烟、灰烟存在所具备的颜色特征、烟雾受风力影响常呈现凸状的形态特征、烟雾的动态特征以及纹理特征,然后利用上述提取到的融合特征来训练支持向量机。将提取到的运动区域依次通过该分类器对烟雾与非烟雾分类。最后,针对分类结果运用非极大值抑制算法剔除冗余框。在森林环境、田园环境与城市环境下的测试视频分别得到92.44%、90.62%、91.14%的查准率,相对于传统算法查准率不足85%有较大提升,同时硬件算力要求低,在树莓派、FPGA、DSP等硬件环境均可移植。本文还提出了基于KCF与YOLOv3的森林火灾烟雾检测算法。在支持CUDA与cuDNN条件下采用双线程检测方法,一方面搭建DarkNet深度学习框架,构建YOLOv3目标检测网络,通过对大量森林火灾样本图像中的烟雾与火焰进行标定后训练深度模型。另一方面构建KCF跟踪线程。线程一检测出火焰或者烟雾后将检测出来的位置信息与类别信息发送给线程二,之后利用线程二对线程一所检测出来的目标位置信息进行目标位置检测,计算该线程响应并找出响应值最大的检测框作为目标框,获取其置信信息。最后与线程一的检测结果进行融合比较。克服了算法受光照、形变等的不良影响,提高了目标跟踪算法的准确性、鲁棒性以及适应性。本文使用模型压缩与模型减枝的方法对YOLOv3检测模型进行简化,检测速度在8700K+Titan X环境下达到56FPS,在嵌入式开发板Nvidia Jetson Nano上达到15FPS,采用跳帧检测后实现实时性,验证了算法的实用性。