傳統的火災圖像檢測算法大多以火焰為檢測目標,而火災發生伊始產生的是煙霧,火情中期才會產生火焰,導致無法第一時間防控。同時,常見的以單一特征識別煙霧的算法在場景復雜或干擾較多的情況下識別率下降,漏檢率驟增。針對上述研究現狀與應用場景,本文在無CUDA與cuDNN條件下提出了基于運動目標與多特征融合的煙霧檢測算法。首先對輸入視頻以幀間差分與背景差分聯合檢測算法找到視頻中的運動區域,提取煙霧以白煙、黑煙、青煙、灰煙存在所具備的顏色特征、煙霧受風力影響常呈現凸狀的形態特征、煙霧的動態特征以及紋理特征,然后利用上述提取到的融合特征來訓練支持向量機。將提取到的運動區域依次通過該分類器對煙霧與非煙霧分類。最后,針對分類結果運用非極大值抑制算法剔除冗余框。在森林環境、田園環境與城市環境下的測試視頻分別得到92.44%、90.62%、91.14%的查準率,相對于傳統算法查準率不足85%有較大提升,同時硬件算力要求低,在樹莓派、FPGA、DSP等硬件環境均可移植。本文還提出了基于KCF與YOLOv3的森林火災煙霧檢測算法。在支持CUDA與cuDNN條件下采用雙線程檢測方法,一方面搭建DarkNet深度學習...

【文章頁數】：67 頁

【學位級別】：碩士

【部分圖文】：

圖2-1計算機視覺系統

2煙霧檢測算法的理論基礎82煙霧檢測算法的理論基礎本章將以計算機視覺系統的設計作為切入點，首先，介紹傳統目標檢測算法、目標跟蹤算法以及基于檢測的目標跟蹤算法的理論基礎；其次，介紹人工智能的發展、深度學習框架的組成與應用、基于深度學習的目標檢測算法；最后，介紹本文算法的評價指標。2....

圖2-2目標檢測與目標跟蹤流程

西安理工大學碩士學位論文9圖2-2目標檢測與目標跟蹤流程Figure2-2Targetdetectionandtargettrackingprocess圖2-3計算機視覺系統應用場景Figure2-3Computervisionsystemapplicationscenario2....

圖2-3計算機視覺系統應用場景Figure2-3Computervisionsystemapplicationscenario

西安理工大學碩士學位論文9圖2-2目標檢測與目標跟蹤流程Figure2-2Targetdetectionandtargettrackingprocess圖2-3計算機視覺系統應用場景Figure2-3Computervisionsystemapplicationscenario2....

圖2-4目標檢測算法流程

2煙霧檢測算法的理論基礎10圖2-4目標檢測算法流程Figure2-4Targetdetectionalgorithmprocess①生成候選框：對于輸入的圖像信息，經過預處理后以分塊輸入的形式輸入到分類網絡，故生成多個候選框如圖2-5所示。其中候選框中的圖像與工程應用中輸入的圖....

本文編號：3998908