关键词：视频烟雾检测 烟雾识别 图卷积网络 神经常微分方程 度量学习 

摘要：目的视频烟雾检测在火灾预警中起到重要作用,目前基于视频的烟雾检测方法主要利用结构化模型提取烟雾区域的静态和动态特征,在时间和空间上对烟雾信息作同等或相似处理,忽略了视频数据在时间线上的连续性和特征的非结构化关系。图卷积网络(GCN)与神经常微分方程(ODE)在非欧氏结构与连续模型处理上具有突出优势,因此将二者结合提出了一种基于视频流和连续时间域的图烟雾检测模型。方法目前主流的视频烟雾检测模型仍以离散模型为基础,以规则形式提取数据特征,利用ODE网络构建连续时间模型,捕捉视频帧间的隐藏信息,将原本固定时间跨度的视频帧作为连续时间轴上的样本点,充分利用模型的预测功能,补充帧间丢失信息并对未来帧进行一定程度的模拟预测,生成视频帧的特征并交给图卷积网络对其重新建模,最后使用全监督和弱监督两种方法对特征进行分类。结果分别在2个视频和4个图像数据集上进行训练与测试,并与最新的主流深度方法进行了比较,在KMU(Korea Maritime University)视频数据集中,相比于性能第2的模型,平均正样本正确率(ATPR值)提高了0.6%;在2个图像数据集中,相比于性能第2的模型,正确率分别提高了0.21%和0.06%,检测率分别提升了0.54%和0.28%,在视频单帧图像集上正确率高于第2名0.88%。同时也在Bilkent数据集中进行了对比实验,以验证连续隐态模型在烟雾动态和起烟点预测上的有效性,对比实验结果表明所提连续模型能够有效预测烟雾动态并推测烟雾起烟点位置。结论提出的连续图卷积模型,综合了结构化与非结构化模型的优势,能够获得烟雾动态信息,有效推测烟雾起烟点位置,使烟雾检测结果更加准确。

中国图象图形学报杂志要求:

{1}引用报刊资料，请注明作者姓名、文章标题、刊名、刊期 ；引用书籍资料，请注明作者姓名、书名、出版社、出版时间和页码 ；引用互联网资料，请注明作者姓名、文献名、网址和时间。

{2}文章内容要求选题新颖、观点明确、论证严谨、数据真实、引用准确、文字精炼，有一定的学术性、思想性和创新性。

{3}文题应用最少的文字表达最多的、有价值的信息，尽可能省去“……的研究”，“……的观察”等无特定意义的词。

{4}来稿需准确标注参考文献。本刊采用文末注（对稿件中特定内容的解释说明可采用页下注），顺序编号。著录格式依照《信息与文献参考文献著录规则》GB/T7714—2015执行。

{5}来稿请详细注明作者单位、地址、科室、邮编、办公电话、手机号码及E-mail。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社