时间压缩轨迹特征识别的火灾烟雾检测

关键词：火灾 烟雾 时间压缩轨迹 特征识别 深度学习 

摘要：目的检测烟雾可以预警火灾。视频监控烟雾比传统的单点探测器监控范围更广、反应更灵敏,对环境和安装的要求也更低。但是目前的烟雾检测算法,无论是利用烟雾的色彩、纹理等静态特征和飘动、形状变化或者频域变化等动态特征的传统方法,还是采用卷积神经网络、循环神经网络等深度学习的方法,准确率和敏感性都不高。方法本文着眼于烟雾的升腾特性,根据烟雾运动轨迹的右倾直线特性、连续流线型特性、低频特性、烟源固定特性和比例特性,采用切片的方式用卷积神经网络(CNN)抽取时间压缩轨迹的动态特征,用循环神经网络(RNN)抽取长程的时间关联关系,采用分块的方式提高空间分辨能力,能准确、迅速地识别烟雾轨迹并发出火灾预警。结果对比CNN、C3D(3d convolutional networks)、traj+SVM(trajectory by support vector machine)、traj+RNNs(trajectory by recurrent neural network)和本文方法traj+CNN+RNNs(trajectory by convolutional neural networks and recurrent neural network)以验证效果。CNN和C3D先卷积抽取特征,后分类。traj+SVM采用SVM辨识视频时间压缩图像中的烟雾轨迹,traj+RNNs采用RNNs分辨烟雾轨迹,traj+CNN+RNNs结合CNN和RNNs识别轨迹。实验表明,与traj+SVM相比,traj+CNN+RNNs准确率提高了35.2%,真负率提高15.6%o但是深度学习的方法往往计算消耗很大,traj+CNN+RNNs占用内存2.31 GB,网络权重261 MB,前向分析时帧率49帧/s,而traj+SVM帧率为178帧/s。但与CNN、C3D相比,本文方法较轻较快。为了进一步验证方法的有效性,采用一般方法难以识别的数据进一步测试对比这5个方法。实验结果表明,基于轨迹的方法仍然取得较好的效果,traj+CNN+RNNs的准确率、真正率、真负率和帧率还能达到0.853、0.847、0.872和52帧/s,但是CNN.C3D的准确率下降到0.585、0.716。结论从视频的时间压缩轨迹可以辨认出烟雾的轨迹,即便是早期的弱小烟雾也

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