傳統(tǒng)的火災(zāi)圖像檢測(cè)算法大多以火焰為檢測(cè)目標(biāo),而火災(zāi)發(fā)生伊始產(chǎn)生的是煙霧,火情中期才會(huì)產(chǎn)生火焰,導(dǎo)致無(wú)法第一時(shí)間防控。同時(shí),常見(jiàn)的以單一特征識(shí)別煙霧的算法在場(chǎng)景復(fù)雜或干擾較多的情況下識(shí)別率下降,漏檢率驟增。針對(duì)上述研究現(xiàn)狀與應(yīng)用場(chǎng)景,本文在無(wú)CUDA與cuDNN條件下提出了基于運(yùn)動(dòng)目標(biāo)與多特征融合的煙霧檢測(cè)算法。首先對(duì)輸入視頻以幀間差分與背景差分聯(lián)合檢測(cè)算法找到視頻中的運(yùn)動(dòng)區(qū)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(fēng)力影響常呈現(xiàn)凸?fàn)畹男螒B(tài)特征、煙霧的動(dòng)態(tài)特征以及紋理特征,然后利用上述提取到的融合特征來(lái)訓(xùn)練支持向量機(jī)。將提取到的運(yùn)動(dòng)區(qū)域依次通過(guò)該分類(lèi)器對(duì)煙霧與非煙霧分類(lèi)。最后,針對(duì)分類(lèi)結(jié)果運(yùn)用非極大值抑制算法剔除冗余框。在森林環(huán)境、田園環(huán)境與城市環(huán)境下的測(cè)試視頻分別得到92.44%、90.62%、91.14%的查準(zhǔn)率,相對(duì)于傳統(tǒng)算法查準(zhǔn)率不足85%有較大提升,同時(shí)硬件算力要求低,在樹(shù)莓派、FPGA、DSP等硬件環(huán)境均可移植。本文還提出了基于KCF與YOLOv3的森林火災(zāi)煙霧檢測(cè)算法。在支持CUDA與cuDNN條件下采用雙線程檢測(cè)方法,一方面搭建DarkNet深度學(xué)習(xí)...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1計(jì)算機(jī)視覺(jué)系統(tǒng)

2煙霧檢測(cè)算法的理論基礎(chǔ)82煙霧檢測(cè)算法的理論基礎(chǔ)本章將以計(jì)算機(jī)視覺(jué)系統(tǒng)的設(shè)計(jì)作為切入點(diǎn)，首先，介紹傳統(tǒng)目標(biāo)檢測(cè)算法、目標(biāo)跟蹤算法以及基于檢測(cè)的目標(biāo)跟蹤算法的理論基礎(chǔ)；其次，介紹人工智能的發(fā)展、深度學(xué)習(xí)框架的組成與應(yīng)用、基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法；最后，介紹本文算法的評(píng)價(jià)指標(biāo)。2....

圖2-2目標(biāo)檢測(cè)與目標(biāo)跟蹤流程

西安理工大學(xué)碩士學(xué)位論文9圖2-2目標(biāo)檢測(cè)與目標(biāo)跟蹤流程Figure2-2Targetdetectionandtargettrackingprocess圖2-3計(jì)算機(jī)視覺(jué)系統(tǒng)應(yīng)用場(chǎng)景Figure2-3Computervisionsystemapplicationscenario2....

圖2-3計(jì)算機(jī)視覺(jué)系統(tǒng)應(yīng)用場(chǎng)景Figure2-3Computervisionsystemapplicationscenario

西安理工大學(xué)碩士學(xué)位論文9圖2-2目標(biāo)檢測(cè)與目標(biāo)跟蹤流程Figure2-2Targetdetectionandtargettrackingprocess圖2-3計(jì)算機(jī)視覺(jué)系統(tǒng)應(yīng)用場(chǎng)景Figure2-3Computervisionsystemapplicationscenario2....

圖2-4目標(biāo)檢測(cè)算法流程

2煙霧檢測(cè)算法的理論基礎(chǔ)10圖2-4目標(biāo)檢測(cè)算法流程Figure2-4Targetdetectionalgorithmprocess①生成候選框：對(duì)于輸入的圖像信息，經(jīng)過(guò)預(yù)處理后以分塊輸入的形式輸入到分類(lèi)網(wǎng)絡(luò)，故生成多個(gè)候選框如圖2-5所示。其中候選框中的圖像與工程應(yīng)用中輸入的圖....

本文編號(hào)：3998908