提出了一种视频烟雾检测方法，利用烟雾颜色、运动方向以及纹理等特征区分烟雾，并在检测烟雾的同时找到火源位置。引入暗原色先验方法提取出与烟雾颜色相似的区域作为烟雾候选区;通过分析图像局部纹理特征估计图像块的运动方向，排除运动方向向下的非烟雾区域，从而缩小烟雾候选区;将烟雾候选区的一系列特征作为支持向量机的输入，分类为烟雾和非烟雾;根据被检测出的烟雾在视频帧中的具体位置以及对应位置出现烟雾的频数估计火源在视频帧中的位置。与相关算法的实验结果进行了比较，证明了该算法的有效性。
2022-11-04 14:35:34
666KB
1
为满足复杂场景下视频烟雾检测的实时性、准确率等需求,提出了一种将高斯混合模型与卷积神经网络相结合的视频烟雾检测方法。基于高斯混合模型的背景减除法和形态学方法实现对视频图像的运动目标提取;针对烟雾检测效率和网络过拟合等问题,设计用于视频烟雾检测的卷积神经网络模型;通过烟雾正负样本图像对卷积神经网络进行训练和测试。在此基础上,合理地设定运动目标网络模型的输出概率的阈值,有效去除训练样本中没有涵盖的非烟雾干扰项,降低误报率。实验结果表明,该方法是可行且有效的,其视频烟雾检测准确率达到97.5%,平均烟雾报警响应时间为4.58 s,可满足复杂场景下烟雾的实时检测要求。
2022-01-03 20:49:37
7.2MB
1
介绍
要求：
的Python 3.5
PyQt5 5.9.2
opencv-python 3.4.0.12
张量流-gpu 1.5.0
CUDA 8.0
易言
用：
运行train_and_detection / win_entry.py
“开放模型”->（summary / cnn3d_17）
“打开视频”
火车：
运行train_and_detection / train.py
参考：
[1]使用伪3D残差学习时空表示，ICCV2017
基于时空深度神经网络的视频烟雾检测
1.型号
2Dto3D：
3D：
conv3d块（A，B，C）：
3D_DenseNet：
结果1：
结果2：
2021-12-25 15:30:49
10.34MB
1