時間壓縮軌跡特征識別的火災(zāi)煙霧檢測
關(guān)鍵詞：火災(zāi) 煙霧 時間壓縮軌跡 特征識別 深度學(xué)習(xí)
摘要：目的檢測煙霧可以預(yù)警火災(zāi)。視頻監(jiān)控?zé)熿F比傳統(tǒng)的單點探測器監(jiān)控范圍更廣、反應(yīng)更靈敏,對環(huán)境和安裝的要求也更低。但是目前的煙霧檢測算法,無論是利用煙霧的色彩、紋理等靜態(tài)特征和飄動、形狀變化或者頻域變化等動態(tài)特征的傳統(tǒng)方法,還是采用卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)的方法,準(zhǔn)確率和敏感性都不高。方法本文著眼于煙霧的升騰特性,根據(jù)煙霧運動軌跡的右傾直線特性、連續(xù)流線型特性、低頻特性、煙源固定特性和比例特性,采用切片的方式用卷積神經(jīng)網(wǎng)絡(luò)(CNN)抽取時間壓縮軌跡的動態(tài)特征,用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)抽取長程的時間關(guān)聯(lián)關(guān)系,采用分塊的方式提高空間分辨能力,能準(zhǔn)確、迅速地識別煙霧軌跡并發(fā)出火災(zāi)預(yù)警。結(jié)果對比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)以驗證效果。CNN和C3D先卷積抽取特征,后分類。traj+SVM采用SVM辨識視頻時間壓縮圖像中的煙霧軌跡,traj+RNNs采用RNNs分辨煙霧軌跡,traj+CNN+RNNs結(jié)合CNN和RNNs識別軌跡。實驗表明,與traj+SVM相比,traj+CNN+RNNs準(zhǔn)確率提高了35.2%,真負率提高15.6%o但是深度學(xué)習(xí)的方法往往計算消耗很大,traj+CNN+RNNs占用內(nèi)存2.31 GB,網(wǎng)絡(luò)權(quán)重261 MB,前向分析時幀率49幀/s,而traj+SVM幀率為178幀/s。但與CNN、C3D相比,本文方法較輕較快。為了進一步驗證方法的有效性,采用一般方法難以識別的數(shù)據(jù)進一步測試對比這5個方法。實驗結(jié)果表明,基于軌跡的方法仍然取得較好的效果,traj+CNN+RNNs的準(zhǔn)確率、真正率、真負率和幀率還能達到0.853、0.847、0.872和52幀/s,但是CNN.C3D的準(zhǔn)確率下降到0.585、0.716。結(jié)論從視頻的時間壓縮軌跡可以辨認出煙霧的軌跡,即便是早期的弱小煙霧也
中國圖象圖形學(xué)報雜志要求:
{1}引用報刊資料，請注明作者姓名、文章標(biāo)題、刊名、刊期 ；引用書籍資料，請注明作者姓名、書名、出版社、出版時間和頁碼 ；引用互聯(lián)網(wǎng)資料，請注明作者姓名、文獻名、網(wǎng)址和時間。
{2}文章內(nèi)容要求選題新穎、觀點明確、論證嚴(yán)謹(jǐn)、數(shù)據(jù)真實、引用準(zhǔn)確、文字精煉，有一定的學(xué)術(shù)性、思想性和創(chuàng)新性。
{3}文題應(yīng)用最少的文字表達最多的、有價值的信息，盡可能省去“……的研究”，“……的觀察”等無特定意義的詞。
{4}來稿需準(zhǔn)確標(biāo)注參考文獻。本刊采用文末注（對稿件中特定內(nèi)容的解釋說明可采用頁下注），順序編號。著錄格式依照《信息與文獻參考文獻著錄規(guī)則》GB/T7714—2015執(zhí)行。
{5}來稿請詳細注明作者單位、地址、科室、郵編、辦公電話、手機號碼及E-mail。
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
