改进YOLOv5的隧道火灾帧差检测网络与应用方法

隧道发生火灾存在着检测难、救援难的问题,实时的火灾监测对于及时发现火情是至关重要的。传统基于视频图像的火灾检测方法,检测依赖单幅图像,无法提取多幅图像的时空信息,检测精度低,不能有效检测隧道火灾。因此,提出了隧道火灾帧差网络。帧差网络使用3D卷积核构建网络结构,提取视频中火灾的时间上下文信息;将帧差网络衔接至YOLOv5主干网络形成隧道火灾帧差检测网络,可以检测单幅图像及两幅图像,从而充分利用视频动态信息;使用CIoU函数优化网络的边界框损失,并融合分类损失与置信度损失,使网络能够快速收敛。实验结果表明,该网络在隧道火灾数据集上的平均精度高达91.03%,检测速度达到了63.7帧/s,具有较强的鲁棒性。通过选取最优分析策略设计隧道火灾检测应用方法,该方法在隧道场景中的漏检率和误检率分别为2.52%和2.03%,可以满足隧道火灾检测的准确性和实时性需求。

融合时空特征的隧道场景跨相机车辆实时跟踪方法

跨相机车辆跟踪对实现智慧交通具有重要意义,在隧道场景中,由于环境照度较低、同型车辆特征相似等因素的影响,现有目标重识别方案难以满足实际应用中对车辆跟踪精度和实时性的要求。考虑隧道交通场景下车辆的车型和时空特征,提出了一种融合时空特征的跨相机多目标跟踪方法。在YOLOv7目标检测模型中加入归一化注意力模块(NAM),使模型更关注感兴趣区域,结合相机标定获得车辆在真实空间中位置坐标。在卡尔曼滤波的基础上结合车辆速度进行目标位置预测,引入二次关联策略(BYTE)完成单相机下车辆跟踪,并使用间隔帧方法提高跟踪速度。提出以车型和时空特征为基础的跨相机目标匹配代价矩阵,采用匈牙利算法完成车辆目标匹配,从而实现跨相机车辆目标跟踪,生成隧道场景的车辆目标时空图。在构建的隧道场景跨相机车辆目标跟踪数据集上实验结果表明:跟踪准确度达到82.1%,检测跟踪整体速度达到115 FPS,跨相机目标匹配正确率达到94.9%,跟踪速度与精度优于其他方法。

基于相机标定的跨相机场景拼接方法

针对单相机场景下的智能交通应用得到了较好的发展,但跨区域研究还处在起步阶段的问题,本文提出一种基于相机标定的跨相机场景拼接方法.首先,通过消失点标定分别建立两个相机场景中子世界坐标系下的物理信息到二维图像的映射关系;其次通过两个子世界坐标系间的公共信息来完成相机间的投影变换;最后,通过提出的逆投影思想和平移矢量关系来完成道路场景拼接.通过实验结果表明,该方法能够较好的实现道路场景拼接和跨区域道路物理测量,为相关实际应用研究奠定基础.