基于视频分析的森林火灾烟雾检测方法

为了提高火灾烟雾识别的实时性和准确性,提出了一种基于视频分析的森林火灾烟雾检测方法。采用高斯混合模型进行背景建模,通过背景差法检测运动目标。充分考虑烟雾的特点,设计了多种静态特征和动态特征。设计了基于支持向量机的分类器,对检测出的运动目标区域进行分类识别,确定其是否为烟雾。分别针对正常情况和雾天情况进行了实验。实验结果显示,该文方法能有效地应用于森林火灾烟雾的检测且对天气的影响具有一定的鲁棒性。检验了使用不同特征组合的识别效果。结果显示选取运动方向、高频能量、紧凑度3个特征组成的特征向量进行识别具有最优的效果,在正常天气和雾天情况下,正确率分别达到了92.7%和76.3%。

基于多特征融合的运动目标检测

提高目标检测算法在复杂场景下的检测鲁棒性是目前计算机视觉领域的一个重点、难点问题。传统的运动目标检测都是基于目标的单一特征,提出一种融合颜色特征和纹理特征的背景建模方法,并将其运用于运动目标检测。首先对基于颜色的高斯混合模型加以改进,减少了传统高斯混合模型的计算量,然后将高斯混合模型与LBP纹理模型用D-S证据理论进行融合。实验结果表明,两个特征的融合有很好的互补作用,并且能够实时、准确地检测出运动目标。

一种基于广义似然比的最小方差活动轮廓模型

针对传统活动轮廓模型(Snake)对初始轮廓要求高、无法进行多目标提取且抗噪性弱等缺陷,提出了一种新的基于广义似然比的最小方差活动轮廓模型。该算法在区域活动轮廓模型的基础上引入广义似然比信息,以目标区域和背景区域具有最小方差为准则设计了新的能量函数,并使用梯度下降法最小化能量函数,驱动轮廓线不断收缩至物体边界。合成图像和真实图像的实验结果证明,基于新模型的活动轮廓提取算法对初始位置不敏感,具有一定的抗噪性,并适用于多目标场景。