FMF的火焰显著性检测

为准确定位火源点,实现火灾预警,提出一种基于人眼视觉注意机制的实时监测火灾预警方法。首先,根据图像对抗理论,提取视频序列中每一帧图像的亮度和颜色特征;其次,运用像素级显著性检测算法,构建描述特征信息的多尺度空间高斯金字塔;然后,运用跨尺度特征相加方法,融合中心-邻域对比度金字塔,得到静态显著性图;最后,结合动态帧差法,将多特征融合(FMF)算法得到的显著性图作动态帧差,寻找视频帧中属于火焰的区域,在公开的数据集上就4种评价指标与6种代表性算法作对比。结果表明:FMF算法通过显著性分析方法描述多尺度空间特征信息,其鲁棒性更强;与6种算法相比,FMF算法在准确率和漏检率上有较明显的优势,且能准确识别与定位火焰,防范火灾的发生。     

一种基于LVQ神经网络与图像处理的火焰识别算法

针对传统火灾探测技术存在的不稳定、误判率高等缺点,通过分析室内火灾图像与常见干扰光源图像的特点,提出一种基于人工神经网络的火焰图像检测技术。对火焰图像的基本特性进行分析,利用火焰图像序列的面积重叠率和中心相对移动率以及颜色等信息,结合实现学习向量量化(LVQ)神经网络融合技术,对视频序列图像中火焰的自动检测。仿真试验结果表明,基于LVQ神经网络的信息融合算法的网络收敛速度较快,有较高的火灾火焰识别准确率。     

基于可视监控的入侵识别方法研究

研究了基于视频监控条件下的入侵检测方法。分析了帧间差,背景差分及高斯模型在提取目标检测区域内运动物体的性能。提出了运动区域斜率结合运动趋势和活动范围作为入侵特征判据的方法。采用MATLAB实现了程序设计,经验证该方法可在视频监控的同时实时截取图像数据帧,并能有效地区分人与其他运动物体,具有较高的识别准确性。     

基于自动种子区域生长的火焰分割算法

在存在壁面反射的低照度火灾环境中,传统的火焰分割算法如颜色分割、运动检测等,在进行火焰分割时造成过分割现象,分割的效果不理想,影响后续的火灾正确识别。针对上述问题,提出了一种基于自动种子区域生长(Automatic Seeded Region Growing,ASRG)的火焰分割算法。首先将从火灾视频中获取的火灾图像从RGB颜色空间转换到YCbCr颜色空间,在Y通道中采用较大自适应阈值背景减法将火灾图像二值化,分别将可疑火焰像素点的横坐标和纵坐标按大小进行排序,取排序后的中间值作为种子点,再由原RGB火灾图像转换而成的灰度图像中,以该种子点进行区域生长,最后将区域生长后的火焰分割图像与采用较小自适应阈值背景减法得到的火焰分割图像进行交集处理,得到最终的火焰分割图像。实验表明ASRG算法在存在壁面反射的低照度火灾环境中,火焰分割效果好,有效解决了该环境下的火焰过分割问题,同时在其他火灾环境中也有较好的火焰分割效果。     

基于深度学习的输煤皮带故障视觉检测方法研究

为了更好地检测皮带跑偏、撕裂和异物干扰等严重影响皮带安全运行的故障状态,围绕相关问题产生的原因及检测方法开展深入研究,通过对纵/横向裂缝、异物的检测分析、实验,提高基于视觉的检测精度。提出基于Canny边缘检测算法的皮带跑偏检测算法;基于深度学习的横向与纵向撕裂检测,尤其对于裂缝与纵向纹理区分不明显情况,提出一种红光透射的判别方式;基于最小距离分类算法将识别异物转换为分类问题,利用机器学习的方法对样本进行训练并建立无异物阈值,通过提取特征,最后利用最小距离分类算法得到有无异物的结果。研究结果表明:提出的视觉检测系统可以实时高效地检测出输煤皮带常见的3种故障,可进一步保障运输系统安全运行。     

一种高清晰度网络摄像机的硬件设计

介绍了一种基于多媒体处理器DM643的高清晰度网络摄像机硬件设计方案,该方案应用了高分辨率CMOs图像传感器,图像分辨率最高可达三百万像素,采用了以太网供电等技术,便于工程安装,通过嵌入式软件编程,实现了H.264、MPEG4等多种视频编码算法!以及图像分析和识别等功能,可广泛用于各种视频监控和视频分析场合.     

低分辨率自然场景文本识别

针对自然场景文本识别中低分辨率图像识别困难的问题,提出了超分辨率卷积循环神经网络算法(super-resolution-convolutional-recurrent neural network,SR-CRNN)。该算法是一个端到端的深度神经网络,包含超分辨率网络和文本识别网络:利用训练集的高低分辨率图像对训练超分辨率分支网络;然后通过特征融合,将经过监督训练获得的超分辨率模型特征加入文本识别网络;在文本识别网络,使用卷积神经网络和注意力模型对文本行进行识别。基于低分辨率文本图像数据集的实验结果表明,SR-CRNN的文本识别能够获得更好的效果。     

基于改进YOLOv5s算法的隧道初期火灾检测模型

为提升公路隧道初期火灾的检出率与检测精度,考虑初期烟火特征量小且不易侦测的特点,提出一种基于改进YOLOv5s算法的公路隧道初期火灾检测模型。首先,在YOLOv5s特征检测层并入变压器预测头,在原有3个特征检测头的基础上新增第4个160×160尺度的特征检测头,以增强多尺度识别能力;同时,引入加权双向特征金字塔网络(BiFPN)结构,用于融合高低层火焰和烟雾的语义信息;然后,采用完全交并比(CIoU)替换距离交并比(DIoU),并在置信度损失中采用Focal Loss改进YOLOv5s的损失函数,从而提升新模型整体的训练效果和检测精确度;最后,在真实隧道内开展初期火灾模拟试验,获取50 000幅训练集样本,并结合2022年3月1日江苏镇江观音山隧道真实火灾视频数据,对比分析YOLOv5s-Opt和YOLOv5s算法模型。结果表明：YOLOv5s-Opt对初期火灾的平均检测精度达到90.38%,比YOLOv5s提高2.06%;对于同一段火灾实测视频,YOLOv5s-Opt的检出率比YOLOv5s高出3.63%。YOLOv5s-Opt算法模型更擅长初期火灾小目标的检测和识别,在检测精度和检...     

CFAT 2023人脸活体检测挑战赛榜单发布及经验分享

<正>一、CFAT 2023挑战赛概述及榜单发布1.CFAT 2023挑战赛简介人脸活体检测是通过识别活体上的生理信息判断人脸是否为活体,是保障人脸识别系统安全的重要环节,广泛应用于各类需要进行人脸识别的场合,目的是识别冒名顶替、人证不符等问题。为进一步提升防欺诈的人脸活体检测技术在实际应用中的安全性、可靠性,促进产学研深度融合发展,为各类复杂场景下算法的部署应用和性能优化提供科学指导依据,视频图像信息智能分析与共享应用技术国家工程实验室（以下简称：视频国家工程实验室）与中国图象图形学学会、     

一种基于红外图像特征融合的高温铝液模拟泄漏监测算法

高温熔融铝液泄漏是炼铝工业最严重的危害之一。借助FLIR A310红外热像仪开展试验研究,搭建了高温铝液泄漏模拟试验平台,建立模拟泄漏标准数据集,提出了一种基于红外图像特征融合的高温铝液模拟泄漏监测算法。利用HOG和LSS描述子分别提取图像梯度边缘和相似形状等几何特征并进行特征向量融合,弥补HOG单一特征检测的不足,将融合的特征向量送入训练好的RBF核函数支持向量机分类识别。融合算法试验性能最优,测试集的查准率、查全率和F1分别为94. 31%、93. 52%和93. 91%。LSS的高维特征向量影响监测时间,步长为15、维度为5 280时,可以实现特征降维与识别准确率的平衡。最后,探究了特征融合描述子对相机距离的敏感性,3. 5 m可实现最佳识别效果;200张图片的监测时间稳定在48. 59 s左右。     

一种多源视频融合系统设计方法

<正>一、概述现阶段,视频监控系统应用于社会生活的方方面面,包括社会公共场所、企业、家庭等各个领域。在安全技术考虑的基础上,如何实现视频图像的实时、稳定、可靠安全传输与存储成为图像传输领域的关键所在。本文提出了—种多源视频融合系统,通过将不同制式的视频源信号数字化,经过高压缩视频编码器压缩编码,加载自主知识产权的优化H.264算法,最终输出统一格式的视频流信号,实现在低带宽条件下的高质     

基于人工智能视频分析的选煤厂安全管理研究

为提高选煤厂安全监控的智能化水平,降低人力值守消耗,利用深度神经网络构建面向选煤厂安全管理的人工智能(AI)视频分析系统,首先,设计深度神经网络算法,实时检测分析典型场景视频目标,构建监控预警管理系统;然后,建立人、机、环的视频安全预警机制,实现对选煤厂现场作业人员不安全行为的视频分析、物的不安全状态的视频识别和环境危险因素的视频判断。结果表明:该系统通过对人、机、环信息的获取、处理和反馈,能够实现及时预警消除安全隐患,提高作业过程的安全系数。     

智能分析技术在安防等领域的应用浅析

<正>一、前言智能分析是安防行业的老话题,智能分析主要是指基于视频图像的智能判别,包括人脸识别、目标检测、目标跟踪、行为分析、以图搜图、视频语义等;同时还将智能分析延伸到了设备系统状态检测、图像画质检测(如模糊、虚焦)等。     

人员安全帽佩戴轻量化检测方法研究

为有效减小安全帽检测算法的计算复杂度，并提高算法对于小目标的检测精度，提出一种基于Pytorch深度学习框架的轻量化安全帽检测模型。使用轻量化网络设计减小模型的计算量；设计可变形双向聚合网络提高模型对检测对象尺度和形状多样性的适应能力，优化对小目标的检测效果；通过网络收集的施工现场图像验证安全帽检测算法的检测效果。与已有安全帽检测算法相比，该方法检测精度有明显提高、模型参数量显著下降，并以137帧/s的速度运行。可变形双向聚合网络利用深层语义特征和浅层细节特征，并自适应调整感受野，可以适应不同形状和尺寸的检测对象，提高检测精度。     

融合YOLOv5-ResNet级联网络的烟火检测方法

火灾产生的烟雾和火焰对人类生命财产及安全会造成严重威胁。针对现有烟火检测算法在实际工业应用中无法满足高检测率、低误报率以及高实时性的检测需求,提出了一种融合YOLOv5-ResNet级联网络的烟火检测算法。首先,为了提高YOLOv5检测网络对烟火目标的检测性能,尤其针对小目标烟火,通过增加注意力机制模块、小目标尺度检测层、Focal Loss损失函数的方式改进YOLOv5目标检测网络;然后,为了降低误检情况的发生,将检测到的烟火目标进行阈值筛选,筛选后的烟火目标增加部分背景信息后送入ResNet34分类网络,剔除非烟火目标;最后,通过综合分析连续多帧检测结果和烟雾面积变化情况,进一步降低误检的发生。结果表明：融合YOLOv5-ResNet级联网络的烟火检测算法,在29个烟火视频的查全率为99.38%,漏检率为0.62%;在45个非烟火视频的误检率约为0.001 6%,在所有测试视频的平均检测速度为51.67帧/s, YOLOv5-ResNet级联网络算法检测精度较高,检测速度较快,误检率低,可满足实际的大规模复杂工业场景下检测任务,综合性能优于现有的其他火灾检测算法。     

基于BP神经网络步态识别的研究

在即将建设完成的全国公安机关视频图像资源的整合与共享平台下,将BP网络作为一个模块加入视频监控系统中,通过对BP网络的训练,形成对犯罪嫌疑人步态信息的记忆,形成记忆的BP网络对视频监控系统采集的行人步态信息进行识别,若是可疑人员立刻通知民警进行处理。从而将步态识别的应用扩大至全国视频监控范围,同时为BP神经网络的应用提供了新方向。     

一种HSI空间基于模糊聚类的火灾彩色图像分割算法

针对通用模糊聚类算法进行彩色图像分割存在对初值敏感,迭代过程耗时等问题,在HSI空间结合火焰图像分布特征,采用平均值法进行初值优选,构造抑制算子和抑制因数对火焰无关区域S和I分量进行有效抑制,采用直方图聚类后进行数据融合等方式,最终实现彩色火灾图像分割。实验表明,该算法提高了彩色火灾图像分割的准确性和收敛速度。     

基于改进YOLOv5s的综采工作面人员检测算法

为了智能监控井工煤矿综采工作面危险区域人员闯入和安全帽佩戴问题，避免监控视频受粉尘干扰、光照不均等因素影响图像检测精度的问题，提出一种基于改进YOLOv5s的目标检测算法(简称YOLOv5s-DPE),并建立相关模型。首先，在颈部网络部分，采用深度可分离卷积(DwConv)替换普通卷积，降低参数量和计算量；然后，引入改进的路径聚合网络(PANet)提升特征提取能力，替换边界框损失函数完全交并比(CIOU)为有效交并比(EIOU),提升检测准确率；最后，选取综采工作面视频中的人员图像进行检测，选取煤矿井下人员闯入和安全帽佩戴监控视频作为检测数据集，并进行训练和验证。结果表明：对比初始YOLOv5s算法模型，YOLOv5s-DPE算法模型的参数量下降14.2%,浮点数计算量下降7.6%,算法网络模型大小下降12.5%,均值平均精度(mAP)@0.5提升到93.7%,mAP@0.5∶0.95提升到65.8%,YOLOv5s-DPE模型对小目标检测效果更好，误检漏检等情况有所减少。     

基于红外热成像的隧道火焰检测技术研究

精准的火焰检测是有效避免火灾发生的关键,针对传统的火灾探测算法在公路隧道等大空间环境中存在及时性与准确性相互制约的问题,通过研究隧道火焰初期在图像中呈现的静态和动态特征,提出了一种基于红外热成像的公路隧道火灾初期火焰检测方法。利用温度阈值获取疑似火焰区域,根据红外图像在引导滤波器作用下降噪,同时利用区域增长法分割疑似火焰区域;从疑似区域中提取的特征值构成特征向量,进行数据归一化提高SVM收敛速度;利用人工蜂群算法优化参数。结果表明:ABC-SVM能够实现公路隧道火灾初期的火焰识别,检测正确率相较于RBF方法提升了2.26%,运行时间缩短了2.29 ms;检测正确率相较于SVM方法提升了0.87%,运行时间缩短了2.22 ms。本方法可以对初期隧道火灾进行快速、有效检测,并有良好的环境适用性。     

基于扩展分形特征的图像型火灾检测

针对火灾检测中存在的不稳定及误判率高的问题,提出一种基于扩展分形特征的图像型火灾检测算法。首先在图像的HSI颜色空间进行火焰疑似区域的分割,然后采用文中提出的扩展分形特征计算方法计算图像扩展分形特征,利用该特征对目标事物对比度和大小尺寸敏感的特性,对火焰区域进行再次分割,得到最后的火焰区域。实验结果表明,该算法运行效率较高、误报率较低,适用于多种场合的火灾检测。