本文主要研究内容
作者罗胜,张翔,胡杰,王慕抽,张笑钦（2019）在《时间压缩轨迹特征识别的火灾烟雾检测》一文中研究指出：目的检测烟雾可以预警火灾。视频监控烟雾比传统的单点探测器监控范围更广、反应更灵敏,对环境和安装的要求也更低。但是目前的烟雾检测算法,无论是利用烟雾的色彩、纹理等静态特征和飘动、形状变化或者频域变化等动态特征的传统方法,还是采用卷积神经网络、循环神经网络等深度学习的方法,准确率和敏感性都不高。方法本文着眼于烟雾的升腾特性,根据烟雾运动轨迹的右倾直线特性、连续流线型特性、低频特性、烟源固定特性和比例特性,采用切片的方式用卷积神经网络(CNN)抽取时间压缩轨迹的动态特征,用循环神经网络(RNN)抽取长程的时间关联关系,采用分块的方式提高空间分辨能力,能准确、迅速地识别烟雾轨迹并发出火灾预警。结果对比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)以验证效果。CNN和C3D先卷积抽取特征,后分类。traj+SVM采用SVM辨识视频时间压缩图像中的烟雾轨迹,traj+RNNs采用RNNs分辨烟雾轨迹,traj+CNN+RNNs结合CNN和RNNs识别轨迹。实验表明,与traj+SVM相比,traj+CNN+RNNs准确率提高了35.2%,真负率提高15.6%。但是深度学习的方法往往计算消耗很大,traj+CNN+RNNs占用内存2.31 GB,网络权重261 MB,前向分析时帧率49帧/s,而traj+SVM帧率为178帧/s。但与CNN、C3D相比,本文方法较轻较快。为了进一步验证方法的有效性,采用一般方法难以识别的数据进一步测试对比这5个方法。实验结果表明,基于轨迹的方法仍然取得较好的效果,traj+CNN+RNNs的准确率、真正率、真负率和帧率还能达到0.853、0.847、0.872和52帧/s,但是CNN、C3D的准确率下降到0.585、0.716。结论从视频的时间压缩轨迹可以辨认出烟雾的轨迹,即便是早期的弱小烟雾也能准确识别,因此traj+CNN+RNNs辨识轨迹的方法有助于预警早期火灾。本文方法能够在较少的资源耗费下大幅度提高烟雾检测的准确性和敏感性。
Abstract
mu de jian ce yan wu ke yi yu jing huo zai 。shi pin jian kong yan wu bi chuan tong de chan dian tan ce qi jian kong fan wei geng an 、fan ying geng ling min ,dui huan jing he an zhuang de yao qiu ye geng di 。dan shi mu qian de yan wu jian ce suan fa ,mo lun shi li yong yan wu de se cai 、wen li deng jing tai te zheng he piao dong 、xing zhuang bian hua huo zhe pin yu bian hua deng dong tai te zheng de chuan tong fang fa ,hai shi cai yong juan ji shen jing wang lao 、xun huan shen jing wang lao deng shen du xue xi de fang fa ,zhun que lv he min gan xing dou bu gao 。fang fa ben wen zhao yan yu yan wu de sheng teng te xing ,gen ju yan wu yun dong gui ji de you qing zhi xian te xing 、lian xu liu xian xing te xing 、di pin te xing 、yan yuan gu ding te xing he bi li te xing ,cai yong qie pian de fang shi yong juan ji shen jing wang lao (CNN)chou qu shi jian ya su gui ji de dong tai te zheng ,yong xun huan shen jing wang lao (RNN)chou qu chang cheng de shi jian guan lian guan ji ,cai yong fen kuai de fang shi di gao kong jian fen bian neng li ,neng zhun que 、xun su de shi bie yan wu gui ji bing fa chu huo zai yu jing 。jie guo dui bi CNN、C3D(3d convolutional networks)、traj+SVM(trajectory by support vector machine)、traj+RNNs(trajectory by recurrent neural network)he ben wen fang fa traj+CNN+RNNs(trajectory by convolutional neural networks and recurrent neural network)yi yan zheng xiao guo 。CNNhe C3Dxian juan ji chou qu te zheng ,hou fen lei 。traj+SVMcai yong SVMbian shi shi pin shi jian ya su tu xiang zhong de yan wu gui ji ,traj+RNNscai yong RNNsfen bian yan wu gui ji ,traj+CNN+RNNsjie ge CNNhe RNNsshi bie gui ji 。shi yan biao ming ,yu traj+SVMxiang bi ,traj+CNN+RNNszhun que lv di gao le 35.2%,zhen fu lv di gao 15.6%。dan shi shen du xue xi de fang fa wang wang ji suan xiao hao hen da ,traj+CNN+RNNszhan yong nei cun 2.31 GB,wang lao quan chong 261 MB,qian xiang fen xi shi zhen lv 49zhen /s,er traj+SVMzhen lv wei 178zhen /s。dan yu CNN、C3Dxiang bi ,ben wen fang fa jiao qing jiao kuai 。wei le jin yi bu yan zheng fang fa de you xiao xing ,cai yong yi ban fang fa nan yi shi bie de shu ju jin yi bu ce shi dui bi zhe 5ge fang fa 。shi yan jie guo biao ming ,ji yu gui ji de fang fa reng ran qu de jiao hao de xiao guo ,traj+CNN+RNNsde zhun que lv 、zhen zheng lv 、zhen fu lv he zhen lv hai neng da dao 0.853、0.847、0.872he 52zhen /s,dan shi CNN、C3Dde zhun que lv xia jiang dao 0.585、0.716。jie lun cong shi pin de shi jian ya su gui ji ke yi bian ren chu yan wu de gui ji ,ji bian shi zao ji de ruo xiao yan wu ye neng zhun que shi bie ,yin ci traj+CNN+RNNsbian shi gui ji de fang fa you zhu yu yu jing zao ji huo zai 。ben wen fang fa neng gou zai jiao shao de zi yuan hao fei xia da fu du di gao yan wu jian ce de zhun que xing he min gan xing 。
论文参考文献
论文详细介绍
论文作者分别是来自中国图象图形学报的罗胜,张翔,胡杰,王慕抽,张笑钦，发表于刊物中国图象图形学报2019年10期论文，是一篇关于火灾论文,烟雾论文,时间压缩轨迹论文,特征识别论文,深度学习论文,循环神经网络论文,中国图象图形学报2019年10期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自中国图象图形学报2019年10期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：火灾论文; 烟雾论文; 时间压缩轨迹论文; 特征识别论文; 深度学习论文; 循环神经网络论文; 中国图象图形学报2019年10期论文;