基于弱监督深度网络的火灾检测技术研究与实现

摘要

火灾是自然人为双重诱因导致的最常见的灾难性事件之一，火灾的发生不仅会造成巨大的财产损失、惨重的人员伤亡，同时还可能造成社会混乱、破坏生态平衡。因此，实时且准确地检测出火灾以减少其危害将越来越重要。
　　现有的火灾检测方法主要分为两种:基于传统图像处理的火灾检测方法和基于深度网络的火灾检测方法。由于火焰级别不同，所对应图像的特征具有较大差异，人为提取特征并做分类有很大的局限性。因此，本文采用基于弱监督深度网络的火灾检测方法。
　　(1)提出基于弱监督双流序列回归深度网络的视频火灾检测方法。该算法结合深度网络视频特征的表征能力，将火灾检测形式化为多类别有序回归问题，提出基于双流序列回归深度网络的火灾检测模型。提出的方法有效地融合了视频帧之间运动信息和关键帧的视觉信息。在构建的数据库和现有三个公开火灾数据集上的实验表明，本文提出的火灾检测方法准确率显著提高。
　　(2)构建大规模火灾视频数据库。由于目前公开的火灾视频数据集的规模太小，不适合用来做深度网络的学习与训练，本文构建了一个室外大规模多场景火灾视频数据库FireData。根据图像中火焰面积的占比情况，将视频帧图像分为5个等级，数据库中共有利用人工标注的700个视频序列。
　　(3)设计开发实时视频火灾检测系统。利用本文提出的双流序列回归深度网络视频火灾检测方法，在Windows操作系统下，基于C++语言与OpenCV开源库实现实时的视频火灾检测系统。

目录

声明

致谢

摘要

1 引言

1．1 研究背景及挑战

1．1．1 研究背景与意义

1．1．2 研究困难与挑战

1．2 国内外研究现状

1．2．1 基于传统图像处理的火灾检测方法

1．2．2 基于深度网络的火灾检测方法

1．3 论文主要研究内容

1．4 论文组织结构

2 相关技术和理论介绍

2．1 基于传统图像处理的火灾检测技术

2．1．1 运动区域检测

2．1．2 图像视觉特征

2．1．3 分类器设计

2．2 基于深度网络的火灾检测技术

2．2．1 卷积神经网络

2．2．2 几种网络模型介绍

2．3 本章小结

3 基于深度网络的火灾检测算法

3．1 算法提出动机

3．2 算法整体框架

3．3 算法相关技术理论介绍

3．3．1 反卷积神经网络

3．3．2 RNN

3．4 端到端的双流网络模型

3．4．1 静态网络

3．4．2 运动网络

3．4．3 特征融合

3．4．4 运动信息累积

3．5 多类别有序回归模型

3．5．1 问题描述

3．5．2 模型构建

3．5．3 算法实现

3．6 本章小结

4 实验设置分析与应用系统实现

4．1 实验数据集的构建

4．2 实验设置与分析

4．2．1 实验评价指标

4．2．2 实验对比方法

4．2．3 实验结果分析

4．3 火灾检测系统实现

4．3．1 系统总体框架

4．3．2 系统实现细节

4．3．3 系统结果展示

4．4 本章小结

5．1 总结

5．2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集