基于光流改进与YOLOv3的烟雾检测方法

李澎林，章军伟，李 伟

(浙江工业大学 计算机科学与技术学院，浙江 杭州 310023)

火灾是一种频发灾害，对人们的生产生活构成严重的威胁和破坏，而早期烟雾实时检测与报警对火灾救援极为重要。传统的火灾检测装置探测范围小、设备成本高，且极易受天气光照等影响，火灾误报率较高。随着图像识别技术的发展和视频监控设施的广泛应用，基于视频的烟雾识别方法成为国内外学者的研究热点。

烟雾特征主要由色彩、纹理等静态特征和湍流、飘动等动态特征组成[1]，对烟雾识别的研究也主要集中在烟雾特征提取算法上。李笋等[2]提出了一种基于烟雾色彩图像增强和MSER检测的烟雾算法，通过增强色彩变换突出烟雾区域用于图像分割并检测。Yuan等[3]通过分析烟雾的亮度和饱和度，利用积分图提取Haar特征进行烟雾检测。Qureshi等[4]采用静态背景模型通过差分的方法提取前景目标检测和分割移动区域。董兰芳等[5]提出了一种基于图像分离检测方法，通过混合高斯模型和统计非参数方法结合暗通道得到候选烟雾区域，并进一步提取局部二值模式特征使用支持向量机进行分类和判别。Dimitropoulos等[6]提出了使用HSV颜色模型中的3 个通道以及HOG特征形成4维3D块组成一个张量，然后提出高阶线性动态系统(h-LDS)进行分析，通过大量特征提取和分类的文献表明：提取单独一个或者多个特征和图像预处理方面的增强并不能满足综合复杂环境的烟雾检测，随着深度学习方法在目标识别领域的广泛应用，通过大数据样本训练、自学习，以实现特征提取和分类器的联合优化，弥补了目标复杂特征刻画带来的不足。……