detección de humo
Helen Li
SMQT
2016-06-14 16:43:59
detección de humo
Cuando se produce un incendio, la latencia de detección mínimo es crucial para minimizar los daños y salvar vidas. sensores de humo actuales inherentemente sufren el retardo de transporte de los humos del fuego para el sensor. Un sistema de detección de humo vídeo no tendría este retraso. Además, el video es un sensor de volumen, no un sensor de punto. Un sensor de punto de mira a un punto en el espacio. Ese punto no puede verse afectada por el humo o el fuego, por lo que no sería detectado el humo. Un sensor de volumen potencialmente supervisa un área más grande y tiene mucho mayor probabilidad de detección precoz con éxito de humo o llamas.
detección de humo de vídeo es una buena opción cuando el humo no se propaga de manera "normal", por ejemplo, en túneles, minas y otras áreas con ventilación forzada, y en áreas con la estratificación del aire, por ejemplo, hangares, almacenes, etc. video es también es una buena opción para grandes áreas abiertas, en las que pueda haber calor o la propagación de humo a un punto fijo, por ejemplo, aserraderos, refinerías petroquímicas, incendios forestales, etc.
La investigación en la detección de humo utilizando cámaras de vigilancia se ha vuelto muy activos recientemente. Al igual que el viejo dicho "donde hay humo hay fuego" pone, detección de humo temprana se refiere a la seguridad de la vida y la propiedad de las personas.
Con la detección de humo de vídeo, es posible hacer frente a dos problemas en los detectores de humo tradicionales que se basan principalmente en partículas s
UESTREO: 1. Los detectores de humo tradicionales requieren una proximidad cercana a la fumar.
2. Por lo general, no proporcionan información sobre la ubicación del incendio, el tamaño, la quema de grado, etc. Sin embargo, la detección de humo de vídeo aún tiene grandes desafíos técnicos desde su actual el rendimiento es inferior a las de particle- tradicional el muestreo de detectores basados en términos de tasa de detección y falsos tasa de alarma.
Esto se debe principalmente a las siguientes razones con señal de humo video:
1) La variabilidad en la densidad del humo, iluminación, el fondo diversa, lo que interfiere objetos no rígidos, etc.
2) Ninguna de las características de las imágenes primitivas como la intensidad, movimiento, borde, y oscurecimiento caracteriza así el humo.
3) el patrón visual de humo es difícil de modelar.
Las técnicas existentes
Recientemente se han propuesto varios métodos de detección de humo de vídeo capturado en el espectro visible. Estos métodos hacen uso de la firma visuales tales como el movimiento, el borde, oscurecimiento, y la geometría de las regiones de humo. A continuación, utilizan el análisis bayesiano, o el análisis basado en reglas para decidir si se detecta humo.
Los métodos representativos clave se resumen en la siguiente:
1. Fujiwara y Terada
[1] propuesto el uso de los conceptos de codificación fractal para extraer regiones de humo de una imagen. Utilizaron la propiedad de auto-similitud de formas de humo para buscar las características de las regiones de humo en el código producido por la codificación fractal de una imagen.
2. Kopilovic et al.
[2] se aprovechó de irregularidades en movimiento debido a la no rigidez de humo. Se calculan campo de flujo óptico utilizando dos imágenes adyacentes, y luego utilizar la entropía de la distribución de las direcciones de movimiento como una característica clave para diferenciar movimiento humo de movimiento no humo.
3. Töreyin et al.
[3] características de las imágenes extraídas tales como el movimiento, el parpadeo, bordes desenfoque de movimiento del segmento, el parpadeo, y las regiones de borde difuminar de vídeo. Los métodos para extraer estas características eran sustracción de fondo, transformación wavelet temporal, y la transformación wavelet espacial.
4. Vicente y Guillemant
[4] extraída movimientos locales de análisis de agrupamiento de puntos en un espacio multidimensional incrustación temporal con el fin de realizar un seguimiento de los sobres dinámicas locales de píxeles, y las características a continuación, se utilizan el histograma de distribución de velocidades para discriminar entre humo y diversos fenómenos naturales como las nubes y el viento arrojó árboles que pueden causar tales sobres.
5. Grech-Cini
[5] se utiliza más de 20 características de la imagen, tales como el porcentaje de cambio de imagen, la correlación, la varianza, etc., extraído de las dos imágenes de referencia y las imágenes actuales, y luego se usa una basado en reglas o un análisis de regla-primero-Bayesiano-siguiente método para diferenciar el movimiento humo de movimiento libre de humos.