基于深度学习和双目视觉的火焰目标检测与测距算法研究.pdf
基于深度学习和双目视觉的火焰目标检测与测距算法研究
摘要
近年来,火灾事故频发,这种非自然灾害造成了大量的人员伤亡和经济损失。高
效、精准的火焰检测与定位技术的研究,对于减少火灾造成的人员伤亡与财产损失具
有重要意义。传统的火灾预防系统只聚焦于火焰检测而没有测距功能,同时应用到不
同场景时还出现了鲁棒性差等问题,往往不能很好地达到预期效果。本文主要针对城
市火灾场景,以火焰目标作为研究对象,致力于结合深度学习与双目视觉技术,设计
了一种精度高且响应快的火焰目标检测与测距算法,并通过PyQt可视化框架和ZED2
双目相机,将本文算法实际应用到火灾预防软件中,实时监测火灾情况。
首先,本文通过LabelImg脚本标注工具建立了火焰数据集,为了增加数据集的数
量,本文通过图像增强的方式进行数据集扩充。通过对YOLO系列目标检测算法在本
文数据集的性能对比实验,发现YOLOv8n的性能最好,因此选择YOLOv8n作为检测
的基准模型。为了进一步提高检测的精度,本文引入SimAM注意力机制和双向特征融
合网络(BidirectionFeaturePyramidNetwork,BiFPN)对YOLOv8n模型进行改进,检测
实验结果表明,与原模型相比,加入SimAM注意力机制后检测精度提升了1.7%,加
入双向特征融合网络后检测精度提升了0.4%。
其次,本文设计了一种基于双目视觉的火焰目标快速匹配算法来实现测距。BM局
部立体匹配算法匹配速度快但精度低;而SGBM半全局立体匹配算法匹配精度高但速
度慢。针对以上问题,本文以SGBM作为基准匹配算法,对代价计算部分进行改进,
达到了精度和速度的良好平衡。本文算法使用Census变换进行代价计算,保持高精度
的同时加快了匹配速度。针对Census变换可能造成歧义性及其对中心点像素的高依赖
性,本文设计MAD(MeanAbsoluteDeviation)-Census变换进行改进,即采用区域内平
均像素而非中心点像素进行Census变换,有效消除了歧义性并增强了匹配算法的鲁棒
性。实验结果表明,本文算法的计算时间减少了39.52ms,误匹配率减少了4.5%。
最后,基于本文算法研究,设计了一套火焰检测与测距系统软件。该系统基于
PyQt图形界面框架,以可视化界面的展示方式,将本文算法应用到实际场景中实时监
测火焰目标并对其进行距离测量。
关键词:目标检测,YOLOv8n,双目测距,Census变换,PyQt
基于深度学习和双目视觉的火焰目标检测与测距算法研究
Abstract
Inrecentyears,fireaccidentshappenfrequently.Thiskindofunnaturaldisasterhas
causedalotofcasualtiesandeconomiclosses.Theresearchofefficientandaccurateflame
detectionandlocationtechnologyisofgreatsignificancetoreducethecasualtiesandproperty
lossescausedbyfire.Thetraditionalfirepreventionsystemonlyfocusesonflamedetection
withoutrangingfunction,andhassomeproblemssuchaspoorrobustnesswhenappliedto
differentscenes,whichoftencannotachievetheexpectedeffect.Theurbanfirescenesare
mainlyfocusedoninthispaper,theflametargetistakenastheresearch