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