Алгоритмы компьютерного зрения для обнаружения дыма на видеопоследовательностях
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 4 т.50, 2026 года.
Бесплатный доступ
Представлен аналитический обзор методов и алгоритмов детектирования дыма на последовательностях изображений для раннего обнаружения пожаров с применением систем видеонаблюдения. Рассмотрены визуальные признаки дыма, включая его статические и динамические особенности, которые позволяют отличать его от схожих явлений. Также представлены ограничивающие и мешающие факторы, влияющие на отображение визуальных признаков дыма в реальном мире на видеокадрах. Рассмотрены метрики для оценки эффективности детектирования и локализации областей дыма. Анализируются подходы, основанные на классических алгоритмах компьютерного зрения и на машинном обучении, включая сверточные нейронные сети и трансформеры. Алгоритмы, основанные на машинном обучении, систематизированы с учетом вычислительных затрат. Представлены существующие наборы данных машинного обучения моделей обнаружения дыма, приведены варианты аугментации изображений для расширения обучающей выборки.
Короткий адрес: https://sciup.org/140316466
IDS: 140316466 | DOI: 10.18287/COJ1827
Computer vision algorithms for detecting smoke in video sequences
This paper presents an analytical survey of methods and algorithms for smoke detection in image sequences, aimed at early fire detection using video surveillance systems. Static and dynamic visual features of smoke that enable its discrimination from visually similar phenomena are examined. Limiting and interfering factors that degrade the visibility of smoke visual features in real-world video frames are discussed. Criteria for evaluating the effectiveness of smoke detection and localization are presented. Approaches based on classical computer vision techniques, as well as machine learning methods, including convolutional neural networks and transformers, are analyzed. Machine learning-based algorithms are systematically categorized according to computational cost. Existing datasets for training smoke detection models are reviewed, along with image augmentation techniques employed to expand the training set.
