图像型火灾探测技术的研究

论文摘要

传统的火灾探测一般采用感温、感光、感烟等技术,在大空间建筑中不能正常发挥作用。图像型火灾探测技术是一种新型的探测方法,可以有效的克服传统火灾探测器的缺陷,有着广阔的应用前景。本文概述了图像型火灾探测技术原理,分析了火焰图像的特点,研究了典型图像型火焰探测算法,在此基础上提出了一种基于三层组合分割和RBF神经网络的火焰探测算法。首先针对背景复杂的火灾图像,利用中值滤波、直方图均衡化、图像锐化等预处理技术对其进行增强。采用差分技术、RGB颜色分割技术、形态特征分割技术建立了三层组合分割模型,排除大部分干扰,得到火焰疑似区域。然后分析了火焰疑似区域的相似性测度、面积变化值、致密度、偏心率、质心点偏移距离等特性,提取出火焰特征,较好地表征了火灾信息。最后运用RBF神经网络建立火灾识别模型,将提取出的火焰特征作为输入量,对火灾图像进行分类识别。仿真结果表明,该算法对不同场景的火灾识别具有较高的准确率。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 火灾发生过程
• 1.2 传统火灾探测技术
• 1.2.1 传统火灾探测器概述
• 1.2.2 传统火灾探测器弊端
• 1.3 基于视频的火灾探测技术
• 1.4 论文研究主要内容和章节安排
• 2 火灾图像增强
• 2.1 火灾图像特性分析
• 2.2 火灾图像增强方法
• 2.2.1 火灾图像的直方图均衡化
• 2.2.2 火灾图像的平滑
• 2.2.3 火灾图像的锐化
• 2.3 本章小结
• 3 火灾图像分割
• 3.1 复杂背景下的火灾图像分割算法研究
• 3.1.1 基于阂值的火灾图像分割算法
• 3.1.2 基于差分法的火灾图像分割
• 3.1.3 基于颜色的火焰分割算法
• 3.1.4 基于形态学的火焰分割算法
• 3.1.5 复杂背景下火焰组合分割算法
• 3.2 本章小结
• 4 火灾图像特征提取与识别算法设计
• 4.1 模式识别技术
• 4.2 火灾图像的形状特征分析
• 4.3 火灾图像的特征提取
• 4.3.1 火灾图像帧间相似性测度
• 4.3.2 火焰区域面积变化值
• 4.3.3 火灾图像致密度
• 4.3.4 火灾图像偏心率
• 4.3.5 火灾图像质心点偏移距离
• 4.4 基于RBF神经网络的火灾图像识别
• 4.4.1 神经网络概述
• 4.4.2 RBF神经网络原理
• 4.4.3 基于RBF神经网络的火灾识别算法设计
• 4.4.4 实验结果分析
• 4.5 本章小结
• 5 总结和展望
• 致谢
• 参考文献
• 研究成果