基于视频图像的森林火灾监测

论文摘要

本论文以早期森林火灾的监测为背景,应用数字图像处理技术和人工神经网络识别技术对早期森林火灾监测识别进行了研究,为将来森林火灾智能化监测提供了理论基础和技术支持。本论文的研究思路是按照图像识别的基本步骤进行的,首先研究了基于图像采集卡的视频图像采集,并对采集到的图像采用均值滤波和中值滤波相结合的方法进行滤波去噪预处理。其次介绍了基于背景差分法的运动目标检测及实时背景更新策略,对差分后的图像采用最佳阈值法对运动目标进行二值化。对目标区域存在的孤立点,采用形态学中腐蚀和膨胀方法进行消除,从而得到完整的运动目标。由于目标在不断的运动,所以本文以两帧背景差分图像作为一组进行特征提取,提取两帧的变化作为特征,并进行归一化。最后,采用改进的BP神经网络对样本进行训练,并画出了训练误差曲线,通过对训练好的网络进行样本测试,表明利用神经网络技术来实现早期森林火灾识别是可行的,且识别成功率高、识别迅速,验证了采用本文所述方法的正确性和有效性。为今后的进一步研究打下了基础。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的选题背景及意义
• 1.2 国内外研究现状分析
• 1.3 本论文主要研究内容
• 第2章 视频图像采集
• 2.1 视频图像采集系统
• 2.2 CCD 摄像头
• 2.2.1 CCD 摄像头的工作原理
• 2.2.2 摄像头的主要参数
• 2.2.3 本系统摄像头的参数
• 2.3 视频采集卡
• 2.4 个人计算机
• 2.5 图像采集结果
• 第3章 图像预处理及运动目标提取
• 3.1 图像预处理
• 3.1.1 平滑滤波
• 3.1.2 中值滤波
• 3.1.3 本论文采用的滤波方法
• 3.1.4 滤波结果
• 3.2 运动目标提取
• 3.2.1 光流场法
• 3.2.2 背景差分法
• 3.2.3 帧差法
• 3.3 本文选用的方法
• 3.3.1 背景模型的选取
• 3.3.2 背景差减算法
• 3.3.3 差分图像的二值化
• 3.3.4 孤立点的消除
• 3.4 实验结果及分析
• 第4章 森林火灾烟的特征提取
• 4.1 概述
• 4.2 特征值的计算
• 4.2.1 均值变化和方差计算
• 4.2.2 重心和连通区域个数变化计算
• 4.2.3 归一化矩的变化计算
• 4.2.4 面积的变化计算
• 4.3 特征提取结果
• 第5章 基于人工神经网络的早期森林火灾识别
• 5.1 人工神经网络概述
• 5.2 BP 网络
• 5.2.1 BP 学习算法
• 5.2.2 BP 神经网络的优化及改进
• 5.2.3 BP 神经网络结构设计
• 5.3 利用BP 网络对森林火灾图像进行分类
• 5.3.1 BP 神经网络训练
• 5.3.2 BP 网络样本的选择
• 5.3.3 实验结果及分析
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和获得的科研成果
• 致谢