基于图像/视频的森林火灾识别方法研究

论文摘要

火灾识别作为火灾监测系统的一个非常重要的组成部分,一直以来都是国内外研究人员研究的热点和难点。关于火灾识别的研究,虽然已经提出了很多算法,但是仍然有很多值得研究的问题。早期的火灾监测研究的过程中,由于研究样本选择的局限性、对系统实时性等的考虑不足,在实际的应用中受到很大的限制。我国的火灾监测技术的发展与国外发达国家相比还有很大的差距。基于目前国内外火灾监测技术的现状,本文重点研究了基于图像/视频的火灾识别方法。本文主要从火灾图像的预处理、火焰区域的分割、火灾的识别方法三个方面进行研究。在火灾的预处理方面主要研究火灾图像的降噪方法。在火焰的分割方面,通过对一千多幅实验样本进行统计,提出一种基于红色（R）分量的火焰区域分割方法,与传统的分割方法相比取得了较好的分割效果;在对视频的处理中,通过和帧差分方法相结合,使得分割对于云雾等白色区域的抗干扰能力得到加强。在火灾的识别方法方面,本文采用了三种基于火灾图像抽象特征的火灾识别方法,并从火灾识别的准确率、误报率、漏报率和火灾识别的实时性等方面进行了分析和研究。这三种方法分别是PCA+神经网络的方法、RBM方法、ELM方法。这三种方法均无需提取出火焰具体的动态或静态特征,就能很好的对火灾进行预报。其中改进的ELM方法对于火灾识别的准确率最高达到95%以上,而且对1800幅样本的测试时间小于1s,能够很好的满足系统实时性的要求。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景
• 1.1.1 火灾简介及灾情统计
• 1.1.2 森林火灾的现状及其危害
• 1.1.3 传统火灾探测技术
• 1.2 国内外火灾识别技术的研究现状
• 1.2.1 传统的火灾探测方法的发展
• 1.2.2 森林火灾的探测和预防
• 1.3 图像处理技术在火灾识别中的应用
• 1.3.1 图像型火灾识别技术的早期研究
• 1.3.2 基于图像/视频的火灾检测方法
• 1.4 本文的主要研究内容
• 1.5 论文结构
• 第二章 火灾图像的预处理
• 2.1 火灾图像序列的获取
• 2.2 图像预处理的原理
• 2.2.1 图像增强
• 2.2.2 基于像素点的空域变换增强
• 2.2.3 基于模板的空域变换增强
• 2.2.4 彩色图像增强
• 2.3 火灾彩色图像的预处理方法
• 2.4 小结
• 第三章 火焰区域分割
• 3.1 图像分割技术
• 3.1.1 基础知识
• 3.1.2 基于阈值的分割方法
• 3.1.3 边缘检测的分割方法
• 3.2 森林火灾的特征
• 3.2.1 火灾的燃烧现象
• 3.2.2 森林火灾的火焰特征
• 3.3 森林火灾火焰的分割
• 3.3.1 火焰分割方法现状
• 3.3.2 基于颜色特征的火焰分割方法
• 3.3.3 基于颜色特征的火焰分割方法的改进
• 3.4 小结
• 第四章 基于抽象特征的火焰识别方法对比
• 4.1 引言
• 4.2 基于PCA+神经网络的火焰识别方法
• 4.2.1 PCA的原理概述
• 4.2.2 神经网络方法概述
• 4.2.3 PCA + 神经网络方法
• 4.2.4 实验结果及分析
• 4.3 基于RBM的火灾识别方法
• 4.3.1 深度学习的思想
• 4.3.2 RMB原理
• 4.3.3 实验结果及分析
• 4.4 基于ELM的火灾识别方法
• 4.4.1 ELM原理
• 4.4.2 ELM算法
• 4.4.3 基于ELM的火灾识别算法
• 4.5 火灾识别方法的性能分析
• 4.5.1 本文中应用的三种方法的分析
• 4.5.2 本文中提出的方法与前人研究方法的性能对比
• 4.5.3 本文火灾识别方法的特点
• 4.6 小结
• 第五章 结束语与工作展望
• 5.1 工作总结
• 5.2 工作展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果