基于图像处理的大空间火灾监测研究

论文摘要

当今社会,随着人们生活水平的提高,像室外仓库、大型室内仓库、体育馆、剧场和展览馆等这样的大空间建筑越来越多,因此大空间的消防安全也引起了社会的重视。在结合大空间的建筑特点同时,需要尽快尽早地对处于初期的火灾火情进行检测与控制。传统的感烟型、感光型、感温型等火灾探测技术在大空间环境下,存在烟雾易扩散、光源采集易受外界干扰、温度无法快速传递等缺点,使得传感器信号变得十分微弱。而基于图像处理的大空间火灾监测研究,是利用图像处理方法提取出火灾初期的图像信息,可对火灾进行快速的监控与检测。在火灾发生过程中,火焰是主要视觉信息。本课题通过对火灾火焰的静态和动态特征综合分析后,将火灾火焰的颜色、尖角数、圆形度、闪烁频率以及面积变化等特征作为主要研究内容。首先利用图像预处理技术来排除干扰因素以及增强图像信息,然后利用HIS颜色模型实现基于颜色聚类的火焰图像分割,提取出疑似火焰区域。在进行特征提取时,首先利用逐行扫描法检测出尖角数,其次利用目标区域的周长与面积的关系计算出圆形度,然后将高度变化作为闪烁频率的判断条件,最后通过利用帧与帧之间像素值的差异实现面积变化率的确定。在目标识别部分,将这四个特征值作为输入值输入到BP神经网络,同时,利用多特征数据融合处理算法达到快速检测出火灾火焰的目的。在上述研究基础上,本课题提出了基于图像处理的大空间火灾火焰监控与检测的总体设计方案,给出了算法的设计和软件实现的具体方案与实施过程。通过实验证明,本课题选择的相关算法在对火灾火焰的检测与识别上具有较好的准确性和可靠性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究背景与意义
• 1.1.1 课题来源
• 1.1.2 课题应用
• 1.2 国内外研究与发展状况
• 1.3 传统火灾探测技术
• 1.3.1 传统火灾探测技术优缺点
• 1.3.2 图像型火灾探测技术发展
• 1.4 课题研究主要内容
• 1.4.1 课题研究目标
• 1.4.2 课题研究主要工作
• 1.5 小结
• 2 火灾图像识别的数字图像理论基础
• 2.1 数字图像处理系统
• 2.2 图像采集系统
• 2.3 图像增强
• 2.3.1 图像平滑技术
• 2.3.2 图像锐化技术
• 2.4 图像分割
• 2.4.1 基于区域的分割
• 2.4.2 基于阈值选取的分割
• 2.4.3 基于边缘检测的分割
• 2.5 图像识别
• 2.6 本章小结
• 3 火灾图像特征分析
• 3.1 火灾发展过程
• 3.2 火灾颜色变化
• 3.3 火灾形态变化
• 3.4 对火灾判决存在的干扰因素
• 3.5 大空间火灾监测依据
• 3.6 基于火焰图像信息的火灾监测系统设计
• 3.6.1 系统实现模块
• 3.6.2 系统设计流程图
• 3.7 本章小结
• 4 火灾火焰图像预处理与分割
• 4.1 火焰图像预处理
• 4.2 颜色模型
• 4.2.1 计算颜色模型
• 4.2.2 工业颜色模型
• 4.2.3 视觉颜色模型
• 4.3 基于HIS模型的火焰图像分割
• 4.3.1 火焰颜色的分析与检测
• 4.3.2 HIS颜色模型的分割实现
• 4.3.3 阈值分割技术
• 4.3.4 LOG算子边缘检测
• 4.4 火焰图像形态学处理
• 4.5 本章小结
• 5 火焰形态特征提取
• 5.1 火焰边缘特征信息识别算法
• 5.1.1 尖角特征
• 5.1.2 圆形度特征
• 5.2 闪烁频率特征
• 5.3 面积变化特征
• 5.4 本章小结
• 6 多特征融合算法
• 6.1 数据融合
• 6.1.1 多特征数据融合在火灾探测中的应用
• 6.1.2 数据融合方法
• 6.2 人工神经网络在火灾探测系统中的应用
• 6.3 基于BP神经网络的火焰图像信息多特征融合
• 6.3.1 BP神经网络理论
• 6.3.2 BP网络模型的建立与算法设计
• 6.3.3 数据融合过程
• 6.3.4 数据输出
• 6.4 本章小结
• 7 实验过程与数据分析
• 7.1 实验环境
• 7.1.1 硬件环境
• 7.1.2 软件环境
• 7.1.3 软件流程图
• 7.2 火焰特征实验
• 7.2.1 颜色特征实验
• 7.2.2 形态特征实验
• 7.3 不同目标检测结果对比
• 7.4 本章小结
• 8 结论与展望
• 8.1 工作总结
• 8.2 工作展望
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢