森林火灾图像自动识别系统的研究与实现

论文摘要

森林火灾目前频繁发生,不仅直接危害森林生态系统,而且给人类社会造成巨大的损失。如何防范森林火灾发生,实现森林火灾的自动监测是当前急需解决的重要问题。本文结合数字图像处理、计算机视觉、模式识别和人工智能等技术,通过对森林火灾图像的视觉特征的深入分析,设计了基于BP人工神经网络的火灾图像识别算法,最终设计和实现了一套完整的森林火灾图像自动识别系统。论文主要研究内容和结论如下:(1)对火灾图像处理算法做了详细地研究。根据彩色图像的色彩信息,完成了在HSI空间中基于颜色特征聚类的火焰彩色图像的分割算法。(2)改进了火灾火焰图像识别算法。提取火灾火焰的颜色和形状上的特征参数,将这些特征参数融合在一起构成火焰特征向量,并实现了基于BP神经网络模型的火灾火焰图像的识别算法。(3)设计与实现了森林火灾图像自动识别系统。设计了整个系统的总体硬件结构和软件接口模块,并编写程序实现了各软件模块的功能。测试结果表明,该系统的识别率较高、误报率较低,识别速度较快、抗干扰力强,具有广阔的应用前景。

论文目录

• 摘要
• ABSTRACT
• 第1章 引言
• 1.1 课题背景及意义
• 1.2 森林火灾分析
• 1.2.1 火灾的燃烧现象
• 1.2.2 火灾图像信息分析
• 1.2.3 林火图像的波谱特征
• 1.3 火灾探测技术
• 1.3.1 传统的火灾探测技术
• 1.3.2 图像型火灾探测技术
• 1.3.3 国内外研究现状
• 1.4 本文研究内容和结构
• 1.5 本章小结
• 第2章 图像处理和图像识别基础理论
• 2.1 图像颜色处理
• 2.1.1 颜色空间模型
• 2.1.2 直方图
• 2.1.3 图像灰度化
• 2.1.4 图像二值化
• 2.2 图像增强
• 2.2.1 图像平滑
• 2.2.2 图像锐化
• 2.3 图像分割
• 2.3.1 阈值分割
• 2.3.2 基于边缘检测分割
• 2.3.3 基于区域分割
• 2.3.4 特征空间聚类分割
• 2.4 图像识别
• 2.4.1 特征选择
• 2.4.2 图像特征提取
• 2.4.3 模式识别方法
• 2.5 本章小结
• 第3章 火灾图像处理
• 3.1 图像滤波
• 3.2 火焰彩色图像分割
• 3.2.1 选取颜色空间
• 3.2.2 火焰图像分割算法
• 3.3 边界提取和轮廓跟踪
• 3.4 本章小结
• 第4章 火灾图像的特征提取及识别算法
• 4.1 火焰图像特征提取
• 4.1.1 颜色特征提取
• 4.1.2 形状特征提取
• 4.2 神经网络的火灾图像的识别算法
• 4.2.1 人工神经网络与图像识别
• 4.2.2 BP神经网络结构学习
• 4.2.3 基于BP神经网络的火灾图像识别算法
• 4.3 本章小结
• 第5章 森林火灾图像自动识别系统的设计与实现
• 5.1 系统原理
• 5.2 系统硬件结构
• 5.2.1 视频图像采集模块
• 5.2.2 云台控制模块
• 5.3 系统软件设计
• 5.3.1 图像采集
• 5.3.2 图像处理
• 5.3.3 林火识别
• 5.3.4 林火报警与定位
• 5.4 系统性能测试与结果分析
• 5.5 本章小结
• 第6章 结论与展望
• 6.1 结论
• 6.2 展望
• 致谢
• 参考文献
• 攻读学位期间的研究成果