基于图像处理的火灾智能监视识别技术的研究

论文摘要

火灾危害大,涉及范围广,火灾类型也层出不穷,尤其是大空间建筑和地下建筑的火灾监测和报警更是对传统型火灾探测器的巨大挑战。因为大空间建筑和地下建筑的空间大,火灾发生时产生的烟雾很难到达房间顶部或受热障区域的影响,人们常常不能及时发现起火位置,无法进行早期火灾监测、报警,使得消防联动装置成了摆设,等到火势无法控制时则为时已晚,造成巨大的损失。针对传统火灾探测器的缺陷,本文主要研究了火灾的各种物理特征及其火灾发生时的特殊表现,针对火灾图像实时性强、火灾烟雾含有大量火灾特征信息等特点,结合图像处理技术和小波分析理论,提出了基于图像处理的火灾智能监视识别方法。该方法获取实时视频中的帧图像,将帧图像转换为灰度图像,然后进行图像的预处理,包括增强图像的对比度,平滑和锐化等,接着提取早期火灾烟雾图像的特征,最后进行图像模式识别来判别是否有火灾发生,如果发生火灾则启动消防联动系统,消除火灾隐患,起到早期火灾报警的作用,达到避免经济损失和人员伤害的目的。针对烟雾图像的特点,本文提出两种烟雾图像型火灾检测方法:基于小波变换的烟雾图像型火灾检测法和基于帧图像相减法的烟雾图像型火灾检测法。基于小波变换的烟雾图像型火灾检测法首先对烟雾图像进行预处理,提高图像利用率,然后将烟雾图像小波分解,把高频部分的水平分量、垂直分量和对角分量作为特征向量进行模式识别判断火灾是否发生。基于帧图像相减法的烟雾图像型火灾检测法,将正常状况下采集的图像与烟雾图像进行相减,直接消除背景,再提取烟雾图像的异常部分,并把相减后的图像作为特征向量进行模式识别以判断火灾是否发生。以上两种方法均采用人工神经网络的方法进行火灾模式识别的分类,将火灾报警的分类简化为二值分类问题,即第一类非火灾,第二类火灾。通过视频监视实验证明,这两种方法实验结果准确性高、实时性强、鲁棒性好,具有重要的科学理论意义和工程应用价值。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景和意义
• 1.2 火灾探测技术的发展历史及研究现状
• 1.3 数字图像处理技术在火灾探测技术中的应用
• 1.3.1 数字图像处理概述
• 1.3.2 图像型火灾探测技术
• 1.4 论文研究内容及章节安排
• 第二章 小波变换与图像处理
• 2.1 引言
• 2.2 图像预处理
• 2.2.1 图像的减法
• 2.2.2 图像的对比度增强
• 2.2.3 图像的二值化
• 2.2.4 图像的平滑与锐化
• 2.3 基于小波变换的图像处理
• 2.3.1 小波变换基础
• 2.3.2 二维小波变换的基本理论
• 2.3.3 二维小波的分解与重构
• 2.3.4 小波分析在图像处理中的应用
• 2.4 本章小结
• 第三章 图像模式识别
• 3.1 引言
• 3.2 图像模式识别概述
• 3.3 判别函数和判别规则
• 3.3.1 线性判别函数
• 3.3.2 最小距离判别函数
• 3.3.3 最进邻域判别函数
• 3.4 特征的提取和选择
• 3.5 统计图像识别
• 3.5.1 线性分类器
• 3.5.2 贝叶斯分类器
• 3.6 人工神经网络识别
• 3.6.1 人工神经网络模型
• 3.6.2 基于人工神经网络图像识别的基本原理
• 3.6.3 基于神经网络的图像识别方法
• 3.7 本章小结
• 第四章 基于图像处理的火灾智能监视识别方法
• 4.1 引言
• 4.2 火灾产生的机理及发展过程
• 4.2.1 火灾产生的机理
• 4.2.2 火灾的发展过程
• 4.3 基于视频监控的烟雾图像型火灾探测系统
• 4.4 基于小波变换的烟雾图像型火灾检测方法
• 4.4.1 烟雾图像的获取
• 4.4.2 烟雾图像的预处理
• 4.4.3 烟雾图像的小波分解
• 4.4.4 烟雾特征图像的人工神经网络识别
• 4.5 基于相减法的烟雾图像型火灾检测方法
• 4.5.1 标准图像和烟雾图像的获取
• 4.5.2 标准图像和烟雾图像相减
• 4.5.3 烟雾特征图像的人工神经网络识别
• 4.6 本章小结
• 结论与展望
• 1 结论
• 2 展望
• 参考文献
• 致谢