论文部分内容阅读
当建筑单层高度超过4米时,感温探测器失去效应;超过12米时,烟雾探测器部分失去效应,而图像型火灾探测器在高度超过20米时也可以正常工作[1]。图像型火灾探测器响应速度快,不受高度限制,开销小,成为近几年研究的热点。但受光照变化、物体反光等影响,在复杂场景中火灾探测识别率较低。为了提高探测算法的准确率、鲁棒性和实时性,针对现有图像型火灾探测算法的不足,本文重点研究了火焰分割、特征提取和识别等相关算法。主要有以下几方面:(1)火焰分割。火焰分割是降低火灾探测漏报率的根本,对现有火焰分割方法的性能进行了实验分析,研究了一种基于YUV颜色空间和改进分层聚类的火焰分割方法。首先建立YUV空间的火焰颜色模型,然后根据一组视频帧中火焰历史运动特征获取疑似目标,将颜色相似的静止干扰物排除。用改进的分层聚类算法将同一区域中的离散目标合并,为下一步的特征提取提供较少的疑似目标,提高算法速度,改善视频延迟。(2)火焰特征提取和识别。从大量火灾视频中仅提取火焰部分视频,分析火焰常用特征,用支持向量机研究这些特征以及不同特征组合的效率,最终选定识别率最高的六个特征组合来表达火焰。该方法从理论上证实了火焰特征的可靠性,为以后新特征的加入提供了思路。在研究过程中拍摄了大量不同场景中的火灾视频,并结合国际上常用的测试视频建立了火灾视频测试库。对各算法进行编程实现,用测试库中的视频对火焰分割、特征提取和识别算法的实际效果进行了测试,根据测试结果进行分析和算法改进。