论文部分内容阅读
本文基于深度图像技术,以飞行时间(time of flight, TOF)深度相机为主要设备,开展了深度图像技术在火焰探测和人形识别中的应用。开发了用于火焰探测和人形识别的算法,实现了较高精度的火焰探测和人形识别。通过将算法与设备整合,建立了基于深度图像的火灾监控系统,实现了研究成果的应用。主要研究内容如下:为开发飞行时间深度图像技术在火灾探测中的应用、简化探测算法、提高检测速率和准确性,结合火焰的深度图像特征,设计了基于深度图像变化率的火焰识别算法。以三维深度相机为主要图像捕获设备,进行了多组火焰探测实验,包括正庚烷火焰、乙醇火焰、纸张火焰、灯光干扰、行人干扰实验,对捕获的图像进行了处理与计算,设计了识别火焰的简化算法和火焰像素估计模型。采用该方法分析了火焰深度图特征,火焰识别结果图像的频谱图特征、集中度特征以及面积变化特征。研究结果表明,采用文中提出的算法的实验识准率大于91.5%,误识率小于3.8%,能有效识别火焰。结合Adaboost算法和决策树模型在人形分类上的优势,设计了基于深度图像和统计学习方法的人形识别算法。通过建立自制人形样本库,根据人员疏散的具体应用场景,进行了正负样本图像的采集与预处理。使用Adaboost和CART决策树对正负样本图像进行训练和检测。比较了三种Adaboost分类器的识别效果,发现Gentle Adaboost算法的分类效果优于其他两种算法。分析了HOG-depth特征的参数对结果的影响,发现考虑方向的正负性后能够减小分类错误率,并且增加方向角度个数也能减小分类错误率。分析了检测窗口遍历方式对测试效果的影响,为平衡较短检测时间和较好检测效果,宜选用16像素的滑动步长。此时,分类时间T=3.01s,漏检率MR=1.1%和误检率FR=1.0%均能达到较为理想的结果。设计了基于深度图像的火灾监控系统及基于人形识别的消防装置控制方法。