论文部分内容阅读
在当今社会生活中,火灾是严重危及生命财产安全的自然灾害之一。因此,对火灾的有效检测成为当前一个非常重要的研究课题。传统的火灾探测器需要与可燃物直接接触,存在探测范围小、容易受环境影响、误报率高等不足,难以适应当前大空间、大面积建筑物的监测。而基于图像处理的火灾识别系统可以对视频图像进行分析,获得视频中的火灾信息,并做出及时反应,因此实时性、可靠性和准确性更高。传统的图像处理技术一般在普通计算机上使用,通常不便于安装和检修。本文在嵌入式系统中实现基于图像的火灾监测,研究高效的图像特征提取和融合识别方式,对现阶段火灾检测具有重要意义。 在查阅了国内外相关文献的基础上,论文首先构建了一个基于ARM11处理器的嵌入式视频监控系统平台。该系统采用了三星S3 C6410处理器、Logitech公司的C270摄像头以及嵌入式Linux3.0.1操作系统。在此基础上利用V4L2接口设计了视频采集与LCD显示,实现了视频的采集。 论文概述了灰度化、滤波、直方图均衡化等图像预处理方式,并对各个预处理所采用的计算方法做了比较,分析了不同灰度化、滤波方式的特点与效果,选取了合适的预处理计算方式。重点分析了火灾火焰的颜色特征、面积变化、尖角变化、质心移动、圆形度特征,并研究了各个特征提取方式。 提出一种将火焰图像的多个特征与BP神经网络相结合的识别方式。火灾的图像识别过程就是将图像特征信息进行处理分析,给出判断结果。由于火灾的发生具有随机性、参量具有时空变异性等原因,很难有比较完善的计算模型精确描述其过程。神经网络就是以不精确的方式处理不精确的信息,对火灾火焰的识别具有十分突出的效果。 由于实时视频中大部分情况都是没有火灾的正常情况,并且火灾的发生初期只占一小部分区域,如果对每帧进行算法检测,效率会大大降低。基于以上因素先通过帧差法提取运动目标,并在没有火情的情况下对背景进行定时更新;接着运用HIS色彩空间对火灾目标区域进行了有效的分割;然后将分割的区域进行特征提取;最后将提取的特征值信息输入到神经网络进行判断。 测试阶段首先在PC机上利用MATLAB对BP神经网络进行训练,并且对训练后的网络取独立的样本进行验证。然后将算法移植到ARM监控平台上进行测试,验证了系统的可行性、可靠性。