论文部分内容阅读
基于视频图像的探测方法具有探测范围广、响应时间短、成本低等优势,是解决高大空间建筑火灾探测问题的有效方法。基于视频图像的探测由三个环节组成:目标提取、目标跟踪和目标识别。由于高大空间中图像信息的复杂性,如光照变化、物件移动、目标数量多、运动模型多变、目标遮挡、镜头遮挡、小样本等,使得火灾探测的准确性、实时性和鲁棒性难以同时满足。本文改进和提出了关于目标提取、跟踪和识别的系列算法,并开发了针对高大空间建筑火灾探测的软件系统。本文的研究成果主要有以下几个方面:(1)目标提取:主要解决高大空间中由于光照变化、物件移动等而造成的不能准确、及时提取火灾目标(火焰、烟雾)问题。分析了当前主要目标提取方法的特点及实际效果;针对背景差分法中的背景更新问题,提出了一种基于跟踪和识别信息的时空自适应背景更新法:把目标跟踪、识别的结果信息进行反馈,用以指导背景更新,以考虑目标类型、位置和频率特征等差异。(2)目标跟踪:主要解决多目标跟踪的模型多变和遮挡问题。构建了用于多目标提取、跟踪和识别的数据存储结构;针对状态向量是测量向量扩展形式的平方根无迹卡尔曼滤波(square root unscented kalman filter, SR-UKF),提出了一种新的精简算法;针对高大空间中运动模型多变、目标遮挡和镜头遮挡等问题,把多模型、数据延迟和模糊自适应融入到多目标跟踪体系中,提出了一种新的多目标跟踪方法——基于多模型和数据延迟的模糊自适应多目标跟踪。(3)目标识别:针对高大空间条件下火灾识别的小样本问题,利用基于遗传算法的最小二乘支持向量机(genetic algorithm based least square support vector machine, GALSSVM)中GA样本训练的结果信息构建了模糊隶属度函数,形成了基于模糊隶属度和遗传算法的最小二乘支持向量机(fuzzy membership and genetic algorithm based least square support vector machine, FGALSSVM);针对单一、瞬态识别算法的准确性和鲁棒性不足问题,把瞬态融合和历史信息融合的概念引入到目标识别中,建立了基于算法融合的目标识别框架。除了改进算法本身,本文开发了各主要算法的源代码以及软件系统,并基于火灾实验的视频文件,对改进算法的实际效果进行了实验验证。