图像处理与模式识别在火灾探测领域的应用课件.pptVIP

图像处理与模式识别在火灾探测领域的应用;;森林火灾的成因及监测简介;森林火灾探测要解决的问题;林火扑救涉及的信息;火灾的物理特征;摄像器件的选择;基于数字图像处理的火灾探测技术主要应用图像或温度传感技术，用摄像头监视现场，同时对摄得的连续图像由图像采集卡转换为数字图像输入计算机，根据早期火灾火焰的图像特征并结合多重判据，运用数字图像处理对序列图像进行识别判断，从而达到探测火灾的目的。由于图像包含有强度、形体、位置等多种信息，而且采用光学传感器(CCD摄像头)以非接触方式监测现场，所以图像型火灾探测技术相比于传统的探测技术而言有其自身特有的优越性：;(1)可以融合传感器探测的优点； (2)属于非接触探测技术，适用于大空间、大面积、多粉尘、高湿度等复杂场所； (3)基于数字图像信号处理技术，可采取对火灾燃烧时的多参数、多图像特征识别，能够提高火灾探测的可靠性； (4)可对火灾现象中的图像信息作出快速反应，并提供直观的图像信息。;图像型火灾探测方法缺陷;图像型火灾探测方法流程;三）火灾图像的获取、预处理与分割;3.1 火灾图像的预处理（滤波）;3.2 火灾图像的分割;在背景单一，光线较弱的环境下，用背景差分法可以有效的分割出火焰。这是因为在这种情况下可以获得理想的背景图像，各帧图像和理想背景相减，这样无论什么场景，都会很精确地得到运动目标。但在背景复杂，光线较强的情况下，背景差分法很难有效的分割出火焰。;一种新的图像差影检测算法;四）火灾图像特征分析 ------火焰特征的分析;从表中的数据可以看出，火灾火焰的～阶颜色矩与煤气火焰，车灯和其它一般的运动物体有明显差别，但与路灯差别较小，由于路灯也有很多种颜色，如白色，黄色等，很容易与火灾火焰的一阶颜色矩相近或相同，所以颜色矩判剧需要与其它判剧配合使用。;;灰度共生矩阵法：;;火灾纹理特征的特点;;五）基于神经网络的火灾探测;输入层节点数：6 阶颜色矩、反差、逆差矩、能量、 灰度相关、形体变化相似度 隐藏层节点数：输入层节点数×2+1 输出层节点数:1（对输出???了归一化，其值在0-1之间） 1)0.85≤Y≤1 火灾状态； 2)0.25Y0.85 可疑状态； 3)0≤Y≤0.25 正常状态；;选取在各种场合下拍摄的早期火灾及干扰现象的视频序列作为学习样本，其中火灾图像100幅，煤气火焰图像10幅，路灯图像10幅，车灯图像10幅，一般运动物体图像10幅，对网络进行训练。 对于神经网络系统取另外几幅火灾图像和干扰图像作为测试样本，输入系统中进行识别，结果如下：