论文部分内容阅读
在公路隧道运营管理中,火灾是公路隧道危害最严重的一类灾害。隧道火灾不仅会对司乘人员造成严重伤害,而且会对隧道结构及设施造成巨大破坏。若在火灾初期就能及时发现火情并报警,则有利于司乘人员安全疏散、抑制火势蔓延和减小火灾造成的损失。因此,研究公路隧道早期火灾探测方法具有重要意义。本文以公路險道为应用背景,研究用T-S模型模糊神经网络(Fuzzy Neural Network,FNN)融合火焰和烟雾多特征的火灾分类识别方法。本文主要研究内容如下:(1)运动目标检测。利用混合高斯模型背景差分算法提取运动目标,并采用膨胀腐蚀、中值滤波和孔洞填充等处理算法对运动区域进行图像后处理。(2)疑似区域分割。利用火灾火焰的RGB和HSI相结合的颜色模型分割候选火焰区域;利用火灾烟雾的RGB和I分量颜色统计模型分割疑似烟雾区域。(3)火灾火焰特征提取。研究了火焰的颜色区域分层特征,并给出了火焰的颜色区域分层特征模型;研究并实现了火焰的局部二值模式(Local Binary Patterns,LBP)一二阶矩比值特征和跳动频率特征。(4)火灾烟雾特征提取。研究并给出了融合LBP和灰度共生矩阵(Gray Level Cooccurrence Matrices,GLCM)的烟雾纹理特征;研究并实现了烟雾的扩散稳定性特征及其提取方法。(5)火灾检测算法设计。本文给出了一种基于T-S模型FNN的火灾检测算法。构建融合火焰和烟雾多特征的T-SFNN火灾检测网络结构;利用提取的火焰或烟雾训练样本离线训练T-S FNN模型,并对T-S FNN模型进行离线仿真测试;选择分类正确率较高的T-S FNN模型作为本文的火灾检测模型。文中对基于T-S FNN的火焰、基于T-S FNN的烟雾和基于BP神经网络的火灾分类器分别进行了离线仿真和在线测试,实验结果对比表明T-S FNN检测算法的可行性及有效性。本文火灾检测算法融合了火灾火焰和烟雾图像特征,通过对不同光照环境下的公路隧道模拟火灾和行车干扰等视频进行检测,结果表明该算法能够有效识别火灾,并能排除干扰物的影响。因此,文中检测算法具有较好的实际应用价值。