大空间建筑中火灾探测方法设计docWord文件下载.docx
- 文档编号:18210718
- 上传时间:2022-12-14
- 格式:DOCX
- 页数:23
- 大小:607.17KB
大空间建筑中火灾探测方法设计docWord文件下载.docx
《大空间建筑中火灾探测方法设计docWord文件下载.docx》由会员分享,可在线阅读,更多相关《大空间建筑中火灾探测方法设计docWord文件下载.docx(23页珍藏版)》请在冰豆网上搜索。
2火灾探测系统的系统结构及工作原理8
2.1探测系统的系统结构8
2.2系统的工作原理9
3大空间建筑中火灾探测方法设计概述11
3.1提出本设计的背景11
3.2设计理念概述11
3.3实现该系统的主要流程11
4大空间建筑中火灾探测方法详细设计12
4.1烟雾可疑图元的分割及预处理12
4.1.1基于混合高斯模型的运动分析方法12
4.1.2期望值最大(EM)算法13
4.1.3使用EM算法进行混合高斯模型参数估计13
4.1.4使用混合高斯模型对背景建模15
4.1.5运动区域的提取15
4.1.6图像的平滑滤波及图元分割15
4.2可疑图元的特征分析及烟雾判断18
4.2.1可疑图元的特征分析18
4.2.2可疑图元颜色饱和度信息的分析19
4.2.3可疑图元边界闪烁频率的分析20
4.2.4烟雾的综合判断20
4.3阴燃的红外图像探测23
4.3.1特征提取23
4.3.2阴燃的判别24
5结论26
5.1本次设计结论27
5.2设计不足及改进27
致谢28
参考文献29
1引言
1.1课题背景
火灾是世界各国人民所面临的一个共同的灾难性问题。
在社会生活中,火灾是威胁公共安全,危害人们生命财产安全的最主要的灾害之一。
随着社会生产力的发展,社会财富的日益增加,火灾损失上升及火灾危害扩大的总趋势是客观规律。
火灾是当今世界上多发性灾害中发生频率最高,也是时空跨度最大的一种灾害。
因此,消防工作成为人们普遍关心的问题。
而消防工作根据具体的应用场所不同,所要采取的措施和使用的设备有很大的区别。
随着城市化进程的飞速发展,高层建筑和大空间场所越来越多。
如何在大空间环境下发现处于早期阶段的火灾威胁从而减少生命、财产损失成为各类消防工作中凸显的一个方面。
虽然火灾探测技术发展已久,然而传统的火灾探测技术中,感烟、感温、感光等探测器,由于受到各种因素(空间高度、空气流速、粉尘、温度、湿度等)的影响,在大空间环境下进行火灾探测都遇到了不同的困难,从而在一定程度上失去了效用。
所以,如何在大空间环境下尽早的发现并控制火灾仍然困扰着科研和消防人员。
本文从这个严峻的问题出发,提出了一种双波段图像型火灾探测方法,旨在在大空间环境下,及早的发现火灾危险,从而尽量减少人们的生命、财产损失。
1.2相关概念
火灾发生发展过程中,通常会产生烟雾,同时会释放出燃烧气体-气溶胶。
它们与空气中的氧气发生反应,形成火焰。
火焰会释放出大量的红外线和紫外线,导致环境温度逐渐升高。
气溶胶、烟雾、火焰和热量等是火灾的特征,通常称为火灾参量,通过这些参量的测定可以确定是否有火灾发生。
火灾发生的初期,并不是所有的火灾参量都会出现。
这个时候存在的主要的物理现象有:
阴燃,火羽流和烟气等。
所谓的阴燃,是指一种只在气固相界面处的燃烧反应,而没有气象火焰的燃烧现象。
阴燃的温度比较低,燃烧速度慢。
作为自我维持的无明火的燃烧,阴燃的典型温度范围是600-1000K。
火羽流是发生在火灾初始阶段的一种燃烧现象。
在火焰上方由浮力驱动的热气流持续上升并进入有新鲜空气的区域,由于其包含火焰部分,故称为火羽流。
火羽流的典型温度在500-1700K。
烟气是燃烧产物中微小颗粒的集合。
烟气在流通过程中与周围环境进行热交换。
其温度介于火羽流和环境温度之间。
一般烟气的温度在300-800K之间。
由于这些物理现象在发生时与周围的环境存在着较大的差异,表现为其边缘效应和形体效应,从而形成图像信息。
我们知道,光其实是一种电磁波。
波长分布在5nm到400nm之间的电磁波称为紫外光;
波长分布在400nm到760nm之间的电磁波称为可见光;
而波长760nm到1mm之间的电磁波被称为红外光。
物体的温度由低到高,辐射出的电磁波的波长由长到短。
当物体的温度在800K左右的时候,才会产生暗红色的可见光。
同时,由辐射定律可知,当物体为黑体时,只有其温度高于1000K,才可以依靠其自身发出的可见光识别出物体的形体信息。
物体燃烧时,其放出的能量95%集中在红外波段。
同时,由于阴燃属于低温燃烧,其辐射的可见光是非常少的。
所以,使用带有红外滤镜的摄像头可以在红外波段对阴燃进行探测。
而由于烟气对可见光的反射作用,所以使用普通的彩色CCD摄像头,可以探测到烟气的图像信息。
因此,我们选择了烟雾和阴燃作为表征早期火灾的物理现象进行探测,从而根据烟雾和阴燃的探测结果判断是否有火灾发生。
1.3设计意义
目前许多火灾探测系统都是采用传统感温、感烟传感器,这种系统有很多缺点,误报率非常高,受环境限制,而且这种系统不能掌握火灾现场的情况,不能依靠其来进行实时调度等工作,以至于火灾发生时不能够及时提供准确信息,给扑救工作带来很大的不便。
而本文采用的方法与传统的火灾探测系统相比有明显优势,能够准确的探测到早期火灾的发生并及时作出反应,从而给扑救工作带来很大便利。
1.4报告内容安排
论文的结构安排如下:
第一章:
介绍课题的研究背景,对大空间建筑中火灾探测方法设计的意义以及早期火灾发生的特点。
最后介绍了报告的内容及安排。
第二章:
对火灾探测系统的结构及工作原理进行了说明。
第三章:
大概介绍了本次课程设计的研究内容以及我所做的一些工作。
第四章:
本章对本次研究的内容及我做的工作进行了详细的介绍,包括阴燃的红外图像探测,对可疑图元进行特征提取和分析的方法,如何提取了可疑图元的高低频能量,颜色饱和度能量和边界平均闪烁频率四种特征值,以及如何使用这四种特征值构成的特征向量对可疑图元进行烟雾判断等内容。
第五章:
对本次课程设计的不足进行了总结并对以后的工作进行了展望。
2火灾探测系统的系统结构及工作原理
本章将详细介绍双波段图像型火灾探测系统的系统结构及工作原理。
2.1探测系统的系统结构
探测系统根据所选择的物理现象在红外波段和可见光波段完成探测任务,因此称为双波段图像型火灾探测系统。
通常图像处理系统基本的三个部件是:
图像数字化仪,处理图像的计算机和图像显示设备。
双波段图像型火灾探测系统的基本组成也包括这三个部分。
系统采用一个带红外滤镜的CCD摄像机和一个普通的CCD摄像机作为探头,并采用海康威视公司的DS-40xxHC视频采集卡作为图像数字化的工具。
系统选用的红外滤镜只允许波长大于850nm的光波通过,由于阴燃产生的红外辐射主要集中在950nm-2000nm的近红外波段,因此可以捕获红外辐射而滤去可见光的扰。
同时,系统使用高性能的计算机完成图像处理工作,从视频图像的图像序列中识别有无火灾发生。
并使用普通的CRT显示器显示视频信息。
同时从系统扩展的角度讲,设计还应包括由计算机统一控制的联动模块,如报警和灭火等装置。
系统如图2-1所示。
图2-1双波段图像型火灾探测系统
由于光的传播速率是最快的,因此,通过图像进行探测在反映速度上大大优于其它类型的探测手段。
将监控设备安装在房屋或广场等大空间的角落,可以实现整个空间范围内的监控,这体现出了系统监控范围广的优点。
另外,在系统的升级过程中,改进的部分主要集中在探测算法和软件方面,硬件部分基本不需要很大的改动,因此,系统的升级相对容易。
可以看出,系统具有反映迅速、监控范围广、环境适应能力强、系统升级容易等很多优点。
图像采集的主要器件包括摄像器件和视频采集卡。
通常讲的摄像器件主要有:
热像仪、微光摄像机、黑白CCD摄像机以及彩色CCD摄像机。
在摄像器件的选取上是根据早期火灾的物理现象的典型光谱特征进行的。
对阴燃主要是对其自身产生红外波段的辐射进行探测,比较合适的摄像器件是微光摄像机(或者彩色CCD摄像机配合红外滤光镜片),而烟雾采用彩色CCD摄像机。
这种红外波段加可见光波段的组合便是所谓的双波段技术。
本系统采用了海康威视公司的DS-40xxHC视频卡。
该视频卡是一款性价比较高的应用于专业数字监控、视音频处理的视音频压缩卡。
它采用了高性能的视频压缩技术标准H.264及OggVorbis(相当于G.722)的音频编码标准,完全依靠硬件实现了视频及音频的实时编码(CIF格式PAL/30帧NTSC)并精确同步,实现了动态码率、可控帧率、帧模式选择、动态图像质量控制、音频预览、视频丢失报警等功能。
并能独立调整各通道参数。
2.2系统的工作原理
系统利用高性能的计算机对获得的视频信息,进行连续帧的数字图像处理,从大量的信息中提取系统感兴趣的部分进行分析和识别。
由于系统不可能始终在有火灾的环境下进行调试,因此需要大量的视频文件。
可以对以往的信息进行回顾和分析是图像型火灾探测系统的另一大优点。
显然,其它探测手段是无法显现这种功能的。
系统所处理的视频信息保存在两种形式的视频文件格式里,分别是:
H.264格式和AVI格式。
从视频采集卡中获取的视频格式是经过硬件编码H.264视频文件格式。
H.264最大特点是非常低的码率和对带宽非常低的要求。
海康威视的视频采集卡输出的就是H.264格式的视频文件。
因为码率很低,在有限的计算机存储设备中可以保存较多的监控视频信息,非常有利于信息筛选。
AVI格式的应用很广泛,是目前视频文件的主流。
大多数编程软件都提供了AVI格式文件的函数接口,因此有利于对视频图像的编程分析。
在研究过程中,我们先通过编程将H.264格式的视频文件转换为AVI文件,然后再进行具体的算法实现和分析判断。
本系统的视频图像处理分为两个部分,红外图像的处理和彩色图像的处理。
两个部分有相似的处理过程,也是模式识别比较典型的阶段。
第一个阶段为图像分割或物体分离阶段;
第二个阶段为特征提取阶段;
第三个阶段为分类阶段。
第一个阶段主要是通过相关的算法从当前图片中检测出可疑物体区域,并把它们的图像与背景或其余景物分离。
这个过程通常需要背景信息的支持,背景信息可能为一副背景图片,也可能为一组背景图片序列或一个背景模型。
第二阶段是对可疑区域中的物体进行度量。
一个度量是指一个物体的某个度量值或者在另一个变换域(如傅立叶变换或小波变换)中的度量值。
特征是一个或几个度量的函数。
通过计算可以对物体的一些重要特性进行定量化表示。
特征提取过程产生了一组特征,把它们结合在一起,就形成了特征向量。
特征向量所包含的信息量大大小于原始图像,然而这些信息代表了后续分类决策必须依靠的全部知识。
第三个阶段的输出仅仅是一种分类决策,利用第二阶段的特征向量和制定的判断规则来分析可疑区域属于哪种分类,从而判断图像中是否有烟雾或者阴燃。
3大空间建筑中火灾探测方法设计概述
3.1提出本设计的背景
而本文采用的方法与传统的火灾探测系统相比有明显优势,能够准确的探测到早期火灾的发生并及时作出反应,从而给扑救工作带来很大便利。
3.2设计理念概述
本文主要研究的是火灾探测问题,通过查阅相关资料,我提出了大空间中火灾探测的一个方法。
本文主要是利用利用高性能的计算机对获得的视频信息,进行连续帧的数字图像处理,从大量的信息中提取系统感兴趣的部分进行分析和识别。
可以对以往的信息进行回顾和分析是图像型火灾探测系统的一大优点。
3.3实现该系统的主要流程
实现该系统主要有以下几个流程:
1.烟雾可疑图元的分割及预处理。
2.可疑图元的特征分析及烟雾判断。
3.阴燃的红外图像探测。
4大空间建筑中火灾探测方法详细设计
4.1烟雾可疑图元的分割及预处理
4.1.1基于混合高斯模型的运动分析方法
使用背景差分的方法,对烟雾可疑区域的提取效果并不理想。
本系统采用了使用混合高斯模型对背景进行逐像素建模,然后根据当前图像和背景模型的比较提取前景的方法。
首先,我们看一下高斯分布模型。
高斯分布模型是概率分布中最重要的一种,也称为正态分布模型。
该分布的密布函数如式4-1所示。
(4-1)这里μ和σ分别是均值和标准差,对应的分布函数如式4-2所示。
(4-2)
均值和方差分别为0和1的正态分布称为标准正态分布。
其概率密度分布如图3-5(a)所示。
混合高斯模型是从高斯模型中发展出来的一种混合分布模型。
对于观测数据集X={x1,x2,…,xN}中的单个采样xi,其离散混合高斯分布的密度函数为
(4-3)其中,K是分布数,ωk是权重系数,表示各混合成分的权重;
k是各高斯模型的均值,Σk是协方差。
但是在计算中,为了减少计算量我们通常取
=
,这种方法并不明显影响计算的精度。
分布数K通常取3到5。
图4-1(b)是一个参数为μ=[−2,3],σ=[1,0.5],ω=[0.4,0.6]的混合高斯分布的概率密度分布。
(a)单高斯分布的概率密度(b)混合高斯分布的概率密度
图4-1单高斯和混合高斯分布的概率密度
4.1.2期望值最大(EM)算法
如何从一个给出的样本空间,估计其混合高斯模型的各个参数,是背景建模过程中的一个关键步骤。
期望值最大化(ExpectationMaximization,EM)算法是参数估计的一种很重要的算法,它是一种当观测数据为不完全数据时求解极大似然估计的迭代算法,大大降低了极大似然估计的计算复杂度,但性能却与极大似然估计相近,具有很好的实际应用价值。
EM算法主要应用于以下两种情况:
第一,由于观测过程出现的问题,使得样本有遗失,或者说样本不完整;
第二,当似然函数非常复杂,使得求解困难,或者存在隐参数的情况。
EM算法的基本思路是:
似然函数是一个随即变量,随机变量直接求最大化不好计算,然而它的期望却是一个确定性的函数,优化起来比较容易。
4.1.3使用EM算法进行混合高斯模型参数估计
下面我们阐述如何使用EM算法进行混合高斯模型的参数估计。
给定一系列观测值X={x1,x2,…,xN},要估计一个混合高斯模型(式4-3)的参数θ=[μ,∑,ω],μ=[μ1,μ2,…,μK],ω=[ω1,ω2,…,ωK],∑=[∑1,∑2,…,∑k]。
混合模型下的非完备log似然函数为:
(4-4)
由于在对数运算中包括了求和项,因此很难获得最大值。
利用EM算法,
假定存在一个隐含变量Y={y1,y2,…,yN},确定由哪一个分量生成相应的数据,式(4-3)可转化为:
(4-5)
然而由于隐含随机变量Y={y1,y2,…,yN}是未知的,因此必须获得该变量的分布。
利用Bayes公式在假定初始参数θg=(ω1g,…,ωMg,θ1g,…,θMg)以及观测值条件下有:
(4-6)
式中
(4-7)
因此可得到:
(4-8)
上式中只有第一项与ωk有关,第二项只与变量θk有关。
因此Q函数极大化可以分别极大化。
(4-9)
(4-10)
(4-11)
式4-9,4-10,4-11就是混合高斯模型EM算法的迭代公式。
通常来讲,迭代收敛的条件有以下几种:
1.设定阈值εL,当logL(t+1)−logL(t)<
εL时,迭代收敛。
2.设定迭代次数阈值Tmax,当迭代次数t>
Tmax时,迭代收敛。
第二种方法相对较为死板,计算效率低。
所以,本系统采用的是第一种方法。
4.1.4使用混合高斯模型对背景建模
如果是在特定的光线下,那么即使考虑有噪声的情况,使用单高斯模型也足够建立像素的模型。
但是当光线随时间变化时,使用混合高斯模型对背景进行建模是一个很好的选择。
使用混合高斯模型对背景建模的方法是对背景中的每一个像素根据一个图像序列建立一个混合高斯模型,而不是将所有的像素建立为某个分布模型。
然后对当前图像中的像素进行匹配,如果当前像素符合背景模型中的某个高斯分布,则认为是背景,否则认为是运动物体。
4.1.5运动区域的提取
对当前图像逐像素的与背景模型进行比较,从而提取可疑区域。
可疑区域提取的具体过程为:
1.初始化一个蒙板mask,蒙板各像素均为白色。
2.首先将当前帧图像与背景模型相对应像素的均值参数μ相减,然后取绝对值作为偏差err。
3.更新mask,先将err对角化得到err′。
当err′≤5Σ1∕2时,mask对应像素设为白色;
当err′>
5Σ1∕2时,mask对应像素设为黑色。
4.1.6图像的平滑滤波及图元分割
通过以上方法提取的烟雾可疑区域比较清晰、完整。
但是,仍存在一些少量的噪声和较强烈的光线变化所造成的干扰,需要进行滤波处理。
滤波是图像处理时最常使用的一种处理手段。
滤波的方法也有很多,可以在空间域中进行,也可以在其它变换域中进行。
在空间域中滤波一般可分为线性滤波和非线性滤波两类。
线性滤波器的设计通常基于对傅立叶变换的分析。
非线性滤波器则一般直接对邻域进行操作。
另外各种空间域滤波器根据功能的不同主要分为平滑滤波器和锐化滤波器。
平滑可以通过低通滤波来实现。
空间滤波器都是利用图像与模板进行卷积来实现的,主要步骤是:
1.将模板在图中漫游,并将模板中心与图中某个像素位置重合。
2.将模板上的系数与图像中对应的像素相乘。
3.将所有乘积相加。
4.将和(模板的输出响应)赋给图中对应模板中心位置的像素。
平滑滤波通常在空间域中进行,通常使用的方法有线性滤波、中值滤波和自适应滤波等。
我们采用了不同的方法对图像进行滤波并比较滤波结果。
图4-2(a)中给出了一幅图像的一部分,其中所标的是一些像素的灰度值。
现设有一个3×
3的模板如图4-2(b)所示,模板中所标的是模板系数。
如将k0所在位置与图中灰度值为s0的像素重合(也就是将模板中心放在图中(x,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 空间 建筑 火灾 探测 方法 设计 doc