基于深度圖像的火焰探測(cè)和人形識(shí)別研究.pdf

1、本文基于深度圖像技術(shù)，以飛行時(shí)間(time of flight，TOF)深度相機(jī)為主要設(shè)備，開(kāi)展了深度圖像技術(shù)在火焰探測(cè)和人形識(shí)別中的應(yīng)用。開(kāi)發(fā)了用于火焰探測(cè)和人形識(shí)別的算法，實(shí)現(xiàn)了較高精度的火焰探測(cè)和人形識(shí)別。通過(guò)將算法與設(shè)備整合，建立了基于深度圖像的火災(zāi)監(jiān)控系統(tǒng)，實(shí)現(xiàn)了研究成果的應(yīng)用。主要研究?jī)?nèi)容如下:
　　為開(kāi)發(fā)飛行時(shí)間深度圖像技術(shù)在火災(zāi)探測(cè)中的應(yīng)用、簡(jiǎn)化探測(cè)算法、提高檢測(cè)速率和準(zhǔn)確性，結(jié)合火焰的深度圖像特征，設(shè)計(jì)了基于深度

2、圖像變化率的火焰識(shí)別算法。以三維深度相機(jī)為主要圖像捕獲設(shè)備，進(jìn)行了多組火焰探測(cè)實(shí)驗(yàn)，包括正庚烷火焰、乙醇火焰、紙張火焰、燈光干擾、行人干擾實(shí)驗(yàn)，對(duì)捕獲的圖像進(jìn)行了處理與計(jì)算，設(shè)計(jì)了識(shí)別火焰的簡(jiǎn)化算法和火焰像素估計(jì)模型。采用該方法分析了火焰深度圖特征，火焰識(shí)別結(jié)果圖像的頻譜圖特征、集中度特征以及面積變化特征。研究結(jié)果表明，采用文中提出的算法的實(shí)驗(yàn)識(shí)準(zhǔn)率大于91.5％，誤識(shí)率小于3.8％，能有效識(shí)別火焰。
　　結(jié)合Adaboost算法

3、和決策樹(shù)模型在人形分類上的優(yōu)勢(shì)，設(shè)計(jì)了基于深度圖像和統(tǒng)計(jì)學(xué)習(xí)方法的人形識(shí)別算法。通過(guò)建立自制人形樣本庫(kù)，根據(jù)人員疏散的具體應(yīng)用場(chǎng)景，進(jìn)行了正負(fù)樣本圖像的采集與預(yù)處理。使用Adaboost和CART決策樹(shù)對(duì)正負(fù)樣本圖像進(jìn)行訓(xùn)練和檢測(cè)。比較了三種Adaboost分類器的識(shí)別效果，發(fā)現(xiàn)Gentle Adaboost算法的分類效果優(yōu)于其他兩種算法。分析了HOG-depth特征的參數(shù)對(duì)結(jié)果的影響，發(fā)現(xiàn)考慮方向的正負(fù)性后能夠減小分類錯(cuò)誤率，并且增加