智能安防视频监控算法的研究与软件开发外文翻译.docVIP

淮 阴 工 学 院 毕业设计(论文)外文资料翻译 学 院： 计算机工程 专 业： 通信1082 姓 名： 学 号： 外文出处： Computational Intelligence and Software Engineering, (用外文写) 2010 International Conference,10-12 Dec.2010:1-4 附 件： 1.外文资料翻译译文；2.外文原文。 指导教师评语： 该生的英文翻译原文是一篇关于基于多传感器融合的火焰检测方法的科研论文，具有较高的科技含量和专业深度，符合毕业设计的要求，这篇文章的翻译有助于做好该生的毕业设计，且可以检验该生的专业英语水平。该生的翻译文章语句通顺，译文与原文意思一致，达到了毕业设计英文翻译的要求。 2012 年 2 月 18 日 签名： 注：请将该封面与附件装订成册。附件1：外文资料翻译译文 基于多传感器融合的火焰检测方法研究 摘要：为了降低火焰检测系统的谎报和误报，进行基于多传感器数据融合的火焰检测方法研究。本次研究，运用了概率神经网络数据融合算法通过火灾现场的火焰纹理特征来检测火焰。火焰的温度和烟雾浓度信息使用趋势算法分别进行处理。从以上三个火焰检测算法得出的结果通过决策层数据融合处理，以实现火灾探测和火灾自动报警。在火焰检测平台，该方法已被证明可以更快、更准确地检测火焰，并且能摒弃荧光灯或酒精灯的细微干扰，从而。 关键词：火灾检测系统；数据融合；PNN；纹理特征 引言 火焰燃烧是一个复杂的过程，火灾探测问题一直是一个有待准确、可靠和快速解决的问题。目前，最广泛使用的火灾检测系统是用于有限空间的，基于温度和烟雾浓度的检测。但是空间的高度或气流经常会阻止高温空气或烟雾到达天花板，而导致温度传感器或烟雾探测器不能很好的工作，引起误报或报警失败。近年来，随着计算机技术、光电学以及图像处理技术的发展，使得从火灾现场提取火焰的形状和颜色特征参数并用于火灾探测成为重要的研究领域。但有时提取出来的火焰形状和颜色会产生错误，因此可能导致谎报或误报。 作为一种重要的属性，纹理被广泛应用于卫星遥感图像分析与检索[6]。文献[7]建议，图像的纹理特征可以实现室内火灾探测，但没有提供详细的测试结果。必须考虑到这样一个事实，即很难从特定情况的干扰源中区分出单独的图像纹理进行检测，例如四处走动的人员。本文利用多传感器检测机制，在火焰图像处理过程中，同时监控图像的纹理参数，温度和烟雾浓度。纹理参数的标准采用概率神经网络的数据融合算法来检测火焰。而温度和烟雾浓度的标准分别采用目前已发展成熟的趋势算法。将上述的研究结果通过决策级数据融合之后，实现可靠的火灾探测。这种方法可以补偿只依靠温度，烟雾浓度或在时间与空间上扩展了的图像传感器，用于火灾探测的产生的不足，提高火灾探测系统的速度和可靠性。 2. 火灾探测系统模型 基于多传感器数据融合的火灾探测系统收集来自CCD传感器、温度传感器和烟雾浓度探测器的数据。该系统的核心技术是计算机技术。如图1所示，火灾探测系统包含信息层，功能层和决策层。 图1 火灾探测系统 信息层 信息层是负责采样的机器，可以从探测区域获取CCD传感器、温度传感器和烟雾探测器的原始数据。这些原始数据将会在信息层进行预处理。 火焰图像的纹理特征[8]包括能量，熵、局部稳定性和惯性。多年来，很多研究人员已经开发了多种纹理算法。其中一个叫做空间灰度共生矩阵算法，经常被应用，它是基于图像的二阶联合条件概率密度函数，该函数已有很长的历史，并且是目前被人们普遍接受的一个重要的纹理分析方法。在确定的图像区域内，空间灰度共生矩阵分别对像素的灰度值i和j，以及在θ方向上的d距离进行计算，矩阵中的元素表示为P(i，j|d，θ)。显然，空间灰度共生矩阵是一个对称矩阵，而且其顺序取决于图像灰度层的数量。 如果θ和d确定了，空间灰度共生矩阵与图像灰度值分布密切相关。本文中，d =1，θ=0。事实上，图像灰度值在火焰前方均匀地分布，并且两帧连续的图像灰度值之间的差异很小，空间灰度共生矩阵保持一个稳定的状态。当火焰产生时，由于烟雾和火焰的运动，火灾图像的灰度值会不断发生变化，空间灰度共生矩阵也发生变化。能量，熵，局部稳定性和惯性随之改变，它表明火灾将会发生或已经发生。通过空间灰度共生矩阵很容易获得纹理参数，因此本文不叙述计算纹理参数的方法。 假设χ1，χ2，χ3，χ4分别表示能量向量，熵向量，局部稳定矢量和惯性矢量，那么纹理波质量的平均值等于 （1） 根据一组连续变化的y值，可以很容