火灾严重的威胁着人类的生命财产安全,如果能够在火灾发生早期就发出报警,则能够最大程度地降低火灾的危害。由于火灾发生的不确定性和多变性,传统火灾探测器基于其原理及系统结构的原因,在地铁指挥中心火灾自动报警中存在较大的局限性,考虑到火灾产生的火焰和烟雾在可见光范围表现为具有一定图像特征,人们开始利用计算机视觉方法来提高火灾探测的效率,提出基于图像处理和模式识别的可视火灾探测方法。据此,本文对地铁指挥中心火灾自动报警系统进行了系统的研究,主要取得了以下研究成果:(1)提出了基于快速支持向量机的可视火焰探测算法。该算法以若干段火灾视频和疑似火灾视频为分析对象,利用自学习的方法来设定火灾特征的分类阈值,克服了传统阈值分类法中人为设定阈值的局限性,选取火焰图像的圆形度、尖角数目、面积变化率等三个特征值组成特征向量,利用快速支持向量机算法训练火灾识别模型,对火焰以及干扰物体进行分类识别。实验结果表明,该算法与传统支持向量机火灾探测算法相比,选择的支持向量数目减少,使得分类函数简化,并且在不损失分类精度的情况下,分类识别速度明显提高。(2)提出了基于颜色模型和稀疏表示模型相结合的可视火焰探测算法。该算法无需提取火焰的单个图像特征,从疑似火焰区域的整体特征考虑,首先在HIS空间建立颜色模型对火灾图像进行预处理提取出疑似火灾区域,接着建立稀疏表示模型,直接利用训练样本构造火焰和疑似火焰物体的特征字典,最后以重构误差为准则,通过稀疏分解与重构,计算测试样本与训练样本的最小逼近残差,实现火焰和干扰物体的分类识别。试验结果表明,该算法与基于神经网络、查找表等算法相比,在提高识别率的同时,降低了算法复杂度。(3)以地铁指挥中心火灾自动报警的实际应用为目的,研究了针对地铁指挥中心基于多特征融合的火焰探测方法、基于L-K稀疏光流法的烟雾检测方法及基于多点探测的火源空间定位方法,基本实现基于DSP和FPGA的地铁指挥中心火灾自动报警系统,给出了总体设计方案及其软、硬件分层设计的实现方案。该方案采用分布式处理和中央处理、控制相结合的多点检测体制,将视频采集、检测交由独立的视频检测、控制单元完成,可以有效克服集中式处理方案所带来的主要问题,并将检测装置与灭火装置联动,提高了自动消防系统的智能化水平。