视频监控系统通过将建筑内的实时信息以图像的方式传递给建筑管理者,为建筑的日常维护及安防提供了极大的便利,成为当前建筑不可或缺的组成部分。然而,当建筑内发生火灾时,由于受到烟气的干扰,视频监控系统拍摄的图像出现模糊不清的现象,无法继续为救援人员提供准确的火场信息,增加了人员疏散和人员搜救的难度。因此,探索火场中视频监控系统的图像清晰化技术,还原视频监控系统的监控职能是当前消防领域迫切需要开展的一项工作。火灾初期是开展人员疏散和人员搜救的关键时刻,火灾初期建筑内相对较低的烟气浓度环境也为我们探索图像清晰化技术提供了可能。本文从光源设计和软件开发两个角度出发探索火灾初期建筑内视频监控系统的图像清晰化方法,获取清晰化的人员图像,并在此基础上融合图像人员检测算法快速搜索火场中的被困人员,为指导人员疏散和人员搜救提供必要的技术支持。具体开展的工作如下：一,建立了光在烟气层内的多散射传输模型,分析了入射光波长、烟颗粒浓度、烟颗粒粒径等对光透射性的影响。在考虑烟颗粒对光的散射作用的基础上,根据辐射传输方程(RTE),建立光在烟气层内的多散射传输模型。本文以正庚烷烟颗粒为研究对象,分析了不同入射光波长和烟颗粒粒径条件下烟颗粒的单散射反射率、不对称因子和消光截面等参数的变化。采用离散纵标方法(DOM)对多散射传输模型进行求解,结果表明光透射量随着烟气层浓度的增加而降低,随着烟颗粒粒径的增加也呈下降趋势,而随着入射光波长的增加则呈上升趋势。采用实验方法对不同波长入射光在烟气层内的穿透性进行了验证,实验结果与模型结论表现了良好的一致性。二,提出了快速图像去烟算法,对受烟气影响的模糊人员图像进行了清晰化处理。由Retinex理论可知,物体图像由反射分量和照度分量组合而成,烟气仅改变图像的照度分量,而对物体所固有的反射分量没有影响。因此,图像去烟过程即是求解图像的反射分量的过程。结合烟气对图像的腐蚀特点,本文通过对Retinex算法中不同环绕函数的测试和改进,最终融合高斯金字塔滤波算法和像素对数查表法发展出高效快速的GL-Retinex图像去烟算法。GL-Retinex算法将图像处理时间由5150ms降低到了198ms(图像分辨率为704×576),降低了将近26倍。通过对不同光照环境中(日光灯、应急照明灯和红外灯)含烟图像的测试,GL-Retinex算法能有效去除烟气对人员图像的影响。在应急照明条件下,GL-Retinex算法清晰化处理之后的人员图像中人员可辨别的最大烟气浓度能达到4.81dB/m。三,建立了火场人员形态样本库,训练出了火场人员检测分类器,有效实现了火场内被困人员的图像检测。在考虑直立跑、弯腰跑、单手捂鼻直立跑、单手捂鼻弯腰跑、双手捂鼻直立跑以及双手捂鼻弯腰跑等6种火场内常见逃生形态的基础上,通过实验采集、网上收集和INRIA行人数据库提取三种途径共收集火场人员正样本4767个；在考虑人员密集建筑场所的基础上,收集建筑内疏散走廊、楼梯、桌椅等负样本共2000个。提取样本库内所有样本的梯度直方图(HOG)特征,将HOG特征带入Adaboost级联分类器进行训练,训练出了适用于火场环境的火场人员检测分类器。采用300个含烟样本(200个正样本、100个负样本)对火场人员分类器进行测试。在测试之前,对测试样本采用GL-Retinex算法进行清晰化处理,采用直方图均衡化算法增强图像的对比度,以提高人员检测准确率。测试结果表明本文训练的火场人员分类器正样本检测准确率在不同光源条件下均达到了54%以上,负样本检测错误率均低于8%。尽管检测准确率受到烟气影响数值较低,但依然可以满足工程实际需求。四,在图像人员(静态)检测基础上,进一步提出了动态人员检测算法。静态人员检测算法需要对整幅图像进行检测,处理时间过于缓慢。基于火场内人员运动,背景静止的特点,本文通过帧差、开运算、小面积连通域去除、相邻连通域合并等操作成功提取了图像中完整的人员运动区域。仅对运动区域进行人员检测,从而达到降低处理时间的目的。动态人员检测算法将检测时间由550ms降低至250ms,基本实现了实时处理的要求。同时,由于检测区域的减少,负样本检测错误率也降低到6%以下。