靳琪琳，段鎖林

常州大學(xué) 信息科學(xué)與工程學(xué)院，江蘇 常州 213164

基于神經(jīng)網(wǎng)絡(luò)與加權(quán)融合的火災(zāi)火焰識別研究

靳琪琳，段鎖林

常州大學(xué) 信息科學(xué)與工程學(xué)院，江蘇 常州 213164

1 引言

火災(zāi)對人類危害巨大，若能在火災(zāi)發(fā)生初期就進(jìn)行識別報警，則可以減少各種損失。目前許多火災(zāi)探測系統(tǒng)都是采用傳統(tǒng)感溫、感光等傳感器進(jìn)行探測，這種系統(tǒng)有很多缺點，誤報率較高，并且這些探測設(shè)備容易受周圍環(huán)境干擾，從而給火災(zāi)探測帶來了一定的難度。目前，在圖像型火災(zāi)火焰識別方面的研究也比較多，包括顏色、運動和火焰的幾何形狀。如Phillips利用像素的顏色和時間變化[1]；Chen利用運動的區(qū)域檢測火焰區(qū)域的頻率[2]；Fastcom研究中FFT被用于檢測火焰的邊界區(qū)域；Toreyin等人用小波變換和高斯混合模型對火焰的顏色變化和閃爍特征進(jìn)行分析[3]。在這些研究中，通常只關(guān)注于火焰的一種或兩種特征，如Philips關(guān)注顏色特征，Chen關(guān)注頻率特征，F(xiàn)astcom關(guān)注形狀特征，Toreyin等人關(guān)注顏色特征和頻率兩個特征，由于沒有判斷火焰主要靜態(tài)和動態(tài)特征，在更換了環(huán)境和背景以后導(dǎo)致誤判率高。

本文在室內(nèi)背景環(huán)境下，將幾種火災(zāi)特征進(jìn)行融合，采用逐級判斷和分析，提出一種多特征融合算法。結(jié)果表明，相對于分析單一的火焰特征，能夠有效地提高火災(zāi)識別的準(zhǔn)確率。

2 常規(guī)火災(zāi)火焰識別與判決分析

2.1 運動區(qū)域分割判決

在室內(nèi)火災(zāi)發(fā)生的早期階段，由于火焰是從無到有發(fā)展的過程，故這個階段的火焰圖像有著明顯的運動變化特征，提取出這樣的運動特征信息才能很好地將火災(zāi)圖像與其他干擾區(qū)分開來。

本文采用相鄰幀差法[4]獲取運動目標(biāo)，原因是該算法只涉及加減運算，處理速度快，實時性好。圖像序列的連續(xù)兩幀中所有對應(yīng)的位置像素點，如果差值大于一定的閾值，就認(rèn)為對應(yīng)位置有運動目標(biāo)存在。

相鄰幀差法對場景光線的變化不太敏感，受目標(biāo)陰影影響不大，對于動態(tài)環(huán)境有較強適應(yīng)性。同時由于CCD攝像頭固定在房間的一個位置，可以避免此方法因運動引起的背景運動，以及因背景運動造成差分圖像中存在較多的偽運動像素的現(xiàn)象。

動態(tài)區(qū)域提取出來后，再通過硬閾值分割法[5]將圖像二值化，排除其他無關(guān)色彩物體運動的干擾。

本文在Matlab環(huán)境下對攝像頭的視頻流進(jìn)行分析和處理，判決運動區(qū)域流程如圖1所示。

圖1 數(shù)據(jù)判斷流程圖

本文采用Ostu自適應(yīng)閾值算法[5]，獲取運動閾值，實驗結(jié)果如圖2所示。

圖2 目標(biāo)為室內(nèi)火焰實驗結(jié)果

通過實驗，運動區(qū)域的白色點閾值設(shè)為T并取值為0，即當(dāng)差值大于T時，默認(rèn)有滿足亮點條件的運動變化。如下式所示：

其中，y表示判決結(jié)果，1表示需要繼續(xù)下一步判決，0表示無滿足條件的運動變化，不需繼續(xù)判決。

此判決可以快速地提取運動區(qū)域的高亮部分，大大較少了后面的運算量。但此判決結(jié)論不能確定是火災(zāi)火焰運動。

2.2 火焰的彩色顏色特征判決

提取出滿足條件的運動區(qū)域后，需要將此運動變化區(qū)域原圖的RGB色彩空間轉(zhuǎn)換到HIS色彩空間進(jìn)行顏色特征判決。

提取出運動區(qū)域的彩色圖實驗結(jié)果，如圖3所示。

圖3 提取運動變化區(qū)域彩色圖

HIS空間與RGB空間存在一定的轉(zhuǎn)換關(guān)系。將色調(diào)H、飽和度S和亮度I標(biāo)準(zhǔn)化，使得

[6]中可知，火焰的H、S、I值，如表1所示。

表1 火焰色度與亮度

本文采用了HIS閾值H(32°，52°)，S(35，74)，I(250，255)，采集實驗結(jié)果如圖4所示。

圖4 HIS閾值提取的火災(zāi)火焰

如圖4，當(dāng)火焰的HIS顏色特征信息點數(shù)大于閾值Q時，可以進(jìn)行一級報警。但當(dāng)其他物體顏色也在此閾值范圍內(nèi)時，會存在誤判。因此，存在相近顏色干擾時，單獨采用該判決的誤判率較高，需要結(jié)合其他方法補償或消除這種干擾的影響。

2.3 火災(zāi)火焰圓形度和尖鋒判決

（1）自然光和日光燈亮度信息與火災(zāi)特征類似，但通過對各個標(biāo)記區(qū)域的面積和圓形度的計算，選取圓形度閾值將干擾區(qū)域濾波掉，即可將其與火焰區(qū)分開。圓形度計算公式如下：

圖5為詳細(xì)處理流程序列。

通過多次火焰圓形度獲取實驗，本設(shè)計中選擇火災(zāi)火焰圓形度閾值范圍為：M（0.46，1）。

（2）尖角的計算：首先利用圖象分割和邊緣增強技術(shù)把原始圖像轉(zhuǎn)換為數(shù)字圖像，然后對圖中各部分進(jìn)行識別和計算。

圖5 計算圓形度流程圖

對火焰尖角來說，特征點首先是它的頂點，尖角的頂點可能有多個點，因此特征點也就為幾個。詳細(xì)的算法流程參見文獻(xiàn)[7]，實驗結(jié)果如圖6，火災(zāi)火焰圖像具有一定數(shù)量的尖角。

圖6 火災(zāi)火焰圖像序列

數(shù)據(jù)實驗取自每一序列的連續(xù)四幀圖像，提取數(shù)據(jù)時遵循的前提是該目標(biāo)的變化特征滿足面積連續(xù)增大判據(jù)，如火災(zāi)火焰、照明燈和電筒。實驗數(shù)據(jù)見表2。

表2 火焰及其他干擾下的尖角數(shù)目統(tǒng)計

通過表2實驗數(shù)據(jù)，火災(zāi)火焰的尖角數(shù)目呈現(xiàn)不規(guī)則變化規(guī)律，同時數(shù)量比普通固定光源多。本文將閾值定為3，可以較好地剔除一般常見的干擾情況。

此判決可以快速檢測到常規(guī)火焰，減少了誤報率，但相似形狀和圓形度的高亮運動物體仍然不容易區(qū)分。

2.4 火焰頻率特征判決

火焰在燃燒過程中會按某種頻率閃爍，這種閃爍表現(xiàn)在數(shù)字圖像中就是火焰圖像的灰度級直方圖隨時間的變化規(guī)律，這個特性體現(xiàn)了一幀圖像的像素點在不同灰度級上的分布隨時間的變化。通過計算直方圖的變化率，可以得到目標(biāo)模式的閃爍頻率[8]。觀察目標(biāo)模式閃爍頻率所在的范圍，就可以很好地確定是否存在火災(zāi)現(xiàn)象。實驗數(shù)據(jù)見表3。

表3 火災(zāi)火焰及干擾模式的閃爍頻率統(tǒng)計

從表3可以看出，火災(zāi)火焰的閃爍主頻段只出現(xiàn)在8～12 Hz之間?；鹧娴淖畲箢l率不會隨著房間的形狀和尺寸而有大小的差異，環(huán)境變化對其影響不十分明顯。但距離較遠(yuǎn)的火災(zāi)火焰閃爍頻率不太明顯，同時不同燃燒物的閃爍頻率存在差異，實驗表明煤的火焰閃爍頻率比油的閃爍頻率低。因此，閃爍頻率作為一種判決依據(jù)是有用的，但不能作為唯一的判決條件。

通過以上分析，可以得出以下結(jié)論：單獨采用某一種火災(zāi)火焰識別判決，由于背景環(huán)境的復(fù)雜多變，或存在相似形狀運動物等，其誤判率較高。

為了克服這個弊端，本文采用神經(jīng)網(wǎng)絡(luò)和多特征加權(quán)融合算法對火災(zāi)火焰進(jìn)行最終判決。

3 神經(jīng)網(wǎng)絡(luò)與加權(quán)融合算法結(jié)合判決

本文基于前述四種火災(zāi)火焰識別判別特征，采用神經(jīng)網(wǎng)絡(luò)與卡爾曼加權(quán)融合算法相結(jié)合進(jìn)行火災(zāi)火焰判斷，以消除單獨一種特征判決所產(chǎn)生的誤判率高，受干擾影響大等問題。

首先采集室內(nèi)環(huán)境的火災(zāi)火焰數(shù)據(jù)樣本，通過對樣本數(shù)據(jù)進(jìn)行訓(xùn)練獲得四種火災(zāi)火焰特征的權(quán)值和閾值，進(jìn)行歸一化處理獲得最終權(quán)值，然后利用卡爾曼融合算法獲得最終判決結(jié)果。

設(shè)滿足HIS顏色空間的取值范圍的個數(shù)為O1，CCD攝像頭的采集圖像相素為160×120，O1的取值空間為[0，19 200]；運動圖像的最大圓形度為O2，取值范圍為[0，1]；運動圖像的尖角數(shù)為O3，取值范圍為[0，100]；當(dāng)前圖像幀的閃爍頻率為O4，因采樣周期為25幀/s，取值范圍為[0，25]。

取樣本數(shù)據(jù)是在實驗室環(huán)境下，火焰強度一般，為模擬火災(zāi)環(huán)境，燃燒物為多個蠟燭和紙張，視頻判斷距離在4 m左右，背景環(huán)境為實驗室課桌等雜物；軟件環(huán)境為Pentium?2.13 GHz，1.92 GB DDR2的內(nèi)存，Windows XP Professional，用Matlab編程。詳細(xì)采集數(shù)據(jù)如表4所示。

表4 200組實驗數(shù)據(jù)采集樣表

如表4，真實結(jié)果為M與N取同或，然后取各個特征與是否有火災(zāi)火焰的真實結(jié)果兩組值，通過線性神經(jīng)網(wǎng)絡(luò)和自適應(yīng)閾值算法[8]獲得四種特征的閾值，再通過RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，獲得對應(yīng)的歸一化后的K(i)特征隸屬度。

設(shè)O1的范圍為F1(a，19 200)，O2的閾值范圍為F2(b，1)， O3的閾值范圍為F3(c，100)，O4的閾值范圍為F4(d，e)。其中以閃爍頻率O4作為輸入，真實結(jié)果作為輸出，通過線性神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得其閾值，O1、O2和O3由Ostu自適應(yīng)閾值算法[8]獲得，各自特征的實驗誤判率為e(i)，設(shè)：

其中，k(i)為特征隸屬度函數(shù)，y∈[0，1]為最終判決值，F(xiàn)(i)為對應(yīng)特征的閾值范圍，即y越接近1，發(fā)生的可能性越大。為了確定y的取值，需要在F特征閾值和公式（3）的基礎(chǔ)上繼續(xù)進(jìn)行，實驗次數(shù)為50，判決的結(jié)果如表5所示。

表5 不同火焰特征單獨判斷結(jié)果

通過表5可以計算輸入神經(jīng)網(wǎng)絡(luò)的初始權(quán)值為（0.23 0.21 0.27 0.29），y的初始閾值取0.62，因火災(zāi)火焰信號是一組非線性信號，采集大量實驗次數(shù)和準(zhǔn)確率數(shù)據(jù)獲得權(quán)值基礎(chǔ)數(shù)據(jù)，通過RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，得到最終權(quán)值(k1，k2，k3，k4)。本文隱含層的個數(shù)是預(yù)先設(shè)定的，采用四個隱含層符合要求，但火災(zāi)火焰的特征樣本信息個數(shù)可以根據(jù)PCA（主成分分析）原理進(jìn)行調(diào)整，如本文沒有采用火災(zāi)火焰燃燒初期的面積增大和擴散特征，就因為它在最終判決中影響因子較少，同時對未來發(fā)現(xiàn)重要的火災(zāi)火焰特征也可以進(jìn)行擴展。RBF神經(jīng)網(wǎng)絡(luò)由三層組成，結(jié)構(gòu)如圖7所示。

圖7 徑向基神經(jīng)網(wǎng)絡(luò)圖

因徑向基函數(shù)的重要特性是當(dāng)輸入信號靠近基函數(shù)的中央范圍時，隱層節(jié)點將產(chǎn)生出較大的輸出，由此知RBF網(wǎng)絡(luò)具有局部逼近能力。本文選用最常用的高斯函數(shù)作為R(i)(x)的基函數(shù)。

其中，x是n維輸入向量；ci是第i個基函數(shù)的中心，與x具有相同維數(shù)的向量；σi是第i個感知的變量；m是感知單元的個數(shù)。

為檢驗本文算法的優(yōu)越性，將傳統(tǒng)算法與本文算法比較，如表6所示。

表6 本文算法與其他相關(guān)算法比較

由于本實驗是在實驗室環(huán)境下進(jìn)行測試和運行的，在其他環(huán)境下，具體閾值和參數(shù)需要重新進(jìn)行樣本采集和神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，確定更合適多特征的權(quán)值和y閾值。

4 結(jié)論

本文在分析火焰靜態(tài)與動態(tài)特征的基礎(chǔ)上，基于實驗室的室內(nèi)環(huán)境，應(yīng)用了一種神經(jīng)網(wǎng)絡(luò)和加權(quán)融合算法相結(jié)合的火焰識別算法。通過實驗表明，該算法具有處理速度快和較高的識別能力，進(jìn)一步提高了火焰識別的準(zhǔn)確性。但系統(tǒng)仍存在誤報，可以從以下幾方面改進(jìn)：

（1）因在室內(nèi)相對封閉的環(huán)境下，燃燒初期通常會產(chǎn)生大量煙霧信息，可以在系統(tǒng)中加入傳統(tǒng)感煙傳感器，有望進(jìn)一步減少誤報率。

（2）本文獲取的特征信息還比較有限，未來若發(fā)現(xiàn)更重要的火災(zāi)火焰特征信息，可適當(dāng)引入進(jìn)來。

（3）本文只是火災(zāi)火焰視頻監(jiān)控中的一部分，在實際的實施過程中需要根據(jù)環(huán)境進(jìn)行調(diào)整。

參考文獻(xiàn)：

[1]Phillips W，Shah M，Lobo N V.Flame recognition in video[C]// Proceedings of the 5th IEEE Workshop on Applications of Computer Vision，2000.

[2]Chen T H，Yin Y H，Huang S F，et al.The smoke detection for early fire-alarming systembased on video processing[C]// Proceedings of the IEEE International Conference on Intelligent Information Hiding and Multimedia Signal Processing，2006.

[3]T?reyin B U，Dedeo?lu Y，Güdükbay U，et al.Computer vision based method for real-time fire and flame detection[J].Pattern Recognition Letters，2006，27（1）.

[4]王佳.基于數(shù)字圖像處理的火災(zāi)火焰檢測算法研究[D].西安：西安工業(yè)大學(xué)，2008.

[5]曹哲.基于視頻圖像的火焰識別和背景干擾濾除算法[D].西安：西安電子科技大學(xué)，2009.

[6]Horng W，Peng J，Chen C.A new image-based real-time flame detection method using color analysis[C]//Proceedings of the IEEE Conference on Networking，Sensing and Control，2005：100-105.

[7]周軍盈，杜嘯曉.圖像識別技術(shù)在火災(zāi)探測中的應(yīng)用[J].消防科學(xué)與技術(shù)，2007（4）：417-420.

[8]張進(jìn)華，莊健.一種基于視頻多特征融合的火焰識別算法[J].西安交通大學(xué)學(xué)報，2006，40（7）.

[9]吳錚，孫立.基于隱馬爾可夫模型的火焰檢測[J].計算機工程，2008，34（20）.

[10]陳娟.基于多特征融合的視頻火焰探測方法研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2009.

JIN Qilin,DUAN Suolin

School of Information Science and Engineering,Changzhou University,Changzhou,Jiangsu 213164,China

For the indoor environment as the application background，this paper designs the feature fusion flame detection algorithm with static and dynamic flame features，which gives the quick decision to the fire flame.Firstly，the paper makes the motion detection to the video image，extracts the color feature，and creates a new color criterion in HIS space，then gets round and peak number of fire flame area.Finally，it researches on the characteristics of the flame flicker，taking all these features as neural network input，and ultimately uses of weighted fusion algorithm to determine whether it is the fire flame.

motion detection;flame detection;threshold estimation;feature fusion

以室內(nèi)環(huán)境為應(yīng)用背景，結(jié)合火災(zāi)火焰的靜態(tài)和動態(tài)特征，采用了一種神經(jīng)網(wǎng)絡(luò)與加權(quán)融合的火災(zāi)火焰識別算法，對室內(nèi)火災(zāi)火焰進(jìn)行實時快速判決。對視頻圖像進(jìn)行可疑運動檢測，再對顏色特征進(jìn)行提取，在HIS顏色空間中建立新的顏色判據(jù)，然后獲取圓形度和尖峰數(shù)；研究了火焰頻閃特性，將這些特征信息作為神經(jīng)網(wǎng)絡(luò)的輸入端，最終利用加權(quán)融合的算法，判定區(qū)域是否為火焰。

運動檢測；火焰識別；閾值分割；特征融合

A

TP391.41

10.3778/j.issn.1002-8331.1111-0038

JIN Qilin,DUAN Suolin.Research of fire detection algorithm based on neural network and weighted fusion.Computer Engineering and Applications,2013,49（13）：156-159.

常州市科技計劃項目（No.CJ20110023）。

靳琪琳，男，碩士生，主要研究方向為機器視覺和信息化；段鎖林，男，教授，碩士生導(dǎo)師。E-mail：jinqilin@126.com

2011-11-07

2012-02-02

1002-8331（2013）13-0156-04

CNKI出版日期：2012-04-25http://www.cnki.net/kcms/detail/11.2127.TP.20120425.1723.094.html