張宇峰

?

基于圖像處理及BP神經(jīng)網(wǎng)絡(luò)的火災(zāi)識(shí)別方法

張宇峰*

（安徽理工大學(xué) 電氣與信息工程學(xué)院，安徽淮南，232001）

火災(zāi)是影響公眾安全和社會(huì)發(fā)展的主要災(zāi)害之一，為了減小危害，需要準(zhǔn)確的識(shí)別火災(zāi)的發(fā)生。本文利用圖像處理技術(shù)，對(duì)火災(zāi)圖像進(jìn)行預(yù)處理：包括降噪、灰度化以及二值化，提取預(yù)處理后圖像中的特征值：圓形度、形體變化率和角點(diǎn)數(shù)。然后使用圖像樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后將訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)用于火災(zāi)圖像識(shí)別。我們?cè)O(shè)置火災(zāi)和蠟燭火焰兩個(gè)實(shí)驗(yàn)場(chǎng)景，對(duì)圖像樣本進(jìn)行分析，能夠正確的區(qū)分火災(zāi)圖像和蠟燭圖像。實(shí)驗(yàn)表明：此方法對(duì)于火災(zāi)的準(zhǔn)確識(shí)別具有重要意義。

火災(zāi)；圖像處理；BP神經(jīng)網(wǎng)絡(luò)

引言

火災(zāi)一直是我們?nèi)粘Ｉ詈蜕a(chǎn)中的一大隱患，其破壞力強(qiáng)，一旦發(fā)生很容易造成極大的人員傷亡和財(cái)產(chǎn)損失，所以火災(zāi)的及時(shí)準(zhǔn)別的識(shí)別就變得及其重要。近年來，圖像型火災(zāi)探測(cè)技術(shù)的發(fā)展越來越快，國內(nèi)外許多學(xué)者都做了大量研究。但是這些研究大都集中在圖像的處理以及特征提取上，算法的整體適應(yīng)性較差。本文提出了一種圖像處理技術(shù)結(jié)合BP神經(jīng)網(wǎng)絡(luò)的方法用于火災(zāi)識(shí)別，能夠準(zhǔn)確的識(shí)別火災(zāi)的發(fā)生，對(duì)于火災(zāi)的準(zhǔn)確識(shí)別有著重要意義。

1 圖像處理

1.1 圖像降噪

監(jiān)控得到的圖像受到外部環(huán)境干擾，圖像中會(huì)出現(xiàn)噪聲。圖像中的噪聲對(duì)于圖像特征提取過程的干擾非常大，所以我們需要對(duì)含有噪聲的圖像進(jìn)行降噪處理。本文采用中值濾波[1]對(duì)圖像進(jìn)行濾波處理，中值濾波是一種非線性的濾波方法，與其他線性濾波器相比，不僅能夠?yàn)V除脈沖噪聲，還可以很好的保護(hù)圖像的邊緣信息。

1.2 圖像灰度化和二值化

圖像的灰度化[2-3]是指將彩色的圖像轉(zhuǎn)化為灰度圖像的過程。彩色圖像分為三個(gè)顏色分量R、G、B，取值為0-255，其一個(gè)像素點(diǎn)的范圍為0到1600多萬。而灰度圖像的三個(gè)分量相同，其像素點(diǎn)的變化范圍只有255種，因此將彩色圖像轉(zhuǎn)化為灰度圖像可以極大的減少后續(xù)處理過程的計(jì)算量。我們采用加權(quán)平均運(yùn)算來進(jìn)行圖像的灰度化處理。

二值化[4]可以得到黑白分明的圖像，從而濾除圖像中的無用信息，保留我們需要的特征信息，從而減少特征提取過程中的工作量。本文使用OTSU算法結(jié)合Canny算子對(duì)圖像進(jìn)行二值化處理。

1.3 特征提取[5]

根據(jù)火災(zāi)的特點(diǎn)，我們提取以下圖像特征作為火災(zāi)的判別依據(jù)：

（1）圓形度。圓形度是基于圖像的面積和周長來計(jì)算的圖像形狀復(fù)雜程度的特征量。圓形度在0-1之間，越接近于1，圖像的形狀越接近于圓形；圓形度越小，形狀越不規(guī)則。

（2）形體變化率。在火災(zāi)中，火焰的形體變化比較大，而干擾源的形體變化較小。所以形體變化率可以作為是否發(fā)生火災(zāi)的一個(gè)判定依據(jù)。我們通過相鄰兩楨圖像的面積之比來表示形體的變化率。

（3）角點(diǎn)對(duì)應(yīng)物體的拐角，火災(zāi)圖像中的尖角數(shù)比較大，而蠟燭火焰圖像尖角數(shù)較小。我們利用FAST角點(diǎn)算法計(jì)算角點(diǎn)。

2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[6]是一種前饋網(wǎng)絡(luò)，它的應(yīng)用范圍是神經(jīng)網(wǎng)絡(luò)中最為廣泛的，例如模式識(shí)別，數(shù)據(jù)壓縮以及挖掘等領(lǐng)域。

BP神經(jīng)網(wǎng)絡(luò)在使用之前需要進(jìn)行訓(xùn)練[7]，訓(xùn)練步驟如下：第一步，網(wǎng)絡(luò)初始化；第二步，隨機(jī)選取第k個(gè)輸入樣本和其對(duì)應(yīng)的期望輸出；第三步，計(jì)算單隱層的各個(gè)神經(jīng)元的輸入以及輸出；第四步，根據(jù)神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和期望輸出，計(jì)算誤差函數(shù)對(duì)輸出層各個(gè)神經(jīng)元的偏導(dǎo)數(shù)；第五步，計(jì)算誤差函數(shù)對(duì)單隱層各個(gè)神經(jīng)元的偏導(dǎo)數(shù)；第六步，修正連接權(quán)值；第七步，計(jì)算全局誤差；最后，判斷訓(xùn)練后的網(wǎng)絡(luò)誤差是否符合要求，如果誤差較小或者學(xué)習(xí)次數(shù)超出預(yù)定次數(shù)則停止訓(xùn)練，否則進(jìn)行下一輪訓(xùn)練。

3 識(shí)別實(shí)驗(yàn)

3.1 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

3.2 實(shí)驗(yàn)結(jié)果分析

通過500幅圖像樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包括400幅火災(zāi)圖像和100幅干擾圖像，使用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對(duì)疑似火災(zāi)圖像進(jìn)行識(shí)別。我們?cè)O(shè)置5組實(shí)驗(yàn)，兩個(gè)實(shí)驗(yàn)場(chǎng)景：包括四組火災(zāi)圖像和一組蠟燭火焰圖像（干擾圖像），得到的實(shí)驗(yàn)結(jié)果如表1。1-4組是火災(zāi)圖像，第5組是干擾圖像，BP網(wǎng)絡(luò)的識(shí)別結(jié)果和實(shí)際結(jié)果相符，識(shí)別全部正確。

表1 BP神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果

Table.1 Experimental results of BP neural network

4 結(jié)束語

本文利用圖像處理技術(shù)結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)火災(zāi)圖像進(jìn)行分析識(shí)別，結(jié)合了兩者的優(yōu)點(diǎn)，算法具有很好的穩(wěn)定性。此算法能夠準(zhǔn)確的識(shí)別火災(zāi)圖像，對(duì)于火災(zāi)的正確識(shí)別具有重要的意義。

[1] 張旭明, 徐濱士, 董世運(yùn). 用于圖像處理的自適應(yīng)中值濾波[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2005, (02): 295-299.

[2] 周金和, 彭福堂. 一種有選擇的圖像灰度化方法[J]. 計(jì)算機(jī)工程, 2006, (20): 198-200.

[3] 劉春曉, 朱臻陽, 伍敏, 等. 基于主色檢測(cè)與灰度傳播的彩色圖像灰度化方法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2016, 28(03): 433-442.

[4] 陳強(qiáng), 朱立新, 夏德深. 結(jié)合Canny算子的圖像二值化[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2005, (06): 1302-1306.

[5] 沐小會(huì), 陳嘉卿, 宋英磊. 火焰特征提取研究在火災(zāi)探測(cè)中的運(yùn)用[J]. 電子設(shè)計(jì)工程, 2016, 24(21): 188-190.

[6] 段鎖林, 顧川林. 基于BP神經(jīng)網(wǎng)絡(luò)視頻火災(zāi)火焰檢測(cè)方法[J]. 常州大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, 29(02): 65-70.

[7] 陳明忠. BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法的分析與比較[J]. 科技廣場(chǎng), 2010, (03): 24-27.

Fire Identification Method Based on Image Processing and BP Neural Network

ZHANG Yufeng*

(College of Electrical and Information Engineering, Anhui University of Science & Technology, Anhui Huainan, 232001, China)

Fire is one of the major disasters affecting public safety and social development. In order to reduce the harm, it is necessary to accurately identify the occurrence of a fire. In this paper, image processing technology is used to pre-process fire images: including noise reduction, grayscale and binarization. The eigenvalues in the preprocessed images are extracted: circularity, rate of change of body shape and number of corners. Then the image samples are used to train the BP neural network. Finally, the trained BP neural network is used for the fire image recognition. We set fire and candle flame two experimental scenes, the analysis of image samples, the right to distinguish between fire images and candle images. Experiments show that this method is of great significance for the accurate identification of fire.

Fire; image processing; BP neural network

10.19551/j.cnki.issn1672-9129.2017.08.010

X703

A

1672-9129(2017)08-0022-02

張宇峰. 基于圖像處理及BP神經(jīng)網(wǎng)絡(luò)的火災(zāi)識(shí)別方法[J]. 數(shù)碼設(shè)計(jì), 2017, 6(8): 22-23.

ZHANG Yufeng. Fire Identification Method Based on Image Processing and BP Neural Network[J]. Peak Data Science, 2017, 6(8): 22-23.

2017-03-16；

2017-04-11。

張宇峰（1992-），男，安徽淮南，碩士研究生，研究方向：圖像處理、機(jī)器學(xué)習(xí)。E-mail:yfzhang2075@163.com