張怡

(成都理工大學 工程技術(shù)學院， 四川 樂山 614000)

0 引言

火災(zāi)是在很短的時間內(nèi)對生命和財產(chǎn)造成重大損害的異常事件[1]?；馂?zāi)探測可分為兩大類：傳統(tǒng)火災(zāi)報警和視覺傳感器輔助火災(zāi)探測。傳統(tǒng)的火災(zāi)報警系統(tǒng)基于需要近距離激活的傳感器。這些傳感器不太適合關(guān)鍵環(huán)境，在發(fā)生警報時需要人的參與來確認火災(zāi)，包括探索火災(zāi)位置。此外，這樣的系統(tǒng)通常不能提供關(guān)于火災(zāi)的大小、位置和燃燒程度的信息。為了克服這些局限性，目前研究人員探索了許多基于視覺傳感器的方法[2-6]，但這些系統(tǒng)仍然存在一些問題，例如觀察到的場景的復雜性、不規(guī)則的照明，以及低質(zhì)量的幀；較高精度的算法其計算量也較大，而簡單的方法在精確度和誤報率方面存在較大誤差。因此，有必要在這些度量之間找到一個更好的折衷，以滿足一些實際應(yīng)用場景的實際需求，所以在此提出了一個基于深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)[7]的監(jiān)控網(wǎng)絡(luò)中的早期火災(zāi)探測系統(tǒng)(Fire Detection based on DCNN)。由于在系統(tǒng)中使用轉(zhuǎn)移學習策略訓練并微調(diào)AlexNet架構(gòu)[8]，使得系統(tǒng)尺寸較小。并且該系統(tǒng)可以智能地選擇對火災(zāi)區(qū)域敏感的特征映射，從而更精確地分割火焰，達到精度的提升和誤報率減小。

1 系統(tǒng)構(gòu)成和原理

為了實現(xiàn)高精度，多場景自動火災(zāi)檢測，在此提出了FDC系統(tǒng)。本節(jié)主要對FDC系統(tǒng)進行介紹，給出了FDC系統(tǒng)框架圖，如圖1所示。

圖1 FDC系統(tǒng)框架圖

1.1 相關(guān)原理介紹

整個FDC系統(tǒng)框架主要是基于DCNN架構(gòu)，典型的DCNN架構(gòu)由三個處理層組成：卷積層，池化層和完全連接層[9]。這些層以層次結(jié)構(gòu)排列，使得一層的輸出充當下一層的輸入。在訓練階段，調(diào)整和學習卷積核和完全連通層中所有神經(jīng)元的權(quán)重。這些權(quán)重對輸入訓練數(shù)據(jù)的代表性特征進行建模，進而進行目標分類。

在系統(tǒng)中使用類似于SqueezeNet[10]的模型來檢測火災(zāi)和非火災(zāi)圖像。該模型由2個規(guī)則卷積層、3個最大池化層、1個平均池化層和8個Fire模塊組成，輸入的是224×224×3像素的彩色圖像。在第一個卷積層，將64個3×3大小的濾波器應(yīng)用于輸入圖像，生成64個特征映射。這64個特征映射的最大激活由第一個最大池化層選擇，其步長為2個像素，使用3×3像素的鄰域。這樣可以將特征圖的大小縮小兩倍，從而保留最有用的信息，同時丟棄不太重要的細節(jié)。接下來，使用兩個128個過濾器的Fire模塊，然后是另一個256個過濾器的Fire模塊。每個Fire模塊還包括兩個進一步的卷積、壓縮和膨脹。由于每個模塊由多個濾波器分辨率組成，并且在Caffe框架中沒有對此類卷積層的本地支持[11]，因此引入了一個擴展層，每個Fire模塊中有兩個獨立的卷積層。第一層卷積包含1×1個濾波器，第二層包含3×3個濾波器。這兩個層的輸出在通道維度中連接。在3個Fire模塊之后，還有另一個最大池化層，其操作方式與第一個最大池化層相同。在512個濾波器的最后一個Fire模塊(Fire9)之后，修改卷積層，將類數(shù)減少到兩個[M=2(fire和normal)]。該層的輸出被傳遞到平均池化層，該層的結(jié)果直接輸入到Softmax分類器中，以計算兩個目標類的概率。

在FDC系統(tǒng)中還采用一種轉(zhuǎn)換學習策略，以進一步提高學習的準確性。采用這種策略，使用了一個預(yù)訓練的SqueezeNet模型，并根據(jù)分類問題對其進行了微調(diào)，由于學習速度較慢。所以刪除了最后一個完全連接層，以提高效率。

2 用于火災(zāi)探測和定位的DCNN

本節(jié)介紹了使用所提出的DCNN進行火災(zāi)探測和定位的過程。在系統(tǒng)中用不同的參數(shù)設(shè)置訓練不同的模型，經(jīng)過微調(diào)過程，得到了一個在不同條件下，在室內(nèi)和室外場景下，能夠遠距離、小范圍探測火災(zāi)的最優(yōu)模型。

使用DCNN的另一個動機因素是為了避免預(yù)處理和特征標注。在FDC系統(tǒng)中，圖像通過DCNN發(fā)送，它給輸入的圖像分配一個“fire”或“normal”標簽。這個標簽是根據(jù)網(wǎng)絡(luò)計算的概率分數(shù)來分配的。以較高的概率得分作為輸入圖像的最終類別標簽。一組樣本圖像及其預(yù)測的類標簽和概率分數(shù)，如圖2所示。

圖2 使用DCNN進行火災(zāi)定位

為了在樣本圖像中定位火災(zāi)，使用圖2中給出的框架。首先，從DCNN得到了一個預(yù)測。在非火災(zāi)的情況下，不執(zhí)行進一步的操作；在發(fā)生火災(zāi)的情況下，對其定位進行進一步的處理，如算法1和算法2所示。

算法1 Feature Map Selection輸入:訓練樣本(TS)、真實值(GT)和提出的CNN模型(CNN-M)輸出:對火敏感的特征圖1. 通過CNN-M前向傳播TS2. 從CNN-M的L層中選擇特征圖TS3. 將GT和FN調(diào)整為256×256像素4. 計算FN的平均激活圖FMAi5. 對每個特征圖Fi進行二值化:F(x,y)bin(i)=1, F(x,y)i>FMA(i)0, Otherwise 6. 計算GT和每個特征圖Fbin(i)之間的漢明距離HDi:HDi=|Fbin(i)-GT|,這就產(chǎn)生了TS×FN漢明距離7. 計算所有生成的漢明距離之和,并使用閾值T短列最小漢明距離8. 根據(jù)列出的漢明距離選擇適當?shù)奶卣鲌D

算法1的流程圖，如圖3所示。

圖3 算法1的流程圖

算法2:火災(zāi)定位算法輸入:視頻序列的圖像I和提出的深層CNN模型(CNN-M)輸出:分段火災(zāi)的二進制圖像Ilocalize1. 從視頻序列中選擇一個幀并通過CNN-M向前傳播2. if predicted label = non-fire thencontinueelsea) 從CNN-M的“Fire2/Concat”層提取特征映射8、26和32(F8,F26,F32)b) 計算F8,F26和F32的平均激活圖(FMA)c) 通過閾值T對FMA應(yīng)用二值化:FLocalize=1, FMA>T0, Otherwise d) 從FMA中分割火災(zāi)區(qū)域endif

在使用算法1分析了提出的CNN不同層的所有特征映射后，由于“Fire2/Concat”層的特征映射8、26和32對火災(zāi)區(qū)域敏感，適合火災(zāi)定位。因此，融合了這3個特征映射并應(yīng)用二值化來分割火焰，給出了一組帶有分割區(qū)域的火災(zāi)圖像樣本，如圖4所示。

對火災(zāi)進行分割的目的為：(1) 確定被觀察場景的嚴重程度/燃燒程度；(2) 從輸入的火災(zāi)圖像中找到影響區(qū)域(ZOI)。根據(jù)分割后的火焰像素數(shù)可以確定燃燒程度。ZOI可以通過從原始輸入圖像中減去分割的火焰區(qū)域來計算。生成的ZOI圖像隨后從最初的SqueezeNet模型傳遞過來，該模型從1 000個對象中預(yù)測其標簽。對象信息可用于確定場景中的情況。這些信息，連同火災(zāi)的嚴重程度，可以報告給消防隊，以便采取適當?shù)男袆印?/p>

3 實驗與評估

3.1 實驗環(huán)境

本文實驗主要是基于一臺英特爾i7處理器上的臺式機，其內(nèi)存為64 GB，操作系統(tǒng)為Ubuntu，顯卡為英偉達GeForce GTX TITAN X，使用python 3.0進行實現(xiàn)。實驗中數(shù)據(jù)集為公開數(shù)據(jù)集[12]，在該數(shù)據(jù)集中包含在不同環(huán)境中捕獲的31個視頻。在這些視頻中，包括火災(zāi)的視頻有14個，而普通視頻有17個?？偣彩褂昧?8 457張圖像。其中20%和80%的數(shù)據(jù)分別用于訓練和測試。

3.2 實驗結(jié)果

3.2.1 性能對比

在這里選擇了六個現(xiàn)有方法與FDC系統(tǒng)進行對比。結(jié)果如表1所示。

表1 各種火災(zāi)探測方法的比較

文獻[15]和[16]在漏報方面表現(xiàn)最好。然而這兩個方法在誤報和準確性上表現(xiàn)不是很理想。對于誤報來說，文獻[17]表現(xiàn)最好，但其漏報率為14.09%，是所有檢測方法中最差的。為了獲得較高的準確率和較低的誤報率，在此研究了使用深度特征進行火災(zāi)探測。首先使用了不帶微調(diào)的AlexNet架構(gòu)，其準確率為89.96%，誤報率從11.67%降低到9.12%。在baseline AlexNet體系結(jié)構(gòu)中，核的權(quán)重是隨機初始化的，并且在訓練過程中考慮到錯誤率和準確度而進行修改。在這里還應(yīng)用了轉(zhuǎn)移學習的策略，通過這種策略，從預(yù)訓練的AlexNet模型初始化權(quán)重，結(jié)果準確率提高了4.33%，漏報和誤報分別減少了8.5%和0.15%。

3.2.2 實際定位結(jié)果對比

在這里將從火災(zāi)定位和對所觀察到的場景的理解來評估本文方法的性能。計算漏報率和誤報率率來評價火災(zāi)定位的性能。用來定位火災(zāi)的特征圖比真實圖像小，因此調(diào)整了大小以匹配真實圖像的大小。然后，計算了探測地圖和地面真實圖像中重疊火力像素的數(shù)目，并將其作為誤報。同樣，還確定了探測圖中不重疊的火災(zāi)像素的數(shù)量，并將其解釋為漏報。

將FDC的結(jié)果與一些現(xiàn)有方法進行對比，其結(jié)果如圖5所示。

圖5 本文方法與其他方法對比結(jié)果

根據(jù)算法2中二值化過程的閾值T，在此報告了3種不同的CNNFire結(jié)果。從圖5可以看出，F(xiàn)DC系統(tǒng)在漏報率和誤報率之間保持了較好的平衡，使其更適合于監(jiān)控系統(tǒng)中的火災(zāi)定位。

4 總結(jié)

火災(zāi)是最危險的異常事件，如不及早控制，可能造成巨大的災(zāi)害，給人類、生態(tài)和經(jīng)濟造成損失。受DCNN巨大潛力的啟發(fā)，在此提出了一種基于DCNN的輕量級閉路電視監(jiān)控網(wǎng)火災(zāi)探測系統(tǒng)FDC。該法既能定位火源，又能識別監(jiān)控對象。此外，F(xiàn)DC系統(tǒng)分別使用微調(diào)和SqueezeNet架構(gòu)來平衡火災(zāi)探測的準確性和模型的大小。通過公開數(shù)據(jù)集，驗證了該系統(tǒng)在實際中部署的可行性。考慮到CNN模型對火災(zāi)探測和定位的合理精度、規(guī)模和誤報率，該系統(tǒng)有助于災(zāi)害管理團隊及時控制火災(zāi)，避免巨大損失。