神经网络在火灾视频识别中的应用.pdfVIP

机械 设 计与 制造 第4期 Machinery Design Manufacture 2011年 4月 文章编号：1001—3997(2011)04-0080-03 神经网络在火灾视频识别中的应用水 lide。dete肌s~gn．1，aretreated∞舭ce。nof]iredee￡c勘几er￡ainedthree。。roheat／BPneura／l inetworkareappliedtothefirerecognitionundertheenvironmentofboththeexistaztceandnon--existanceof{ lthes。ttrceofthedistr“banceerthenetw。rk盯rUCtMdesinging，andthestingres拈indicated the； Keywords：Firerecognit la的0口∞‘●口0∞口0∞口●∞0∽々0∞6∽●∞0∞‘0圣i∽o篓n●∽0；V∞々—0ide—0o∽d—0e∽t—6ec∽t0～io々n0一∞N；6～e∽u—0r∽—a0l∞々n～e∽々—t0w∞o々—6r∽k一∞6一∽一∽々6一∽一∽0一∽o一∽0～∽々一0∽0∽0一0，，一●∽々一∞々0j∽‘l。 早期火灾信号具有随机性、非结构性等特征 ，而环境中的气 的反向传播，在正向传播中，将一个训练样本的特征向量输入神 流、灰尘、水滴、电磁场、静电以及人为干扰等有时也会产生类似 经网络，经过神经网络的前向传播计算得到一个实际输出，然后 的特征，极易对依据某一个火灾参量进行火灾探测的传统火灾探 将该输出与期望的样本输出相比较，如有偏差，则转入反向传播 测器造成误报。同时，传统的感烟、感温等火灾探测器对大空间场 过程，将该偏差由原来的联络通路返回，通过调整各层神经元的 所或室外火灾的探测往往因为探测距离和高度等一些原因而无 联系权值，使误差减小；然后，再转向正向传播过程，反复迭代，直 法奏效，图像型火灾探测 是大空间场所或室外进行火灾探测的 到误差小于等于允许值 ，学习结束。 有效手段，也是目前火灾报警研究的主要方向之一。 3火焰特征图像及特征提取 ★来稿 日期：2010-06—16 ★基金项 目：江西省青年科学家(井冈之星)培养对象计划资]~J(2009DQ01mo)， 载运工具与装备省部共建教育部重点实验室开放基金资助 第4期 林凤涛等：神经网络在火灾视频识别中的应用 81 ，广 图像中的图元个数。 变化曲线大体一致，惯性矩与熵的变化趋势大体一致，且0。、45~、 由公式可以看出对于圆来说，其圆形度为 1，形状越接近圆 90。和 135。这 4个方向的纹理特征变化 曲线大致相同，因此，选用 越大，形状越复杂 越小， [0，1o 了45。方向的灰度共生矩阵来计算纹理特征，选用能量和惯性矩 试验中每间隔 1帧提取视频图像共取 75帧图像，计算每一 这 2种纹理特征的平均值 {、}作为输入向量中的纹理特征向 帧图像中火焰区域的圆形度，求其平均值 1并将其作为输入信 量。 号 。 4神经网络结构设计 3_2火焰区域增长特性 4．1输入向量 早期火灾是着火后火焰不断发展的过程。在这个阶段 ，火灾 ， … ， )共计 6个分量 ，即圆形度特性 、焰区域增长特性、 火焰的面积呈现连续的、扩展性的增长趋势 。用计算圆形度得到 闪烁频率特性 、形状特征、纹理特征中的能量和惯性矩特征向量， 的每一帧图像的分割区域面积构成 的面积曲线进行小波分解 ，然 且输入层节点数为 9。 后对小波分解