基于BP神经网络火灾图像识别技术.docVIP

基于BP神经网络火灾图像识别技术 　　摘 要： 首先针对背景复杂的火灾图像，采用差分技术、RGB颜色分割技术，得到火焰疑似区域。然后分析火焰疑似区域的特性，提取出火焰特征。最后运用BP神经网络建立火灾识别模型，将提取出的火焰特征作为输入量，对火灾图像进行分类识别。结果表明，该算法具有较高的准确率。 　　关键词： 火灾探测；特征提取；视频图像；BP 　　中图分类号：TP391.41 文献标识码：A 文章编号：1671－7597（2011）1020109－01 　　 　　0 引言 　　图像型火灾探测技术就是把数字图像技术和火灾相结合，对图像中可能存在的火焰依据其特征来进行探测识别。这种方法与传统的方法相比可以有效地提高火灾探测精度、缩短时间。 　　目前国内外都对图像型火灾探测技术做了大量的研究。Phillips等人综合了火焰像素的颜色及其时变特性，并引入了火焰区域的形状识别方法。Chen等人通过联合分析RGB和HSI颜色模型推演出火焰像素的特征决策，提取出火焰可疑区域，再通过火焰区域的火苗闪动、区域变形和整体蔓延等动态特征来识别火灾。袁非牛等人提出一种利用规格化傅立叶描述子来度量轮廓脉动信息的距离模型。目前对图像型火灾探测技术的研究大部分都集中在灰度图像的上；整体算法的的适应性、鲁棒性较差。这些都是图像型火灾探测技术急待解决的问题。 　　1 系统设计 　　系统首先对疑似火灾图像进行分析，提取特征参数，然后利用BP神经网络进行判断。未发生火灾时，相邻帧之间有很强的相关性。当出现火灾区域以后，火灾图像与基准图像的相似性测度数值会有突变。随着火焰的蔓延，图像包含的不同像素点越来越多（主要是火焰区域），帧间相似性测度值会连续变化。本文采用交互信息相似性准则，用互信息作为两图像间的相似性测度，通过搜索最大互信息表征两帧图像的相似性。用于描述随机变量的相关性互信息： 　　用实验拍摄的样图进行实验，其中前6幅为干扰图像，后9幅为火灾图像，从图中可以看出，前六帧为干扰图像但有强灯光干扰，由于图像整体几乎没有发生变化，所以相似性测度计算值较小且接近。从第7帧图像开始为火灾图像，相似性测度值相对于前6幅图像有较大突变且计算值较大。火焰在燃烧的过程中形状位置都不断发生变化，所以后9帧火灾图像相似性测度值都比较大。实验结果表明，利用相似性测度作为早期火灾的判据简单有效，不用经过后续大量特征提取就可初步判断出是否火灾，适用于背景无变化或变化较慢的火灾场景的初步判断。 　　2 火灾图像分割 　　火焰区域的分割是火灾特征提取的前提，本文采用最大类间方差法（otsu）。它是按图像的灰度特性将图像分成背景和目标两部分，背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。对于图像I（x，y）前景（即目标）和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g，则： 经过分割处理后的图像能大概的反映出来符合条件的亮度区域的范围，但是会存在一些减除不彻底的干扰点，本文用到数学形态学中的膨胀和腐蚀进行处理。经过腐蚀运算后要获得火焰形状的边缘，经典的边缘提取方法是边缘检测局部算子法，本文采用Roberts边缘检测算子。 　　3 火灾图像特征提取与识别算法设计 　　图像型火灾探测的核心是提取疑似火焰区域的有效特征，选择的火焰特征要能够完整表征火灾信息。本文选取了五个典型特征作为火灾识别依据：面积变化值、致密度、偏心率、质心点偏移。 　　3.1 火焰区域面积变化值 　　火焰区域面积变化值用来表征火灾发生的过程中面积不断变化的特征。火灾发生过程中，火焰区域不断变化，而大部分干扰物的面积变化值几乎为0。如移动的手电，虽然坐标位置不断发生变化但面积几乎不变。本算法采用计算连续帧的火焰区域面积值，然后相减得到其变化值，用火灾面积变化值Rn 作为火灾特征。 　　3.2 火灾图像致密度 　　致密度通常用来描述物体边界的复杂程度，也称为圆形度或分散度，致密度刻画了目标区域单位面积上的周长，通过利用致密度可以排除形状规则且对火焰形成强干扰的发亮物体（如太阳、路灯等）。 　　3.3 火灾图像偏心率 　　偏心率也称伸长度，它描述了物体形状的紧凑性。往往用于区分细长物体和近似规则的干扰物体。 　　3.4 火灾图像质心点偏移距离 　　火灾发生的过程中，随着新的燃烧材料被点燃或旧的燃烧材料燃尽熄灭，火焰区域的位置不停的变化，不同帧之间的火焰区域的位置会产生一定量的移动，且移动较为缓慢平稳，一般不可能发生跳跃性突变，即使火灾正处于燃烧的高峰时期，火焰区域的偏移距离也不会