面向图像视觉特征的火灾自动识别研究

王金鹏

摘  要：火灾是社会发展重要灾害之一，会对民众生命、财产安全形成较大威胁。为提升火灾自动检测水平，实现智能化火灾识别模式，业界开始加大对视频监控检测的研究力度。在此环境中，以视频图像视觉特征为基础的火灾自动识别技术开始成为业界关注的重点。通过对图像视觉特征的介绍，对基于图像视觉特征的火灾自动识别模式展开论述，旨在提高图像视觉特征的应用水平，保证火灾防控工作开展质量。

关键词：BP神经网络  火灾自动识别  识别技术  图像视觉特征

中图分类号：X913.4                                文献标识码：A                          文章编号：1672-3791（2019）03（a）-0010-02

以往火灾检测技术，多是以传感器应用为主。虽然利用传感器设备，可对火灾中光、温度以及烟雾等特征展开有效感知，可通过对相应物理量参数进行收集的方式，做出预警，但此种方式却很容易会受到周边各项因素的影响，很容易会出现错误识别的状况。为改善这一问题，提高火灾识别精度与准确度，研究人员开始将图像视觉特征提取运用到了火灾自动识别之中。为对该种识别技术展开深层次研究，研究人员首先应对图像视觉特征相关内容展开分析。

1  图像视觉特征

1.1 图像小波特征及提取

1.1.1 特征

小波变换时频域局部特征较为突出，其会通过对一组多尺度带通滤波器的运用，展开信号滤波以及分解处理，从而在不同频带中高质量完成分析处理任务。此特征与多通道滤波模型理论相符，同时因为小波滤波器带宽在对数尺度环境中，属于相同状态，和人类视觉通道按对数特性变换相同，小波包分析可以实现对信号的有效分析，能够按照层次做好频带划分，能够对多分辨率分析未完成处理的高频部分展开进一步分解的目标，可按照被分析特征内容，筛选出最为适合的频带，以保证频带和信号频谱的匹配程度，进而将时-频分辨率提升到最佳。

1.1.2 特征提取

运用小波包分解方式实施图像特征提取原理主要分为以下几个步骤：（1）对数字化RGB图像S实施R、G、B分解，获得相应的3幅图像，并利用两层小波包分解手段，对每一幅图像实施处理，提取出相应信号特征;（2）重构小波包分解系数，做好频带范围信号提取;（3）按照上两步骤结果，展开频带信号总能量计算;（4）因为各图像频带中信号能量存在一定差异，所以可将能量作为元素，展开特征向量构建，进而按照小波特征向量以及颜色特征向量，获得图像特征向量。

1.2 颜色特征及提取

作为全局特征中的一种，颜色特征能够地区域或图像表面性质展开客观描述。由于颜色特征对本区域大小以及方向等性质变换敏感度较差，所以该特征在区域局部特征获取方面，很难达到理想水平。同时，因为颜色特征是针对所有像素的，所以数据量越大，所需进行计算的量也会更大。

一般认为，直方图是最为常用的颜色特征表示手段，其具有不容易受图像旋转以及平移等因素干扰的优势，在经过归一化处理后，图像尺度变化也不会对其产生影响。但其同样也存在缺点，即无法对颜色空间分布信息进行表述。在进行特征提取时，主要会对颜色相关图、颜色直方图以及颜色集等内容展开提取，具体提取选项，主要是按照火灾识别实际需要决定的。

通过大量实践发现，对火焰颜色形成影响的因素相对较多。从火焰本身情况来看，一方面，燃烧介质不同，所产生的火焰颜色也会出现一定偏差，像煤炭、纸张以及蜡烛等燃烧火焰颜色主要以黄色为主，厨房用天然气火焰颜色以淡蓝色为主等，同时燃烧介质内掺入不同发挥性化合物或金属时，也会出现艳色反应，会呈现出相应颜色;另一方面，火焰各位置颜色存在差异，即便是同一束火焰，也会呈现出不同的颜色，像酒精灯外部火焰多为黄色，而内部火焰多为蓝色。通过对大量火灾图像的分析可以发现，人类在利用肉眼对图像进行辨识时，主要是按照图像颜色对火灾事故发生情况进行判断的。在按照颜色无法对具体情况进行判断时，会依照图像纹理展开进一步识别，对图像形状以及其他元素的运用概率相对较低。经过大量实验表明，通过对图像颜色直方图、RGB三分量差值直方图、阶距实施图像特征向量提取的方式，可在神经网络有效辅助下，精准判断出火灾事故。

2  基于BP神经网络的火灾自动识别模式

在完成图像特征提取后，便需要通过对相应手段的运用，对火灾展开自动识别。在此将以BP神经网络结构为例，对以图像视觉特征为基础的火灾自动识别模式展开深入解读。

神经网络是构建非线性映射的有效手段，通过对此种手段的运用，能够实现对每幅图像的特征提取，且可将提取结果以k维特征向量M（k）形式呈现出来。而用于训练的图像，是通过人为手段给出输出结果Y（i）的。如果一幅图像中存在明火，则Y由（100）进行表示;如果存在烟，由（010）表示;不存在烟，由（001）表示。通过长期训练，网络权值会对火灾与图像特征之间关系产生深刻记忆。

如图1所示，BP神经网络结构主要由隐含层、輸入层以及输出层三部分所组成。整体结构包括3个权重集合以及3个传递函数集合。在输入层中，连接权重为W1，传递函数集合为b1;隐含层与输入层间连接权为W2，传递函数集合为b2;最后两层之间连接权为W3，函数几何为b3。在此结构中，输入向量为{M（k）}，输出层结果为{Yi}，{=}，...，3。

为对火灾自动识别方式展开更加深入的研究，技术人员选择了500幅烟、明火以及其他图片，展开了相应网络训练。

3  网络训练试验分析

技术人员运用C++Builder6编制手段，对400幅非火灾图像以及600幅火灾图像进行了收集，并从中挑出500幅图像，按照上文所述，对图像展开了相应训练与测试。按照测试结果，利用BP神经网络对经过训练的500幅图像实施识别的正确率可以达到98%以上，对未经过训练的图像实施识别，整体正确率有所下降，在95%左右。因此可以得出结论，以BP神经网络为基础的图像视觉特征火灾自动识别模式，可达到良好的火灾识别效果，能够为火灾扑救以及防控工作实施提供可靠支持，值得展开进一步研究与应用。

4  结语

鉴于火灾对于社会发展所形成的重要危害，有关部门应进一步加强对火灾识别技术的研究力度。要在对图像视觉特征展开综合分析的基础上，按照BP神经网络结构特征，构建起完善的图像视觉特征火灾识别系统，以通过对图像视觉特征进行提取的方式，精准完成火灾识别与分析，进而为后续工作开展提供有效辅助。由于时间限制，该文所介绍火灾自动识别技术并不全面，只期望能够为图像视觉特征在火灾自动识别中的应用提供一些理论支持。

参考文献

[1] 夏海蛟，谭毅华.一种面向识别的无监督特征学习算法[J].计算机工程与科学，2018，40（6）：1103-1110.

[2] 李世林，李生好，贺晓辉.基于计算机视觉的火灾识别方法研究[J].甘肃科技，2017（4）：58-59.

本文由： 科学技术创新杂志社编辑部整理发布，如需转载，请注明来源。

科学技术创新杂志社

2019-11-04