基于圖像處理及BP神經(jīng)網(wǎng)絡的火災識別方法

張宇峰

?

基于圖像處理及BP神經(jīng)網(wǎng)絡的火災識別方法

張宇峰*

（安徽理工大學 電氣與信息工程學院，安徽淮南，232001）

火災是影響公眾安全和社會發(fā)展的主要災害之一，為了減小危害，需要準確的識別火災的發(fā)生。本文利用圖像處理技術，對火災圖像進行預處理：包括降噪、灰度化以及二值化，提取預處理后圖像中的特征值：圓形度、形體變化率和角點數(shù)。然后使用圖像樣本對BP神經(jīng)網(wǎng)絡進行訓練，最后將訓練得到的BP神經(jīng)網(wǎng)絡用于火災圖像識別。我們設置火災和蠟燭火焰兩個實驗場景，對圖像樣本進行分析，能夠正確的區(qū)分火災圖像和蠟燭圖像。實驗表明：此方法對于火災的準確識別具有重要意義。

火災；圖像處理；BP神經(jīng)網(wǎng)絡

引言

火災一直是我們日常生活和生產(chǎn)中的一大隱患，其破壞力強，一旦發(fā)生很容易造成極大的人員傷亡和財產(chǎn)損失，所以火災的及時準別的識別就變得及其重要。近年來，圖像型火災探測技術的發(fā)展越來越快，國內外許多學者都做了大量研究。但是這些研究大都集中在圖像的處理以及特征提取上，算法的整體適應性較差。本文提出了一種圖像處理技術結合BP神經(jīng)網(wǎng)絡的方法用于火災識別，能夠準確的識別火災的發(fā)生，對于火災的準確識別有著重要意義。

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，圖像中會出現(xiàn)噪聲。圖像中的噪聲對于圖像特征提取過程的干擾非常大，所以我們需要對含有噪聲的圖像進行降噪處理。本文采用中值濾波[1]對圖像進行濾波處理，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，不僅能夠濾除脈沖噪聲，還可以很好的保護圖像的邊緣信息。

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化為灰度圖像的過程。彩色圖像分為三個顏色分量R、G、B，取值為0-255，其一個像素點的范圍為0到1600多萬。而灰度圖像的三個分量相同，其像素點的變化范圍只有255種，因此將彩色圖像轉化為灰度圖像可以極大的減少后續(xù)處理過程的計算量。我們采用加權平均運算來進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算法結合Canny算子對圖像進行二值化處理。

1.3 特征提取[5]

根據(jù)火災的特點，我們提取以下圖像特征作為火災的判別依據(jù)：

（1）圓形度。圓形度是基于圖像的面積和周長來計算的圖像形狀復雜程度的特征量。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)生火災的一個判定依據(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）角點對應物體的拐角，火災圖像中的尖角數(shù)比較大，而蠟燭火焰圖像尖角數(shù)較小。我們利用FAST角點算法計算角點。

2 BP神經(jīng)網(wǎng)絡

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

BP神經(jīng)網(wǎng)絡在使用之前需要進行訓練[7]，訓練步驟如下：第一步，網(wǎng)絡初始化；第二步，隨機選取第k個輸入樣本和其對應的期望輸出；第三步，計算單隱層的各個神經(jīng)元的輸入以及輸出；第四步，根據(jù)神經(jīng)網(wǎng)絡的實際輸出和期望輸出，計算誤差函數(shù)對輸出層各個神經(jīng)元的偏導數(shù)；第五步，計算誤差函數(shù)對單隱層各個神經(jīng)元的偏導數(shù)；第六步，修正連接權值；第七步，計算全局誤差；最后，判斷訓練后的網(wǎng)絡誤差是否符合要求，如果誤差較小或者學習次數(shù)超出預定次數(shù)則停止訓練，否則進行下一輪訓練。

3 識別實驗

3.1 BP神經(jīng)網(wǎng)絡設計

3.2 實驗結果分析

通過500幅圖像樣本對BP神經(jīng)網(wǎng)絡進行訓練，包括400幅火災圖像和100幅干擾圖像，使用訓練后的神經(jīng)網(wǎng)絡對疑似火災圖像進行識別。我們設置5組實驗，兩個實驗場景：包括四組火災圖像和一組蠟燭火焰圖像（干擾圖像），得到的實驗結果如表1。1-4組是火災圖像，第5組是干擾圖像，BP網(wǎng)絡的識別結果和實際結果相符，識別全部正確。

表1 BP神經(jīng)網(wǎng)絡實驗結果

Table.1 Experimental results of BP neural network

4 結束語

本文利用圖像處理技術結合BP神經(jīng)網(wǎng)絡對火災圖像進行分析識別，結合了兩者的優(yōu)點，算法具有很好的穩(wěn)定性。此算法能夠準確的識別火災圖像，對于火災的正確識別具有重要的意義。

[1] 張旭明, 徐濱士, 董世運. 用于圖像處理的自適應中值濾波[J]. 計算機輔助設計與圖形學學報, 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]. 計算機工程, 2006, (20): 198-200.

[3] 劉春曉, 朱臻陽, 伍敏, 等. 基于主色檢測與灰度傳播的彩色圖像灰度化方法[J]. 計算機輔助設計與圖形學學報, 2016, 28(03): 433-442.

[4] 陳強, 朱立新, 夏德深. 結合Canny算子的圖像二值化[J]. 計算機輔助設計與圖形學學報, 2005, (06): 1302-1306.

[5] 沐小會, 陳嘉卿, 宋英磊. 火焰特征提取研究在火災探測中的運用[J]. 電子設計工程, 2016, 24(21): 188-190.

[6] 段鎖林, 顧川林. 基于BP神經(jīng)網(wǎng)絡視頻火災火焰檢測方法[J]. 常州大學學報(自然科學版), 2017, 29(02): 65-70.

[7] 陳明忠. BP神經(jīng)網(wǎng)絡訓練算法的分析與比較[J]. 科技廣場, 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)絡的火災識別方法[J]. 數(shù)碼設計, 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、機器學習。E-mail:yfzhang2075@163.com