面向圖像視覺特征的火災(zāi)自動識別研究

王金鵬

摘? 要：火災(zāi)是社會發(fā)展重要災(zāi)害之一，會對民眾生命、財產(chǎn)安全形成較大威脅。為提升火災(zāi)自動檢測水平，實現(xiàn)智能化火災(zāi)識別模式，業(yè)界開始加大對視頻監(jiān)控檢測的研究力度。在此環(huán)境中，以視頻圖像視覺特征為基礎(chǔ)的火災(zāi)自動識別技術(shù)開始成為業(yè)界關(guān)注的重點。通過對圖像視覺特征的介紹，對基于圖像視覺特征的火災(zāi)自動識別模式展開論述，旨在提高圖像視覺特征的應(yīng)用水平，保證火災(zāi)防控工作開展質(zhì)量。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)? 火災(zāi)自動識別? 識別技術(shù)? 圖像視覺特征

中圖分類號：X913.4? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1672-3791（2019）03（a）-0010-02

以往火災(zāi)檢測技術(shù)，多是以傳感器應(yīng)用為主。雖然利用傳感器設(shè)備，可對火災(zāi)中光、溫度以及煙霧等特征展開有效感知，可通過對相應(yīng)物理量參數(shù)進行收集的方式，做出預(yù)警，但此種方式卻很容易會受到周邊各項因素的影響，很容易會出現(xiàn)錯誤識別的狀況。為改善這一問題，提高火災(zāi)識別精度與準確度，研究人員開始將圖像視覺特征提取運用到了火災(zāi)自動識別之中。為對該種識別技術(shù)展開深層次研究，研究人員首先應(yīng)對圖像視覺特征相關(guān)內(nèi)容展開分析。

1? 圖像視覺特征

1.1 圖像小波特征及提取

1.1.1 特征

小波變換時頻域局部特征較為突出，其會通過對一組多尺度帶通濾波器的運用，展開信號濾波以及分解處理，從而在不同頻帶中高質(zhì)量完成分析處理任務(wù)。此特征與多通道濾波模型理論相符，同時因為小波濾波器帶寬在對數(shù)尺度環(huán)境中，屬于相同狀態(tài)，和人類視覺通道按對數(shù)特性變換相同，小波包分析可以實現(xiàn)對信號的有效分析，能夠按照層次做好頻帶劃分，能夠?qū)Χ喾直媛史治鑫赐瓿商幚淼母哳l部分展開進一步分解的目標，可按照被分析特征內(nèi)容，篩選出最為適合的頻帶，以保證頻帶和信號頻譜的匹配程度，進而將時-頻分辨率提升到最佳。

1.1.2 特征提取

運用小波包分解方式實施圖像特征提取原理主要分為以下幾個步驟：（1）對數(shù)字化RGB圖像S實施R、G、B分解，獲得相應(yīng)的3幅圖像，并利用兩層小波包分解手段，對每一幅圖像實施處理，提取出相應(yīng)信號特征;（2）重構(gòu)小波包分解系數(shù)，做好頻帶范圍信號提取;（3）按照上兩步驟結(jié)果，展開頻帶信號總能量計算;（4）因為各圖像頻帶中信號能量存在一定差異，所以可將能量作為元素，展開特征向量構(gòu)建，進而按照小波特征向量以及顏色特征向量，獲得圖像特征向量。

1.2 顏色特征及提取

作為全局特征中的一種，顏色特征能夠地區(qū)域或圖像表面性質(zhì)展開客觀描述。由于顏色特征對本區(qū)域大小以及方向等性質(zhì)變換敏感度較差，所以該特征在區(qū)域局部特征獲取方面，很難達到理想水平。同時，因為顏色特征是針對所有像素的，所以數(shù)據(jù)量越大，所需進行計算的量也會更大。

一般認為，直方圖是最為常用的顏色特征表示手段，其具有不容易受圖像旋轉(zhuǎn)以及平移等因素干擾的優(yōu)勢，在經(jīng)過歸一化處理后，圖像尺度變化也不會對其產(chǎn)生影響。但其同樣也存在缺點，即無法對顏色空間分布信息進行表述。在進行特征提取時，主要會對顏色相關(guān)圖、顏色直方圖以及顏色集等內(nèi)容展開提取，具體提取選項，主要是按照火災(zāi)識別實際需要決定的。

通過大量實踐發(fā)現(xiàn)，對火焰顏色形成影響的因素相對較多。從火焰本身情況來看，一方面，燃燒介質(zhì)不同，所產(chǎn)生的火焰顏色也會出現(xiàn)一定偏差，像煤炭、紙張以及蠟燭等燃燒火焰顏色主要以黃色為主，廚房用天然氣火焰顏色以淡藍色為主等，同時燃燒介質(zhì)內(nèi)摻入不同發(fā)揮性化合物或金屬時，也會出現(xiàn)艷色反應(yīng)，會呈現(xiàn)出相應(yīng)顏色;另一方面，火焰各位置顏色存在差異，即便是同一束火焰，也會呈現(xiàn)出不同的顏色，像酒精燈外部火焰多為黃色，而內(nèi)部火焰多為藍色。通過對大量火災(zāi)圖像的分析可以發(fā)現(xiàn)，人類在利用肉眼對圖像進行辨識時，主要是按照圖像顏色對火災(zāi)事故發(fā)生情況進行判斷的。在按照顏色無法對具體情況進行判斷時，會依照圖像紋理展開進一步識別，對圖像形狀以及其他元素的運用概率相對較低。經(jīng)過大量實驗表明，通過對圖像顏色直方圖、RGB三分量差值直方圖、階距實施圖像特征向量提取的方式，可在神經(jīng)網(wǎng)絡(luò)有效輔助下，精準判斷出火災(zāi)事故。

2? 基于BP神經(jīng)網(wǎng)絡(luò)的火災(zāi)自動識別模式

在完成圖像特征提取后，便需要通過對相應(yīng)手段的運用，對火災(zāi)展開自動識別。在此將以BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為例，對以圖像視覺特征為基礎(chǔ)的火災(zāi)自動識別模式展開深入解讀。

神經(jīng)網(wǎng)絡(luò)是構(gòu)建非線性映射的有效手段，通過對此種手段的運用，能夠?qū)崿F(xiàn)對每幅圖像的特征提取，且可將提取結(jié)果以k維特征向量M（k）形式呈現(xiàn)出來。而用于訓(xùn)練的圖像，是通過人為手段給出輸出結(jié)果Y（i）的。如果一幅圖像中存在明火，則Y由（100）進行表示;如果存在煙，由（010）表示;不存在煙，由（001）表示。通過長期訓(xùn)練，網(wǎng)絡(luò)權(quán)值會對火災(zāi)與圖像特征之間關(guān)系產(chǎn)生深刻記憶。

如圖1所示，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要由隱含層、輸入層以及輸出層三部分所組成。整體結(jié)構(gòu)包括3個權(quán)重集合以及3個傳遞函數(shù)集合。在輸入層中，連接權(quán)重為W1，傳遞函數(shù)集合為b1;隱含層與輸入層間連接權(quán)為W2，傳遞函數(shù)集合為b2;最后兩層之間連接權(quán)為W3，函數(shù)幾何為b3。在此結(jié)構(gòu)中，輸入向量為{M（k）}，輸出層結(jié)果為{Yi}，{=}，...，3。

為對火災(zāi)自動識別方式展開更加深入的研究，技術(shù)人員選擇了500幅煙、明火以及其他圖片，展開了相應(yīng)網(wǎng)絡(luò)訓(xùn)練。

3? 網(wǎng)絡(luò)訓(xùn)練試驗分析

技術(shù)人員運用C++Builder6編制手段，對400幅非火災(zāi)圖像以及600幅火災(zāi)圖像進行了收集，并從中挑出500幅圖像，按照上文所述，對圖像展開了相應(yīng)訓(xùn)練與測試。按照測試結(jié)果，利用BP神經(jīng)網(wǎng)絡(luò)對經(jīng)過訓(xùn)練的500幅圖像實施識別的正確率可以達到98%以上，對未經(jīng)過訓(xùn)練的圖像實施識別，整體正確率有所下降，在95%左右。因此可以得出結(jié)論，以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的圖像視覺特征火災(zāi)自動識別模式，可達到良好的火災(zāi)識別效果，能夠為火災(zāi)撲救以及防控工作實施提供可靠支持，值得展開進一步研究與應(yīng)用。

4? 結(jié)語

鑒于火災(zāi)對于社會發(fā)展所形成的重要危害，有關(guān)部門應(yīng)進一步加強對火災(zāi)識別技術(shù)的研究力度。要在對圖像視覺特征展開綜合分析的基礎(chǔ)上，按照BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特征，構(gòu)建起完善的圖像視覺特征火災(zāi)識別系統(tǒng)，以通過對圖像視覺特征進行提取的方式，精準完成火災(zāi)識別與分析，進而為后續(xù)工作開展提供有效輔助。由于時間限制，該文所介紹火災(zāi)自動識別技術(shù)并不全面，只期望能夠為圖像視覺特征在火災(zāi)自動識別中的應(yīng)用提供一些理論支持。

參考文獻

[1] 夏海蛟，譚毅華.一種面向識別的無監(jiān)督特征學(xué)習(xí)算法[J].計算機工程與科學(xué)，2018，40（6）：1103-1110.

[2] 李世林，李生好，賀曉輝.基于計算機視覺的火災(zāi)識別方法研究[J].甘肅科技，2017（4）：58-59.