趙麗宏 付雪 肖博宇 張延文

摘? 要：為解決森林火災(zāi)煙霧檢測過程中受外界干擾且由于煙霧存在多種靜、動(dòng)態(tài)特性導(dǎo)致識別難度高的問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的火災(zāi)煙霧視頻探測算法提取可疑區(qū)域特征并進(jìn)行模式分類，進(jìn)而檢測出火災(zāi)煙霧。實(shí)驗(yàn)結(jié)果表明：該算法在各種視頻場景下均具有良好的煙霧識別性能，并能與滅火裝置通信對初期林火進(jìn)行撲滅，為森林火災(zāi)探測撲救裝備的智能化、高效化提供了新思路。

關(guān)鍵詞：CNN;運(yùn)動(dòng)目標(biāo)檢測;數(shù)據(jù)增強(qiáng);森林火災(zāi)

中圖分類號：TP391? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A

近年來，森林火災(zāi)頻發(fā)使森林面積銳減，嚴(yán)重破壞了森林結(jié)構(gòu)，導(dǎo)致森林生態(tài)系統(tǒng)失去平衡，研究火災(zāi)高效檢測方法已刻不容緩?；馂?zāi)初期是由陰燃過渡到火焰階段的，檢測煙霧可有效監(jiān)測火情。Toreyin提出基于能量的煙霧檢測法，但在環(huán)境亮度持續(xù)變化時(shí)，這種方法效果不佳，Yuan認(rèn)為現(xiàn)場燃燒生熱而導(dǎo)致煙霧自下而上運(yùn)動(dòng)，是煙霧區(qū)別于其他物體的主要?jiǎng)討B(tài)特征，但此法不適用于漂移現(xiàn)象。該文提出了一種基于CNN的視頻火災(zāi)煙霧探測算法，對所獲取視頻圖像進(jìn)行運(yùn)動(dòng)目標(biāo)檢測以確定可疑煙霧區(qū)域，自動(dòng)提取可疑區(qū)域的特征并進(jìn)行模式分類，進(jìn)而檢測出火災(zāi)煙霧。

1 運(yùn)動(dòng)目標(biāo)檢測

圖像中心像素點(diǎn)的6個(gè)紋理直方圖各自所占權(quán)重為wk，權(quán)重之和為1。由于采集到的第一幀圖像往往干擾因素少，所以將第一幀圖像看作初始背景模型。將當(dāng)前楨像素點(diǎn)的紋理直方圖Vt依次與初始模型比較，計(jì)算它們相似度Pk，滿足下式的前b個(gè)直方圖為背景模型，后6-b個(gè)為前景模型。

（1）

式中，wk，t+1為更新后t+1時(shí)刻第k個(gè)紋理直方圖所占權(quán)重 ，T為權(quán)值判斷閾值。

計(jì)算Vt與b個(gè)背景直方圖的相似度進(jìn)而確定它為背景的概率PB。

（2）

式中，PB為Vt是背景的概率，Pk 為當(dāng)前幀與前模型的相似度，wk，t為t時(shí)刻第k個(gè)紋理直方圖所占權(quán)重。

應(yīng)用基于圖像塊的LBP紋理建模法檢測可疑煙霧區(qū)域，可以有效地降低光照產(chǎn)生的影響，并且將檢測速度提高到160 ms/幀，滿足及時(shí)性要求。

2 基于CNN進(jìn)行的特征提取與分類

CNN接收可疑煙區(qū)圖像后，通過卷積層、池化層、完全連接層進(jìn)行處理，每一層的輸出結(jié)果表征輸入圖像的不同特征，隨著處理層的深入，表征的特征也趨于復(fù)雜化，最終映射到目標(biāo)上即可檢測煙霧。將網(wǎng)絡(luò)的順向過程稱為前饋傳播，將誤差運(yùn)算和權(quán)重更新的過程稱為反饋傳播。

設(shè)計(jì)CNN模型由12層組成，包括輸入層input，5個(gè)卷積層C1、C3、C5、C6、C7，3個(gè)池化層S2、S4、S8，2個(gè)全連接層FC9、FC10以及進(jìn)行二分類后的輸出層。為方便檢測，將輸入圖像大小固定為227×227×3。輸入可疑煙區(qū)圖像后，卷積層C1用48個(gè)能作為煙霧低級特征標(biāo)識的11×11×3的卷積核進(jìn)行卷積操作。激活映射的大小Bs為：

（3）

式中，Bi為輸入圖像大小（其他卷積層輸入為上一層的輸出），Bh為卷積核大小，s為步幅。通常還需對激活映射利用ReLU函數(shù)進(jìn)行非線性化處理，以此來提高網(wǎng)絡(luò)的訓(xùn)練速度。

C3利用5×5的卷積核對S2進(jìn)行步幅為1的處理時(shí)，為保留更多低級特征信息及保持圖像維度，通常進(jìn)行零填充，此操作后的激活映射大小為：

（4）

式中，p為零填充個(gè)數(shù)，Bi為輸入圖像大?。ㄆ渌矸e層輸入為上一層的輸出），Bh為卷積核大小，s為步幅。

CNN中各項(xiàng)參數(shù)都是人為隨機(jī)初始化設(shè)定的，卷積核的權(quán)重?zé)o法反應(yīng)煙霧的靜態(tài)或動(dòng)態(tài)特征，所以加入反饋傳播。其每進(jìn)行一個(gè)周期，都包括誤差計(jì)算即找出卷積核中影響檢測的參數(shù)，以及權(quán)重更新即更改參數(shù)以期得到最優(yōu)的檢測效果。

3 實(shí)驗(yàn)結(jié)果分析

在前饋傳播過程中，為彌補(bǔ)數(shù)據(jù)集稀缺的不足，在訓(xùn)練過程中采用微調(diào)達(dá)到數(shù)據(jù)增強(qiáng)，在參數(shù)隨機(jī)初始化和微調(diào)后，損失函數(shù)值和準(zhǔn)確率與迭代次數(shù)的關(guān)系如圖1所示。

3.1 不同類型煙霧測試效果

將4種類型圖像輸入CNN模型測試其識別率、誤測率及準(zhǔn)確率，結(jié)果見表1。

可疑煙區(qū)圖像經(jīng)5個(gè)卷積層、3個(gè)池化層及2個(gè)全連接層的CNN處理后，對4種煙霧識別率均在98%左右，且誤測率也較低，同時(shí)能達(dá)到99%左右的準(zhǔn)確率，相比于以往的GoogLeNet及其他特征識別與分類方法更適合森林火災(zāi)煙霧探測。

4 結(jié)語

該文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的視頻火災(zāi)煙霧探測法，并用建立的模型對多類型煙霧進(jìn)行測試。首先，應(yīng)用背景減除法結(jié)合LBP紋理建模提取可疑煙霧區(qū)域。其次，將可疑煙區(qū)圖像預(yù)處理后輸入CNN模型，其間先采用微調(diào)來優(yōu)化訓(xùn)練過程，然后經(jīng)過各層處理及最后的二分類進(jìn)行煙霧與否的判別。最后對損失函數(shù)值及準(zhǔn)確率隨迭代次數(shù)的關(guān)系進(jìn)行實(shí)驗(yàn)，同時(shí)測試CNN模型對不同類型煙區(qū)識別率、誤報(bào)率和準(zhǔn)確率來判別其性能。實(shí)驗(yàn)結(jié)果表明：該文設(shè)計(jì)的系統(tǒng)能夠?qū)﹃幦茧A段煙霧準(zhǔn)確識別，在森林防火領(lǐng)域有較好的前景。

參考文獻(xiàn)

[1]JIA Y， YUAN J， WANG J， et al. A Saliency-Based Method for Early Smoke Detection in Video Sequences[J].Fire Technology，2017， 52（5）：1-22.

[2]章毓晉.圖像工程（中冊）：圖像分析[M].北京：清華大學(xué)出版社， 1999.

[3]趙小禹.基于幀差法的礦用皮帶機(jī)運(yùn)動(dòng)檢測[J].煤炭工程， 2011， 1（1）： 103-105.

[4]姜超.視頻序列中運(yùn)動(dòng)目標(biāo)提取與跟蹤技術(shù)的研究[D].大連：大連理工大學(xué)，2009.