基于圖像處理技術的火災識別方法的應用

文/鄭昕然

模式識別就是通過利用計算機網絡技術來對圖像、物體以及物理對象以及過程進行有效識別，并借此對其進行描述和分類。通過該技術能夠有效保障最終識別結果符合實際狀況，提升識別工作的效率和質量。在進行模式識別工作的過程當中，工作人員必須要結合實際的研究對象以及周邊環境等多方面的內容，選擇最合適的理論和方法。以建立在圖像處理技術之上的火災識別方法為例，通過該方法能夠有效識別火災圖像之中是否存在火源。

1 以人工神經網絡為基礎的火災圖像識別方法

1.1 人工神經網絡

人工神經網絡主要是由多種處理單元鏈接起來所形成的，在人工神經網絡之中，最基礎的處理單元本稱作神經元，神經元主要有三個基本組成元素組成，分別是：連接、求和單元以及激活函數。其中連接主要指的時將生物神經元突觸連接起來。激活函數主要就是將系統的線性映射以及非線性映射完成，并且其能夠合理有效的對神經元的輸出進行限制，求和單元的主要功能就是將每一個輸入信號的加權和求出來。

1.2 在BP神經網絡算法基礎之上的火災識別方法

BP神經網絡在運行的過程當中需要經歷訓練階段和預測階段這兩個階段。

訓練階段：在訓練階段之中無論是樣本輸出還是輸入，所有相關信息都會被輸入、輸出到BP神經網絡中。通過對節點鏈接權值、閾值進行有效學習和修正，同時采用數值計算法對參數進行有效優化，有效保證輸出能夠達到期望值。

預測階段：在此階段中，主要工作就是預測位置樣本，同時通過BP神經網絡算法對權值進行修正。

為測試BP神經網絡算法火災識別方法的效率，本文篩選出9幅礦燈圖像、9幅白熾燈圖像以及9幅車燈圖像，一共50幅火災圖像。同時從訓練好的神經網絡之中選擇25個樣本作為神經網絡的輸入。在這25個樣本之中有10幅火災圖像、5幅白熾燈圖像、5幅礦燈圖像以及5幅車燈圖像，其中采集工作的效率為25f/s，從表1BP神經網絡部分識別結果可以得出，其對于火災有著較好的識別結果，能夠有效將多種干擾源和火焰圖像區分開來。這其中的主要原因就是因為經過改進之后的火災圖像識別方法具備著自學習、自適應等多方面的功能，能夠有效提高火災的識別效率，大大降低火災的漏檢幾率。

2 基于改進最小二乘支持向量機的火災圖像識別方法

2.1 最小二乘支持向量機

最小二乘支持向量機主要是通過采用SVM算法之中的不等式來對燈飾進行約束，借此有效將二次規劃問題簡化，達到提高訓練效率的最終目的。

2.2 以FR-LSSVM為基礎的火災圖像識別方法

以FR-LSSVM為基礎的火災圖像識別方法對于小樣本模式分類來說，一般采用的時基于快速留一法超參數的選擇，這是在最小二乘支持向量機的基礎之上進行的。通過基于快速留一法超參數的選擇能夠有效解決最小二乘向量機存在的小樣本、非線性建模如何選擇核函數參數以及懲罰因子兩個超參數的問題。除此之外，該方法在有效解決最優化問題的過程當中，主要采用的是共軛梯度法，這一方法不僅操作簡單、數據信息存儲量比較少，同時效率非常高，能夠快速有效的將一些規模較大的復雜問題解決。共軛梯度法需要對搜索方向以及步長因子進行計算。通過以最小二乘支持向量機超參數選取、快速留一法為核心基礎，有機結合共軛梯度法，借此對樣本的留一預測誤差平方和進行優化，從有效明確超參數，并在此基礎之上建立FR-LSSVM模型。

BP神經網絡和LS-SVM這兩種方法的識別率相對來說比較低，而FR-LSSVM 以及標準SVM這兩種方法的識別率要高于其他兩種方法。FR-LSSVM以及LS-SVM這兩種方法的訓練時間最短，另外兩種方法需要的訓練時間相對來說比較長，并且BP神經網絡方法不僅需要較長的訓練時間，同時對于火災的識別率也相對較低。要想有效解決這一點，就必須要對BP神經網絡方法之中的權值進行有效修正。除此之外，雖然標準SVM法要比LS-SVM法工作效率更高，但是標準SVM法的培訓時間和識別時間也要比后者更長。FRLSSVM是一種算法穩定、識別效率高、錯誤率較低的方法，它非常適合建設非線性小樣本模型，通過這一方法進行火災識別能夠有效提高該工作的效率和質量。但是該方法對于圖像有著非常高的要求標準，如果圖像存在不清晰、目標不完整以及存在噪音等多方面情況的話，那么該方法將無法進行有效識別。

表1：BP神經網絡部分識別結果

3 結束語

火災的發生將會給我國造成非常嚴重的經濟損失，同時也不利于我國和諧社會的構建，因此我國有識之士必須要對基于圖像處理技術的火災識別方法的應用進行不斷研究分析，借此有效降低火災帶來的負面影響。