基于RBF神經(jīng)網(wǎng)絡(luò)的煙氣圖像識別算法研究

韓柯柯　陳火炬　徐鐳

摘 要 根據(jù)發(fā)生火災(zāi)時，煙氣有特定顏色、消光性、湍流特性等特征，提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的火災(zāi)圖像識別系統(tǒng)。通過訓(xùn)練、測試這一識別系統(tǒng)，證明火災(zāi)煙氣的顏色特征、圓形度、消光性、湍流特性等特征結(jié)合RBF神經(jīng)網(wǎng)絡(luò)技術(shù)，應(yīng)用于火災(zāi)圖像識別，有良好的效果。

關(guān)鍵詞 RBF;煙氣;火災(zāi);圓形度;圖像識別

引言

感煙探測器、感溫探測器等傳統(tǒng)火災(zāi)探測器的應(yīng)用雖廣泛，但仍有一定的局限性，例如不適合安裝于大空間、露天環(huán)境中。圖像型火災(zāi)探測技術(shù)在一定程度上可以填補傳統(tǒng)火災(zāi)探測技術(shù)的遺漏之處。處于陰燃階段時，火災(zāi)發(fā)展速度較慢，而在出現(xiàn)火焰之后，火勢的發(fā)展會急劇加速。所以，盡早地檢測到火災(zāi)煙氣，可以為滅火救援工作爭取大量時間，這使得對陰燃階段產(chǎn)生的煙氣進(jìn)行探測十分必要。

1煙氣區(qū)域顏色分割

1.1 煙氣顏色特征及提取算法

為了保證火災(zāi)探測的實時性，需要先對樣本圖像進(jìn)行預(yù)處理，去除掉大部分不相干的背景干擾，僅保留疑似煙氣區(qū)域，以實現(xiàn)樣本的加速處理。基于火災(zāi)煙氣的顏色特性，綜合利用RGB顏色空間和HSV顏色空間對煙氣進(jìn)行顏色檢測，再利用基準(zhǔn)點聚類的方法，能夠分割出疑似煙氣區(qū)域。

火災(zāi)的煙氣呈淺灰色或深灰色[1]，在RGB顏色空間中體現(xiàn)為，其紅色（R）、綠色（G）、藍(lán)色（B）三個分量在數(shù)值上近似相等[2]。設(shè)置參數(shù)α，計算式如公式（1）。

（1）

該參數(shù)表示R、G、B三值近似程度。對于R、G、B三個分量數(shù)值相近的煙氣像素，其α取值范圍近似為0～20，亦即α∈[0，20]。

Ham[3]等學(xué)者發(fā)現(xiàn)，在HSV顏色空間中，煙氣區(qū)域的飽和度（S）和明度（V）有固定的分布，而色調(diào)（H）則不定。其中，煙氣飽和度明顯偏低，在歸一化的HSV顏色空間之內(nèi)，其S<0.08。早期的煙氣多呈現(xiàn)灰白色，歸一化之后其值普遍大于V>0.60。

根據(jù)煙氣顏色的特性和HSV顏色距離，將像素點按顏色相近與否分類，篩選出疑似煙氣的圖像區(qū)域。采用的算法流程如下：

逐個檢查像素點X的顏色參數(shù)V、S、H和α值。保留S<0.08且V>0.60的點。保留點滿足α∈[0，20]即作為基準(zhǔn)點A。

取下一個像素點B明度、飽和度和色調(diào)的值，分別記作v、s和h。

計算AB兩點之間的顏色空間距離，計算方法如式（2）：

（2）

其中V1=（V-v）2，V2=S×cosH-s×cosh×（S×cosH-s×cosh），V3=S×cosH-s×sinh×（S×sinH-s×sinh）。

保留空間距離D小于或等于0.2的點。

重復(fù)步驟1）至步驟4），得到經(jīng)過初步顏色檢測的疑似煙氣圖像。

2特征值提取

2.1 圓形度特征提取

樣本圖像在經(jīng)過煙氣顏色檢測后，得到疑似煙氣區(qū)域，對該區(qū)域進(jìn)行二值化、腐蝕細(xì)化等圖像處理工作，獲取疑似煙氣區(qū)域的面積、周長等信息，進(jìn)而計算得到疑似煙氣區(qū)域的圓形度e的值。圓形度是反映圖形復(fù)雜程度的特征量，計算公式為：

（3）

其中，e為圓形度，A為圖形面積，C為圖形周長。

煙氣圖像的圓形度大小呈現(xiàn)無規(guī)律的變化，但e都大于5;而水蒸氣、青灰色干擾物體e值小于等于3。因此，將e值作為特征值之一。

2.2 煙氣消光性及湍流特性特征提取

在火災(zāi)初期，煙氣量少而呈現(xiàn)半透明狀態(tài)，隨著火勢的增大，煙氣濃度逐漸提高，煙氣的主干區(qū)域會變得不透明，通過比對煙氣出現(xiàn)前后的圖像顏色變化來判斷是否發(fā)生火災(zāi)[4]。如式4所示：

（4）

其中I（i，j）、BG（i，j）、S分別表示圖像（i，j）處的顏色值、背景模型值和煙氣參考顏色值。

將受到煙氣影響的圖像區(qū)域劃分為若干個矩形單元格，由于煙氣具有湍流特性，每一個單元格因受到煙氣消光性影響后光學(xué)參數(shù)紊亂變化[5]。但是眾多單元格的增減方向并不一致，而是此消彼長的，且煙氣逸出觀測區(qū)域的同時，煙氣也在生成，使得在宏觀上，整體的平均光學(xué)參數(shù)在相鄰幀不會有明顯變化。

在獲得疑似煙氣區(qū)域的基礎(chǔ)上，取疑似區(qū)域最小外接矩形，設(shè)置特征值γ1和γ2以表示相鄰時段這種宏觀與微觀的差異，其計算式如式5、式6：

（5）

（6）

3RBF人工神經(jīng)網(wǎng)絡(luò)設(shè)計、訓(xùn)練與測試

3.1 RBF人工神經(jīng)網(wǎng)絡(luò)

利用RBF神經(jīng)網(wǎng)絡(luò)，依據(jù)特征值e、γ1和γ2判斷是否發(fā)生了火災(zāi)。RBF神經(jīng)網(wǎng)絡(luò)只有三層網(wǎng)絡(luò)結(jié)構(gòu)，具有結(jié)構(gòu)自適應(yīng)確定、輸出與初始權(quán)值無關(guān)的優(yōu)良特性。

研究所使用的RBF網(wǎng)絡(luò)的輸入層、隱含層、輸出層的神經(jīng)元數(shù)分別為3、7、1。

3.2 人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測試

用于RBF人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試的正負(fù)樣本，來源于江西財經(jīng)大學(xué)袁非牛實驗室、韓國啟明大學(xué)實驗室以及土耳其比爾肯大學(xué)實驗室。樣本庫中包含訓(xùn)練用正樣本圖片2201張、負(fù)樣本圖片8511張，測試用正負(fù)視頻樣本各9段。

判定程序?qū)φ?fù)各9段，共計18段視頻進(jìn)行驗證，樣本的判定結(jié)果如表1，準(zhǔn)確率達(dá)到94.4%。

4結(jié)束語

將煙氣顏色特征提取出疑似煙氣圖像區(qū)域，分析煙氣干擾圖像的特征，以圓形度、消光性及湍流特性等多種特征值作為火災(zāi)識別判據(jù)，為火災(zāi)探測提供了新的手段。實驗測試結(jié)果表明，該方法對火災(zāi)煙氣圖像的識別準(zhǔn)確率為94.4%，達(dá)到了預(yù)期目的[6]。但同時也應(yīng)注意到，在樣本較少的情況下仍出現(xiàn)了一定量的誤判問題。下一步工作應(yīng)是盡量補充多種類型的訓(xùn)練樣本，以充分涵蓋不同場景下的火災(zāi)情形，同時，進(jìn)一步完善判定程序。

參考文獻(xiàn)

[1] Chen T H ， Yin Y H ， Huang S F ， et al. The Smoke Detection for Early Fire-Alarming System Base on Video Processing[C]// International Conference on Intelligent Information Hiding & Multimedia Signal Processing. IEEE，2006.

[2] 李寶儒，孫鳳杰，范杰清. 基于煙氣圖像識別的火災(zāi)探測方法：第四屆圖像圖形與應(yīng)用學(xué)術(shù)會議 [C].中國：北京，2009.

[3] Ham S J，Ko B C，Nam J Y. Vision based forest smoke detection using analyzing of temporal patterns of smoke and their probability models[J]. Proceedings of SPIE - The International Society for Optical Engineering，2011（7877）：78770..

[4] Calderara S，Piccinini P，Cucchiara R. Vision based smoke detection system using image energy and color information[J]. Machine Vision and Applications，2011，22（4）：705-719.

[5] 黎粵華，單磊，田仲富，等. 基于多特征融合的視頻煙霧檢測[J]. 計算機技術(shù)與發(fā)展， 2016（1）：129-133.

[6] 趙望達(dá)，李衛(wèi)高，熊涵予，等.一種新型BP神經(jīng)網(wǎng)絡(luò)模型在火災(zāi)探測信息處理中的應(yīng)用[J]. 鐵道科學(xué)與工程學(xué)報，2015（5）：1212-1218.