張宇峰
?
基于圖像處理及BP神經(jīng)網(wǎng)絡(luò)的火災(zāi)識別方法
張宇峰*
(安徽理工大學(xué) 電氣與信息工程學(xué)院,安徽淮南,232001)
火災(zāi)是影響公眾安全和社會發(fā)展的主要災(zāi)害之一,為了減小危害,需要準(zhǔn)確的識別火災(zāi)的發(fā)生。本文利用圖像處理技術(shù),對火災(zāi)圖像進行預(yù)處理:包括降噪、灰度化以及二值化,提取預(yù)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(luò)進行訓(xùn)練,最后將訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)用于火災(zāi)圖像識別。我們設(shè)置火災(zāi)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(zāi)圖像和蠟燭圖像。實驗表明:此方法對于火災(zāi)的準(zhǔn)確識別具有重要意義。
火災(zāi);圖像處理;BP神經(jīng)網(wǎng)絡(luò)
火災(zāi)一直是我們?nèi)粘I詈蜕a(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(zāi)的及時準(zhǔn)別的識別就變得及其重要。近年來,圖像型火災(zāi)探測技術(shù)的發(fā)展越來越快,國內(nèi)外許多學(xué)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(yīng)性較差。本文提出了一種圖像處理技術(shù)結(jié)合BP神經(jīng)網(wǎng)絡(luò)的方法用于火災(zāi)識別,能夠準(zhǔn)確的識別火災(zāi)的發(fā)生,對于火災(zāi)的準(zhǔn)確識別有著重要意義。
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。
圖像的灰度化[2-3]是指將彩色的圖像轉(zhuǎn)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(zhuǎn)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(quán)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(jié)合Canny算子對圖像進行二值化處理。
根據(jù)火災(zāi)的特點,我們提取以下圖像特征作為火災(zāi)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(fù)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(zāi)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(zāi)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(yīng)物體的拐角,火災(zāi)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。
BP神經(jīng)網(wǎng)絡(luò)[6]是一種前饋網(wǎng)絡(luò),它的應(yīng)用范圍是神經(jīng)網(wǎng)絡(luò)中最為廣泛的,例如模式識別,數(shù)據(jù)壓縮以及挖掘等領(lǐng)域。
BP神經(jīng)網(wǎng)絡(luò)在使用之前需要進行訓(xùn)練[7],訓(xùn)練步驟如下:第一步,網(wǎng)絡(luò)初始化;第二步,隨機選取第k個輸入樣本和其對應(yīng)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(luò)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(dǎo)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(dǎo)數(shù);第六步,修正連接權(quán)值;第七步,計算全局誤差;最后,判斷訓(xùn)練后的網(wǎng)絡(luò)誤差是否符合要求,如果誤差較小或者學(xué)習(xí)次數(shù)超出預(yù)定次數(shù)則停止訓(xùn)練,否則進行下一輪訓(xùn)練。
通過500幅圖像樣本對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,包括400幅火災(zāi)圖像和100幅干擾圖像,使用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對疑似火災(zāi)圖像進行識別。我們設(shè)置5組實驗,兩個實驗場景:包括四組火災(zāi)圖像和一組蠟燭火焰圖像(干擾圖像),得到的實驗結(jié)果如表1。1-4組是火災(zāi)圖像,第5組是干擾圖像,BP網(wǎng)絡(luò)的識別結(jié)果和實際結(jié)果相符,識別全部正確。
表1 BP神經(jīng)網(wǎng)絡(luò)實驗結(jié)果
Table.1 Experimental results of BP neural network
本文利用圖像處理技術(shù)結(jié)合BP神經(jīng)網(wǎng)絡(luò)對火災(zāi)圖像進行分析識別,結(jié)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(zhǔn)確的識別火災(zāi)圖像,對于火災(zāi)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(yīng)中值濾波[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)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(shè)計與圖形學(xué)學(xué)報, 2016, 28(03): 433-442.
[4] 陳強, 朱立新, 夏德深. 結(jié)合Canny算子的圖像二值化[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)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(zāi)探測中的運用[J]. 電子設(shè)計工程, 2016, 24(21): 188-190.
[6] 段鎖林, 顧川林. 基于BP神經(jīng)網(wǎng)絡(luò)視頻火災(zāi)火焰檢測方法[J]. 常州大學(xué)學(xué)報(自然科學(xué)版), 2017, 29(02): 65-70.
[7] 陳明忠. BP神經(jīng)網(wǎng)絡(luò)訓(xùn)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(luò)的火災(zāi)識別方法[J]. 數(shù)碼設(shè)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(xué)習(xí)。E-mail:yfzhang2075@163.com