楊柳 張德 王亞慧

摘 ?要： 在圖像型火災(zāi)檢測(cè)方法中，火災(zāi)特征的選取有一定的隨機(jī)性和復(fù)雜性，僅僅依靠低層次的圖像特征難以完整地描述復(fù)雜背景下的火災(zāi)圖像。將深度學(xué)習(xí)技術(shù)應(yīng)用到火災(zāi)檢測(cè)領(lǐng)域，提出基于卷積神經(jīng)網(wǎng)絡(luò)的火災(zāi)檢測(cè)方法，搭建包含3層全連接層的網(wǎng)絡(luò)模型，使用Relu函數(shù)作為激活函數(shù);然后基于Tensorflow平臺(tái)實(shí)現(xiàn)該網(wǎng)絡(luò)結(jié)構(gòu)模型。在公開的火災(zāi)數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，所提方法的火災(zāi)檢測(cè)效果優(yōu)于傳統(tǒng)的圖像型火災(zāi)檢測(cè)算法，避免了由于選取特定火災(zāi)特征進(jìn)行檢測(cè)識(shí)別帶來的局限性。

關(guān)鍵詞： 火災(zāi)檢測(cè); 卷積神經(jīng)網(wǎng)絡(luò); 圖像處理; 城市火災(zāi); 模式識(shí)別; 深度學(xué)習(xí)

中圖分類號(hào)： TN911.23?34 ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）10?0141?05

A new city fire detection method

YANG Liu， ZHANG De， WANG Yahui

（School of Electrical and Information Engineering， Beijing University of Civil Engineering and Architecture， Beijing 100044， China）

Abstract： In image?based fire detection methods， the fire feature selection has a certain randomness and complexity， and it is difficult to completely describe the fire images in complex background by only relying on low level image features. Therefore， a fire detection method based on the convolutional neural network is proposed by applying the deep learning technology to the fire detection field. A network model including three full connection layers is built， taking the Relu function as the activation function. The network structure model is implemented based on the Tensorflow platform. An experiment was carried out on the public fire database. The experimental results show that the proposed method has a better fire detection effect in comparison with traditional image?based fire detection algorithms， which can avoid the limitations brought by detection recognition using selection of specific fire characteristics.

Keywords： fire detection; convolutional neural network; image processing; city fire; pattern recognition; deep learning

0 ?引 ?言

盡管圖像型火災(zāi)檢測(cè)技術(shù)相比于傳統(tǒng)的傳感器監(jiān)測(cè)技術(shù)有很多的優(yōu)勢(shì)，然而這種檢測(cè)方法需要確定火焰分割方法和特征提取方法，算法的檢測(cè)效果不僅取決于圖像分割和特征提取階段的處理結(jié)果，還依賴于如何找到有效的火災(zāi)特征[1]。好的特征選取往往需要專業(yè)的知識(shí)和經(jīng)驗(yàn)積累，特別是在復(fù)雜背景下的城市火災(zāi)檢測(cè)過程中，排除背景干擾，獲取有效的分割和特征提取結(jié)果非常困難[2]。另外，火災(zāi)的形態(tài)會(huì)隨著階段的不同而產(chǎn)生相應(yīng)的特征，同一種特征在不同的火災(zāi)階段會(huì)得到不同的特征參數(shù)。這些都增加了火災(zāi)特征表達(dá)的復(fù)雜性，降低了火災(zāi)檢測(cè)準(zhǔn)確率，還在一定程度上降低了算法的穩(wěn)定性。

近年來基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）的深度學(xué)習(xí)算法已經(jīng)在計(jì)算機(jī)視覺、信息提取和機(jī)器翻譯等多個(gè)領(lǐng)域取得了豐碩的研究成果[3]。為克服傳統(tǒng)圖像型火災(zāi)檢測(cè)算法的不足，本文引入深度學(xué)習(xí)算法，搭建了全連接CNN模型，以此進(jìn)行視頻圖像中的火災(zāi)檢測(cè)。通過該方法可以找到更深層次的火災(zāi)特征，同時(shí)實(shí)現(xiàn)了圖像特征的自動(dòng)提取，避免了由人為主觀因素選取圖像特征而產(chǎn)生的局限性，可以提取出更為抽象的深層特征，傳統(tǒng)圖像分類算法與深度學(xué)習(xí)運(yùn)行流程如圖1所示。

圖1 ?傳統(tǒng)圖像分類算法與深度學(xué)習(xí)運(yùn)行流程

1 ?卷積神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)本質(zhì)上是一種神經(jīng)網(wǎng)絡(luò)模型，模擬了大腦的認(rèn)知過程，通過逐層分析和抽象理解獲取特征信息，適用于對(duì)自然數(shù)據(jù)進(jìn)行處理，具備較強(qiáng)的泛化能力[4]。其依靠自身的網(wǎng)絡(luò)即可從淺層信息中挖掘出較為抽象的深層特征數(shù)據(jù)。

卷積神經(jīng)網(wǎng)絡(luò)是一種被廣泛應(yīng)用于圖像領(lǐng)域的深度學(xué)習(xí)算法，最為顯著的特征是局部感受野和權(quán)值共享。卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)行原理如圖2所示，由卷積層、池化層以及全連接層組成。局部感受野相當(dāng)于視覺提取圖像局部信息，對(duì)應(yīng)卷積神經(jīng)網(wǎng)絡(luò)，通過卷積運(yùn)算完成圖像的局部感受野。網(wǎng)絡(luò)中卷積層單個(gè)神經(jīng)元的輸入與前一層的局部感受野相連。

圖2 ?卷積神經(jīng)網(wǎng)絡(luò)運(yùn)行原理

卷積神經(jīng)網(wǎng)絡(luò)中神經(jīng)元眾多、結(jié)構(gòu)復(fù)雜，利用權(quán)值共享技術(shù)，在誤差值反向傳遞過程中調(diào)整的神經(jīng)元個(gè)數(shù)與每一層卷積層的卷積核個(gè)數(shù)相同，這種網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化極大地減少了網(wǎng)絡(luò)的運(yùn)算量。因此，權(quán)值共享和局部感知野能夠極大程度地降低系統(tǒng)的運(yùn)算量，提高了運(yùn)行效率，使得以并行處理的形式實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)成為可能[5]。

2 ?火災(zāi)檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搭建

本文通過搭建卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)應(yīng)用于火災(zāi)檢測(cè)的算法。該卷積神經(jīng)網(wǎng)絡(luò)由輸入層、4層卷積層、4層池化層以及3層全連接層組成，網(wǎng)絡(luò)設(shè)置如表1所示，以下將對(duì)各個(gè)部分展開描述。

2.1 ?輸入層

針對(duì)圖像樣本的大小不統(tǒng)一的情況，把火災(zāi)圖像數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)之前，預(yù)先把圖像的大小歸一化為100×100。為了保證卷積神經(jīng)網(wǎng)絡(luò)能夠獲取更多的圖像信息，用于實(shí)驗(yàn)的火災(zāi)圖像不進(jìn)行灰度化處理，所有的原始彩色火災(zāi)圖像均保留R，G，B三色通道，分別把R，G，B通道的灰度值圖像輸入卷積神經(jīng)網(wǎng)絡(luò)。因此，一張彩色圖像經(jīng)輸入層處理后，產(chǎn)生3張灰度值圖像，再輸入第1層卷積層。

2.2 ?卷積層

卷積運(yùn)算對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)是卷積層，卷積層的主要目的是對(duì)輸入的圖像進(jìn)行特征提取，它能夠從輸入數(shù)據(jù)中提取出一些較為抽象的特征，這些抽象特征以特征圖的形式輸出，在輸入網(wǎng)絡(luò)的池化層進(jìn)行下一步的處理[6]。卷積層與輸入層直接連接，利用卷積核對(duì)輸入層輸出的圖像進(jìn)行卷積運(yùn)算，并輸出對(duì)應(yīng)特征圖像。卷積核的數(shù)值先是由網(wǎng)絡(luò)初始化設(shè)定，經(jīng)后續(xù)的訓(xùn)練，其數(shù)值趨向于局部最優(yōu)解，整個(gè)卷積神經(jīng)網(wǎng)絡(luò)漸漸收斂。特征圖像的尺寸與原始圖像的尺寸滿足以下關(guān)系：

[Nlx=Nl-1x-KlxSlx+1] ? ? ? ? ? （1）

[Nly=Nl-1y-KlySly+1] ? ? ? ? ? （2）

式中：N表示圖像的實(shí)際尺寸;l表示網(wǎng)絡(luò)層數(shù);K為卷積核的大小;S為步長(zhǎng);腳標(biāo)中的x，y代表計(jì)算方向。每一次卷積和池化處理都會(huì)降低圖像尺寸。

通常，卷積層在做卷積運(yùn)算時(shí)，會(huì)加入一個(gè)獨(dú)立項(xiàng)，這個(gè)獨(dú)立項(xiàng)是隨機(jī)生成的初始化數(shù)字，將這個(gè)包含卷積結(jié)果和獨(dú)立項(xiàng)的數(shù)據(jù)輸入激活函數(shù)，所得的結(jié)果才是對(duì)應(yīng)特征圖像的元素。這樣可以提升網(wǎng)絡(luò)結(jié)構(gòu)的非線性。

這里選用Relu（Rectified Linear Unit）函數(shù)作為卷積層和全連接層的激活函數(shù)。Relu函數(shù)全稱為線性整流函數(shù)，又稱作修正線性單元。Relu函數(shù)呈現(xiàn)分段的特點(diǎn)，這使得它在誤差反向傳遞的過程中能夠加快傳遞速度，提高神經(jīng)元權(quán)重的誤差下降速度，加快網(wǎng)絡(luò)訓(xùn)練速度。

基于Relu函數(shù)的卷積層處理的計(jì)算表達(dá)式為：

[xlj=max0，i∈Mxl-1iωln+bn] ? ? （3）

式中：[x]為卷積層元素;[l]為當(dāng)前網(wǎng)絡(luò)層數(shù);[ω]為卷積核元素;[b]為隨機(jī)的獨(dú)立項(xiàng);[n]為卷積核元素的位置信息;[M]為輸入圖像的選擇;[i]與[j]是相互對(duì)應(yīng)的一組圖像選擇。

本文建立的用于復(fù)雜背景下火災(zāi)檢測(cè)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)共有4層卷積層，即C1，C2，C3和C4。為了滿足整個(gè)網(wǎng)絡(luò)對(duì)復(fù)雜背景下的圖像數(shù)據(jù)的適應(yīng)性，每個(gè)卷積層均設(shè)置了大量的卷積核，尤其是在C3層和C4層。

2.3 ?池化層

設(shè)置池化層的目的是使經(jīng)卷積層處理提取的深層特征具備平移不變性，避免網(wǎng)絡(luò)出現(xiàn)過擬合的現(xiàn)象;其次是降低特征圖像的大小，提高網(wǎng)絡(luò)運(yùn)行速度。

池化過程是將輸入特征圖像按特定的運(yùn)算方法，在最大限度保留輸入數(shù)據(jù)的基礎(chǔ)上，降低特征圖像的大小，等同于數(shù)據(jù)的降維處理。池化層的工作原理是將輸入特征圖像均勻分割為多個(gè)同等規(guī)模的區(qū)域塊，在每個(gè)區(qū)域塊內(nèi)做規(guī)定運(yùn)算。區(qū)域塊的規(guī)模設(shè)置過大會(huì)導(dǎo)致特征圖像過度縮減，進(jìn)而導(dǎo)致圖像信息丟失[7]。通常，池化層選用2×2大小的區(qū)域塊和3×3大小的區(qū)域塊進(jìn)行等比例縮減。

本文建立的卷積神經(jīng)網(wǎng)絡(luò)中，池化層通過計(jì)算區(qū)域塊均值的方法來降低特征圖像維度，即將上一層卷積層輸出的特征圖像數(shù)據(jù)分割成2×2大小的區(qū)域塊，每個(gè)2×2大小的區(qū)域塊用均值代替，如圖3所示。

圖3 ?池化處理過程

2.4 ?全連接層

全連接層與池化層相連接，將池化層輸出的二維數(shù)據(jù)處理成一維數(shù)據(jù)，再通過3層神經(jīng)網(wǎng)絡(luò)完成數(shù)據(jù)的分類。相較卷積層和池化層，全連接層的參數(shù)是最多的。

全連接層的操作分為前向計(jì)算和反向傳播兩個(gè)過程，全連接層的前向計(jì)算過程可以看作是利用神經(jīng)元對(duì)特征數(shù)據(jù)加權(quán)求和的過程，而反向傳播過程是通過計(jì)算實(shí)際輸出與理想輸出值的誤差，反向作用于神經(jīng)元，調(diào)整網(wǎng)絡(luò)的權(quán)重矩陣。

在本文所述的網(wǎng)絡(luò)結(jié)構(gòu)中：全連接層的第一層設(shè)置1 024個(gè)神經(jīng)元，激活函數(shù)為Relu函數(shù);第二層設(shè)置512個(gè)神經(jīng)元，激活函數(shù)為Relu函數(shù);第三層設(shè)置2個(gè)神經(jīng)元，無激活函數(shù)。通過這三層全連接層完成特征數(shù)據(jù)的二分類，即輸出檢測(cè)結(jié)果。

3 ?實(shí)驗(yàn)結(jié)果分析

3.1 ?算法實(shí)現(xiàn)工具

卷積神經(jīng)網(wǎng)絡(luò)的搭建可以通過相關(guān)的軟件平臺(tái)來實(shí)現(xiàn)，本文選用Tensorflow+Python的開發(fā)環(huán)境。Tensorflow是一款開源的人工智能學(xué)習(xí)系統(tǒng)，該系統(tǒng)多用于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的搭建，具備良好的靈活性和可延展性[8]。它提供許多網(wǎng)絡(luò)接口，使用者可以通過對(duì)應(yīng)的網(wǎng)絡(luò)接口獲取子程序文檔，根據(jù)需要調(diào)用相應(yīng)的子程序，以此完成網(wǎng)絡(luò)框架的搭建。

3.2 ?實(shí)驗(yàn)數(shù)據(jù)庫

本文使用的火災(zāi)圖像數(shù)據(jù)來自韓國啟明大學(xué)計(jì)算機(jī)視覺與模式識(shí)別實(shí)驗(yàn)室的公開數(shù)據(jù)庫。該數(shù)據(jù)庫中的視頻圖像呈現(xiàn)出更多的色度突變，這些色度突變的區(qū)域一部分是火焰所導(dǎo)致，另一部分則是復(fù)雜的場(chǎng)景所導(dǎo)致[9]。該數(shù)據(jù)庫包含火焰的視頻圖像有10段，干擾物視頻有4段，視頻場(chǎng)景涵蓋了室內(nèi)、街道和廠房等，各段視頻在場(chǎng)景空間和光照強(qiáng)度上均存在較大的差異，如圖4所示。

圖4 ?火災(zāi)視頻圖像與干擾物視頻圖像

3.3 ?網(wǎng)絡(luò)參數(shù)的分析

3.3.1 ?迭代次數(shù)對(duì)網(wǎng)絡(luò)的影響

通過迭代調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)中神經(jīng)元的權(quán)值，有利于尋找最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。如果迭代次數(shù)較少，網(wǎng)絡(luò)的學(xué)習(xí)不夠充分，網(wǎng)絡(luò)的訓(xùn)練損失和驗(yàn)證損失過高，與真實(shí)數(shù)據(jù)的擬合度就偏低。隨著迭代次數(shù)的增加，網(wǎng)絡(luò)的各層神經(jīng)元權(quán)值會(huì)逐漸優(yōu)化，與真實(shí)數(shù)據(jù)的擬合度會(huì)漸漸升高，直至網(wǎng)絡(luò)收斂。表2給出火災(zāi)檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)正確率與網(wǎng)絡(luò)迭代次數(shù)的關(guān)系。

3.3.2 ?學(xué)習(xí)率對(duì)網(wǎng)絡(luò)的影響

學(xué)習(xí)率影響著神經(jīng)網(wǎng)絡(luò)的收斂速度，如果學(xué)習(xí)率設(shè)置過大，容易跨過極值，造成神經(jīng)元權(quán)值的不穩(wěn)定，整個(gè)神經(jīng)網(wǎng)絡(luò)無法收斂;如果學(xué)習(xí)率設(shè)置過小，就會(huì)導(dǎo)致網(wǎng)絡(luò)的收斂速度過慢，系統(tǒng)的訓(xùn)練時(shí)間增加[10]。本文將網(wǎng)絡(luò)的學(xué)習(xí)率調(diào)整為1和0.1，并觀察對(duì)應(yīng)的系統(tǒng)訓(xùn)練損失（Train Loss），如圖5和圖6所示。

圖5 ?學(xué)習(xí)率為1時(shí)網(wǎng)絡(luò)的訓(xùn)練損失曲線

圖6 ?學(xué)習(xí)率為0.1時(shí)網(wǎng)絡(luò)的訓(xùn)練損失曲線

當(dāng)學(xué)習(xí)率取1時(shí)，網(wǎng)絡(luò)的訓(xùn)練損失在前幾次迭代中下降很快，之后便在0.2附近震蕩，訓(xùn)練損失波動(dòng)，神經(jīng)網(wǎng)絡(luò)無法收斂。

當(dāng)學(xué)習(xí)率取0.1時(shí)，網(wǎng)絡(luò)的訓(xùn)練損失先快速下降至0.4，迭代5次后呈緩慢下降趨勢(shì)，迭代至30次時(shí)，訓(xùn)練損失達(dá)0.031 942，并仍處于緩慢下降，此時(shí)可近似認(rèn)為網(wǎng)絡(luò)處于收斂狀態(tài)。

3.3.3 ?卷積核對(duì)網(wǎng)絡(luò)的影響

為了研究網(wǎng)絡(luò)結(jié)構(gòu)對(duì)于其性能的影響，本文對(duì)卷積核尺寸進(jìn)行了調(diào)整。除了表1的網(wǎng)絡(luò)結(jié)構(gòu)外，本文還選擇了其他3種不同尺寸的卷積核的網(wǎng)絡(luò)結(jié)構(gòu)，并通過這4種模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行實(shí)驗(yàn)，對(duì)比其檢測(cè)正確率，如表3所示。其中，模型1的網(wǎng)絡(luò)結(jié)構(gòu)擁有最高的檢測(cè)率。因此，本文選用基于模型1網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)。

3.4 ?網(wǎng)絡(luò)運(yùn)行效果

本文選取表3中模型1的網(wǎng)絡(luò)結(jié)構(gòu)，即C1，C2，C3，C4卷積層的卷積核大小分別為5×5，5×5，5×5，3×3，S1，S2，S3，S4池化層的區(qū)域塊均為2×2，網(wǎng)絡(luò)的學(xué)習(xí)率為0.2，迭代次數(shù)為25次。該卷積神經(jīng)網(wǎng)絡(luò)用于火災(zāi)檢測(cè)的運(yùn)行效果如圖7所示。

圖7 ?用于火災(zāi)檢測(cè)的卷積神經(jīng)網(wǎng)絡(luò)運(yùn)行效果

最后，本文把基于卷積神經(jīng)網(wǎng)絡(luò)的火災(zāi)檢測(cè)算法與其他圖像型火焰檢測(cè)算法[9]進(jìn)行了對(duì)比，在第3.2節(jié)所述的火災(zāi)視頻數(shù)據(jù)庫上進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表4所示。對(duì)比結(jié)果表明，基于卷積神經(jīng)網(wǎng)絡(luò)的火災(zāi)檢測(cè)算法的識(shí)別效果要高于其他兩種算法，但是該算法卻存在運(yùn)行時(shí)間過長(zhǎng)，實(shí)時(shí)性較差的缺點(diǎn)。

4 ?結(jié) ?論

本文將深度學(xué)習(xí)理論應(yīng)用到城市火災(zāi)檢測(cè)領(lǐng)域，基于卷積神經(jīng)網(wǎng)絡(luò)的全連接模型框架，搭建了適用于復(fù)雜背景下火災(zāi)檢測(cè)的卷積神經(jīng)網(wǎng)絡(luò)模型。該方法能夠?qū)ふ腋顚哟蔚幕馂?zāi)特征，實(shí)現(xiàn)了圖像特征的自動(dòng)提取，避免了由主觀選取圖像特征而產(chǎn)生的局限性。實(shí)驗(yàn)結(jié)果表明，對(duì)比傳統(tǒng)的圖像型火災(zāi)檢測(cè)算法，基于卷積神經(jīng)網(wǎng)絡(luò)的火災(zāi)檢測(cè)算法能夠?qū)?fù)雜背景下的火災(zāi)圖像進(jìn)行有效的檢測(cè)，具有較高的準(zhǔn)確性。

參考文獻(xiàn)

[1] 鄭胤，陳權(quán)崎，章毓晉.深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展[J].中國圖象圖形學(xué)報(bào)，2014，19（2）：175?184.

ZHENG Yin， CHEN Quanqi， ZHANG Yujin. Deep learning and its new progress in object and behavior recognition [J]. Journal of image and graphics， 2014， 19（2）： 175?184.

[2] 胡勤，陳琛，劉敏.一種基于動(dòng)態(tài)紋理的煙霧和火焰檢測(cè)方法[J].消防科學(xué)與技術(shù)，2014，33（6）：667?669.

HU Qin， CHEN Chen， LIU Min. A smoke and fire detection method based on dynamic texture [J]. Fire science and technology， 2014， 33（6）： 667?669.

[3] 傅天駒，鄭嫦娥，田野，等.復(fù)雜背景下基于深度卷積神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)識(shí)別[J].計(jì)算機(jī)與現(xiàn)代化，2016（3）：52?57.

FU Tianju， ZHENG Change， TIAN Ye， et al. Forest fire recognition based on deep convolutional neural network under complex background [J]. Computer and modernization， 2016（3）： 52?57.

[4] KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks [C]// Proceedings of the 25th International Conference on Neural Information Processing Systems. New York： Curran Associates， 2012： 1097?1105.

[5] KIM Y. Convolutional neural networks for sentence classification [EB/OL]. [2014?09?03]. https：//arxiv.org/pdf/1408.5882.pdf.

[6] KARPATHY A， TODERICI G， SHETTY S， et al. Large?scale video classification with convolutional neural networks [C]// Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Columbus： IEEE， 2014： 1725?1732.

[7] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large?scale image recognition [C/OL]. [2015?04?10]. https：//arxiv.org/pdf/1409.1556.pdf.

[8] 章敏敏，徐和平，王曉潔，等.TensorFlow機(jī)器學(xué)習(xí)框架及應(yīng)用[J].微型機(jī)與應(yīng)用，2017，36（10）：58?60.

ZHANG Minmin， XU Heping， WANG Xiaojie， et al. Application of Google TensorFlow machine learning framework [J]. Microcomputer & its applications， 2017， 36（10）： 58?60.

[9] KO B C， JUNG J H， NAM J Y. Fire detection and 3D surface reconstruction based on stereoscopic pictures and probabilistic fuzzy logic [J]. Fire safety journal， 2014， 68： 61?70.

[10] RAZAVIAN A S， AZIZPOUR H， SULLIVAN J， et al. CNN features off?the?shelf： an astounding baseline for recognition [C]// Proceedings of IEEE Conference on Computer Vision and Pattern Recognition Workshops. Washington： IEEE Computer Society， 2014： 512?519.

[11] 盧英，王慧琴，柴茜，等.基于多尺度LBP與GBP特征的火焰識(shí)別[J].計(jì)算機(jī)科學(xué)，2015，42（10）：316?320.

LU Ying， WANG Huiqin， CHAI Qian， et al. Fire image detection based on LBP and GBP features with multi?scales [J]. Computer science， 2015， 42（10）： 316?320.