支持向量機(jī)與BP網(wǎng)絡(luò)在火災(zāi)圖像探測(cè)上的比較

何世釗，楊宣訪(fǎng)，陳曉娟

(海軍工程大學(xué)電氣與信息工程學(xué)院，湖北武漢 430033)

支持向量機(jī)與BP網(wǎng)絡(luò)在火災(zāi)圖像探測(cè)上的比較

何世釗，楊宣訪(fǎng)，陳曉娟

(海軍工程大學(xué)電氣與信息工程學(xué)院，湖北武漢 430033)

針對(duì)BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)在火災(zāi)探測(cè)上存在的理論差別，分別構(gòu)建了基于此2種方法的火災(zāi)圖像探測(cè)方法.2種方法均依據(jù)火焰顏色分布規(guī)律實(shí)現(xiàn)了目標(biāo)區(qū)域的分離，并將目標(biāo)區(qū)域的形狀特征及變化值作為判據(jù).通過(guò)對(duì)火災(zāi)實(shí)驗(yàn)樣本的訓(xùn)練及識(shí)別，2種方法的探測(cè)表現(xiàn)得到了比較與分析.實(shí)驗(yàn)結(jié)果表明基于支持向量機(jī)的火災(zāi)探測(cè)方法具有快速收斂特性及所需較少訓(xùn)練樣本的優(yōu)點(diǎn).同時(shí)，BP神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集較少的錯(cuò)判反映出其良好的非線(xiàn)性映射能力，適合求解內(nèi)部機(jī)制復(fù)雜的問(wèn)題.

火災(zāi)探測(cè);形狀特征;支持向量機(jī);BP神經(jīng)網(wǎng)絡(luò)

圖像型火災(zāi)探測(cè)是一種通過(guò)分析火災(zāi)視頻圖像，依據(jù)圖像所含紋理特征、顏色特征、火焰形狀等信息給出判斷結(jié)果的火災(zāi)探測(cè)方法.該方法因視頻設(shè)備不易受探測(cè)空間的氣流、溫度、水滴、灰塵、靜電以及其他干擾因素影響，可以有效實(shí)現(xiàn)復(fù)雜環(huán)境下的火災(zāi)探測(cè)［1］.BP神經(jīng)網(wǎng)絡(luò)是一種將誤差逆向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)，由于不同層次的神經(jīng)元依權(quán)值相互聯(lián)通，使得這種網(wǎng)絡(luò)具有很強(qiáng)的非線(xiàn)性映射能力.基于BP神經(jīng)網(wǎng)絡(luò)的火災(zāi)圖像探測(cè)方法克服了傳統(tǒng)火災(zāi)探測(cè)方法判據(jù)單一、智能化程度低的缺點(diǎn)，實(shí)現(xiàn)了較高的判斷準(zhǔn)確率［2］.但是算法也存在學(xué)習(xí)速度慢及可能因陷入局部極值導(dǎo)致訓(xùn)練失敗等不足.支持向量機(jī)收斂速度快且基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，然而算法的邊緣懲罰參數(shù)C、非敏感參數(shù)ε以及核參數(shù)互相耦合影響，難以確定［3］.針對(duì)這些特點(diǎn)，構(gòu)造了2種不同的火災(zāi)圖像探測(cè)方法，經(jīng)火災(zāi)實(shí)驗(yàn)比較了它們的火災(zāi)探測(cè)性能.

1 火災(zāi)視頻圖像處理

火災(zāi)圖像探測(cè)首先需要對(duì)攝取的火災(zāi)圖像進(jìn)行數(shù)字處理，這包括圖像的目標(biāo)區(qū)域分離以及火災(zāi)特征信息的提取.火災(zāi)是一種失去人為控制的燃燒過(guò)程，也是動(dòng)態(tài)發(fā)展的過(guò)程.不同幀的火災(zāi)圖像所蘊(yùn)涵的特征信息也會(huì)不同，其中火焰形狀最能反映這些變化.根據(jù)這一特性，采用了火焰形狀特征及形狀的變化值作為火災(zāi)判據(jù).火焰形狀特征的提取可以用簡(jiǎn)單算法來(lái)實(shí)現(xiàn)，計(jì)算量也很小，這十分有利于提高火災(zāi)圖像處理程序的運(yùn)行速度.

1.1 基于RGB顏色分布規(guī)律的目標(biāo)區(qū)域分割

RGB顏色模型是由反映顏色亮度級(jí)的R、G、B 3值相互疊加混色的一種常用的色彩模型.其中R(red)代表紅基色，G(green)代表綠基色，B(blue)代表藍(lán)基色.火災(zāi)發(fā)生早期，火焰的顏色一般顯紅黃色，隨著溫度的逐漸上升，火焰的顏色越來(lái)越淺，甚至呈白色.這種特點(diǎn)表現(xiàn)為R≥G，G≥B及R＞RT的顏色分布［4］.RT為紅基色的一個(gè)閾值.圖像處理程序?qū)D像上每個(gè)像素進(jìn)行分析時(shí)，滿(mǎn)足火焰顏色分布的點(diǎn)設(shè)成白點(diǎn)，不滿(mǎn)足的點(diǎn)設(shè)為黑點(diǎn)，實(shí)現(xiàn)二值化.經(jīng)多次實(shí)驗(yàn)得出，當(dāng)RT取160時(shí)，火焰分離效果最好.圖1為二值化后的一幅火災(zāi)圖像，光亮區(qū)域?yàn)槟繕?biāo)區(qū)域.光亮區(qū)域可能是由火災(zāi)生成的，也可能是由干擾源生成的，需要進(jìn)一步排除干擾，判別火災(zāi).

圖1 二值化火災(zāi)圖像Fig.1 Binary fire image

1.2 火焰的形狀特征

火災(zāi)圖像的紋理特征、形狀特征及顏色特征常用作判據(jù)識(shí)別火災(zāi).然而，紋理特征及顏色特征的提取需要對(duì)原始圖像上所有像素點(diǎn)進(jìn)行數(shù)字處理，計(jì)算量較大.火焰的形狀特征則是在圖像經(jīng)過(guò)二值化后，僅僅需要通過(guò)目標(biāo)區(qū)域內(nèi)或邊緣的像素的簡(jiǎn)單幾何求解可得，計(jì)算量小.火焰的形狀特征大體包括火焰的面積、周長(zhǎng)、圓形度、重心.火焰面積等效于目標(biāo)區(qū)域內(nèi)所有像素個(gè)數(shù)，火焰周長(zhǎng)則等效于目標(biāo)區(qū)域邊緣所有像素個(gè)數(shù)，而圓形度與位移分別由式(1)、(2)求解，體現(xiàn)火災(zāi)動(dòng)態(tài)特性的火焰形狀特征變化值則是由當(dāng)前幀的形狀特征與前一幀求差取絕對(duì)值而得.

圓形度e是反映區(qū)域形狀復(fù)雜程度的一個(gè)特征量.計(jì)算公式為

式中:S為區(qū)域面積，L為區(qū)域周長(zhǎng).

位移d是前一幀重心與當(dāng)前幀重心的距離，反映火焰位置的變動(dòng)量.若當(dāng)前幀重心為(x0，y0)，前一幀重心(x1，y1)，則當(dāng)前幀位移:

2 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)［5］是一種單向傳播的多層前向反饋式神經(jīng)網(wǎng)絡(luò).它具有很好的非線(xiàn)性映射能力，可以實(shí)現(xiàn)M維歐氏空間到N維歐氏空間的任意映射.BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程包括2個(gè)階段:工作信號(hào)正向傳播與誤差信號(hào)反向傳播.前一階段是從第1層輸入學(xué)習(xí)樣本，通過(guò)已知的網(wǎng)絡(luò)結(jié)構(gòu)和前一次迭代的閾值和權(quán)值，向后計(jì)算各神經(jīng)元的輸出.后一階段則是向前計(jì)算權(quán)值和閾值對(duì)總誤差的影響，據(jù)此調(diào)整網(wǎng)絡(luò)權(quán)值(wij，Tli)和閾值(θ)，使誤差(E)沿梯度下降.文中的BP網(wǎng)絡(luò)有3層節(jié)點(diǎn)，分別為火災(zāi)判據(jù)的輸入層節(jié)點(diǎn)xj、隱層節(jié)點(diǎn)yi和給出判別結(jié)果的輸出層節(jié)點(diǎn)Ql.

在當(dāng)前輸入層節(jié)點(diǎn)與隱層節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為wij，隱層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為T(mén)li，若給出一火災(zāi)樣本(xj，tl)，tl代表圖像的類(lèi)型，火災(zāi)圖像為1，干擾圖像為0，則BP模型的計(jì)算公式為

式中:neti= ∑jwijxj－ θi，yi是隱層節(jié)點(diǎn)輸出.

式中:Ol為輸出層節(jié)點(diǎn)輸出.

式中:E為輸出層節(jié)點(diǎn)的誤差.

3 支持向量機(jī)

支持向量機(jī)［6］是在傳統(tǒng)統(tǒng)計(jì)學(xué)基礎(chǔ)上發(fā)展起來(lái)的一種具有堅(jiān)實(shí)基礎(chǔ)的機(jī)器學(xué)習(xí)方法，是目前針對(duì)小樣本統(tǒng)計(jì)估計(jì)和預(yù)測(cè)學(xué)習(xí)的最佳理論.可以有效解決如人臉識(shí)別等模式識(shí)別問(wèn)題［7］.

支持向量機(jī)通過(guò)訓(xùn)練樣本學(xué)習(xí)，在特征空間中構(gòu)造出最優(yōu)超平面f(x)=sgn(wx－b).該超平面與不同類(lèi)樣本之間的距離2/‖w‖最大，如圖2所示，從而使支持向量機(jī)獲得最大泛化能力.

圖2 支持向量機(jī)分類(lèi)超平面Fig.2 Hyperplane classifier of the SVM

線(xiàn)性不可分情況下需引入懲罰因子C，距離最大化問(wèn)題就轉(zhuǎn)化為如下的二次規(guī)劃問(wèn)題:

式(6)滿(mǎn)足yi(wTxi－b)+εi－1≥0 且 ξi≥0.xi∈Rn為輸入到支持向量機(jī)的訓(xùn)練向量，yi∈{－1，1}為訓(xùn)練樣本xi所屬類(lèi)別.通過(guò)引入拉格朗日算子，消去w、b、C、ξ 等變量，得出

式(7)滿(mǎn)足式(8)條件:

4 火災(zāi)實(shí)驗(yàn)

本文選用普通CCD攝像頭，并通過(guò)視頻采集卡及其附帶的SDK軟件開(kāi)發(fā)包連續(xù)采集幀圖像.火災(zāi)探測(cè)程序的圖像處理部分由VC++編寫(xiě)完成，主要完成火災(zāi)圖像的目標(biāo)分割及之后對(duì)火焰形狀特征的提取.BP神經(jīng)網(wǎng)絡(luò)由Matlab編寫(xiě)實(shí)現(xiàn)，SVM算法則由VC++代碼實(shí)現(xiàn).2種方法分別對(duì)圖像處理程序給出的數(shù)據(jù)進(jìn)行分析，判別火災(zāi).

實(shí)驗(yàn)收集了包括紙張火、棉絮火、木材火、汽油火、酒精火和柴油火以及蠟燭、臺(tái)燈、日光燈干擾圖像共1 046幅.圖像處理程序提取了每幅圖像的特征值及特征值的變化值.這包括了火焰的面積、周長(zhǎng)、圓形度、面積差、周長(zhǎng)差、圓形度差、重心以及位移.

通過(guò)反復(fù)實(shí)驗(yàn)對(duì)比，選用火焰的面積、周長(zhǎng)、面積差、周長(zhǎng)差、圓形度差、位移作為火災(zāi)判據(jù)，可以取得較好的訓(xùn)練效果.從而省去了冗余的判據(jù)如圓形度、重心，使得程序運(yùn)算量減少，提高了反應(yīng)速度.確定判據(jù)后，取各幅圖像的如上6個(gè)特征及圖像所屬類(lèi)別構(gòu)成一個(gè)樣本，如表1所示.對(duì)于圖像所屬的類(lèi)型，用1來(lái)表示火災(zāi)圖像樣本，用－1或0表示來(lái)表示干擾源圖像樣本(BP網(wǎng)絡(luò)的干擾源樣本用0表示，SVM的干擾源樣本則用－1表示).表1為火災(zāi)實(shí)驗(yàn)中的部分樣本.

表1 部分火災(zāi)實(shí)驗(yàn)數(shù)據(jù)Table 1 Part of fire experiment data

4.1 SVM的訓(xùn)練與測(cè)試

從獲取的實(shí)驗(yàn)樣本中，選取156個(gè)樣本作為SVM的訓(xùn)練集.利用樣本的面積、周長(zhǎng)、面積差、周長(zhǎng)差、圓形度差、位移及樣本所屬類(lèi)型訓(xùn)練SVM.SVM的學(xué)習(xí)過(guò)程依賴(lài)于核函數(shù)，但是一個(gè)具體問(wèn)題選擇何種核函數(shù)最優(yōu)至今未有明確的原則與理論指導(dǎo).經(jīng)過(guò)實(shí)驗(yàn)反復(fù)挑選，最終選擇高斯徑向核函數(shù)(RBF)，懲罰因子C為0.05，誤差為0.001，σ=1.然后利用 SMO訓(xùn)練算法［8－9］求解使式(7)取最大值時(shí)的各參數(shù)值.RBF核函數(shù)如式(9)所示.

在多次訓(xùn)練過(guò)程中，發(fā)現(xiàn)訓(xùn)練樣本的選擇和排序要求很?chē)?yán)格.樣本需要包含各類(lèi)型火源和干擾源，并且不同類(lèi)型的樣本的訓(xùn)練順序要相互交錯(cuò).否則，訓(xùn)練誤差相當(dāng)大，從而導(dǎo)致訓(xùn)練失敗.

依據(jù)以上要求對(duì)SVM進(jìn)行訓(xùn)練后，再將火災(zāi)實(shí)驗(yàn)的全部樣本共1 046個(gè)送入算法中進(jìn)行識(shí)別.經(jīng)統(tǒng)計(jì)，有60個(gè)樣本發(fā)生錯(cuò)判，全部屬于干擾樣本誤判為火災(zāi)樣本，BP網(wǎng)絡(luò)與SVM的判別結(jié)果對(duì)比如表2 所示.

表2 BP網(wǎng)絡(luò)與SVM的判別結(jié)果對(duì)比Table 2 Performance comparisons between the BP network and SVM

4.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試

由于本文選用了火災(zāi)圖像的6個(gè)判據(jù)，因而采用如圖3所示結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò).輸入層有6個(gè)節(jié)點(diǎn)，分別代表火災(zāi)圖像的面積(S)、周長(zhǎng)(L)、火焰圓形度(e)、面積差(△S)、周長(zhǎng)差(△L)、位移(d)的輸入;輸出層則有1個(gè)節(jié)點(diǎn)，輸出判別結(jié)果，中間層參考n1=+a原則采用8個(gè)隱層節(jié)點(diǎn)，n為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)，a為［1，10］之間的常數(shù).針對(duì)普通訓(xùn)練函數(shù)訓(xùn)練速度很慢的不足，采用減少內(nèi)存的LM算法［10］訓(xùn)練函數(shù).

圖3 BP神經(jīng)網(wǎng)絡(luò)模型Fig.3 Model of the BP network

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線(xiàn)Fig.4 Training curve of the BP network

實(shí)驗(yàn)時(shí)，表1所示的樣本不能直接輸入到BP網(wǎng)絡(luò)中進(jìn)行訓(xùn)練與測(cè)試，需要進(jìn)行歸一化.歸一化公式為

式中:k'為k的歸一化取值，kmax和kmin分別為樣本中的最大值和最小值.

從實(shí)驗(yàn)樣本中選取480個(gè)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，圖4為1～260步的訓(xùn)練誤差曲線(xiàn).橫軸為訓(xùn)練步數(shù)，縱軸為訓(xùn)練誤差，誤差曲線(xiàn)下方水平線(xiàn)為目標(biāo)誤差線(xiàn).經(jīng)過(guò)80 s后，BP網(wǎng)絡(luò)完成訓(xùn)練.再將全部實(shí)驗(yàn)樣本1 046個(gè)輸入算法中，共發(fā)生19起誤判，13起漏判.

4.3 實(shí)驗(yàn)結(jié)果與比較

表2為2種方法的訓(xùn)練與測(cè)試結(jié)果.從表中可以看出，SVM的訓(xùn)練樣本數(shù)量較少且所用訓(xùn)練時(shí)間非常短，訓(xùn)練幾乎在瞬間完成.然而B(niǎo)P神經(jīng)網(wǎng)絡(luò)在480個(gè)樣本的訓(xùn)練下，需要耗時(shí)80 s才能完成訓(xùn)練，而且訓(xùn)練樣本中有20個(gè)發(fā)生了判斷錯(cuò)誤.從訓(xùn)練的效果看，SVM在樣本個(gè)數(shù)的要求及訓(xùn)練速度上有很大的優(yōu)勢(shì)，但是SVM的訓(xùn)練樣本需要進(jìn)行嚴(yán)格的挑選和排序.經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，火災(zāi)樣本與非火災(zāi)樣本相互交錯(cuò)的訓(xùn)練順序，可以使SVM獲得較好訓(xùn)練效果.BP神經(jīng)網(wǎng)絡(luò)雖然也需要調(diào)整2種樣本順序，但是遠(yuǎn)不如SVM嚴(yán)格.BP神經(jīng)網(wǎng)絡(luò)的480個(gè)訓(xùn)練樣本中發(fā)生20起判據(jù)錯(cuò)誤，而SVM卻全部判據(jù)正確.經(jīng)分析，BP發(fā)生多起錯(cuò)判的可能原因在于訓(xùn)練樣本多，其中存在的矛盾樣本造成一些誤判.

依據(jù)上表格，經(jīng)過(guò)訓(xùn)練的2種方法再對(duì)測(cè)試集中1 046個(gè)樣本判斷時(shí)，BP網(wǎng)絡(luò)的判別準(zhǔn)確率達(dá)到96.94%，而SVM只有94.26%的判別準(zhǔn)確率.但是BP網(wǎng)絡(luò)卻發(fā)生13起漏判，高漏判率會(huì)引起重大損失，應(yīng)當(dāng)極力避免.綜上所述:SVM優(yōu)點(diǎn)在于訓(xùn)練速度快，易收斂，但是訓(xùn)練樣本選擇與排序比較復(fù)雜，雖然BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練耗時(shí)多，但是對(duì)測(cè)試集的判斷效果較好，判斷準(zhǔn)確率比SVM略高.

5 結(jié)束語(yǔ)

由以上實(shí)驗(yàn)結(jié)果及分析可知，BP神經(jīng)網(wǎng)絡(luò)與SVM雖然原理各不相同，但是當(dāng)與圖像處理技術(shù)相結(jié)合，并利用火焰形狀特征及其變化特性作為判據(jù)，都可以較好地探測(cè)明火火災(zāi).同時(shí)，從實(shí)驗(yàn)結(jié)果也得出了2種方法在火災(zāi)圖像探測(cè)的性能差別.比如SVM訓(xùn)練時(shí)收斂快，所需訓(xùn)練樣本少，但是訓(xùn)練前訓(xùn)練樣本的選擇和排序要求非常嚴(yán)格.相對(duì)地，BP神經(jīng)網(wǎng)絡(luò)算法收斂慢，所需訓(xùn)練樣本多，訓(xùn)練樣本的選擇和排序要求卻不如SVM嚴(yán)格.這種差別體現(xiàn)了SVM理論上快速收斂特性，符合預(yù)期.然而，基于結(jié)構(gòu)誤差最小化原則的SVM原理上具有更佳的判斷準(zhǔn)確性，但是實(shí)際的判別準(zhǔn)確率卻不如BP網(wǎng)絡(luò)，此處需繼續(xù)研究.總之，以上差別包含了2種方法的各自?xún)?yōu)缺點(diǎn)，為以后火災(zāi)探測(cè)的智能方法選擇提供一個(gè)依據(jù).

［1］王振華，王慧琴，王燕妮，等.基于視頻圖像的火災(zāi)探測(cè)方法［J］.世界科技研究與發(fā)展，2008，30(2):161－164.

WANG Zhenhua，WANG Huiqin，WANG Yanni，et al.Fire detection in video［J］.World Sci－Tech R＆D，2008，30(2):161－164.

［2］徐小軍，鄭健，郭尚芬.火災(zāi)圖像探測(cè)的神經(jīng)網(wǎng)絡(luò)方法研究［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2008，29(13):3416－3418.

XU Xiaojun，ZHEN Jian，GUO Shangfen.Study on neural network method of fire image detection［J］.Computer Engineering and Design，2008，29(13):3416－3418.

［3］朱世增，黨選舉.基于相關(guān)向量機(jī)的非線(xiàn)性動(dòng)態(tài)系統(tǒng)辨識(shí)［J］.計(jì)算機(jī)仿真，2008，25(6):103－107.

ZHU Shizeng，DANG Xuanju.Nonlinear dynamic system identification based on relevance vector machine［J］.Computer Simulation，2008，25(6):103－107.

［4］CHEN T H，WU P H，CHIOU Y C.An early fire－detection method based on image processing［C］//International Conference on Image Processing.［S.l.］，2004:1707－1710.

［5］劉叔軍，蓋曉華，樊京，等.Matlab 7.0控制系統(tǒng)應(yīng)用與實(shí)例［M］.北京:機(jī)械工業(yè)出版社，2005:9.

［6］VAPNIKK V N.The nature of statistical learning theory［M］.New York:Springer Verlag，1995:101－105.

［7］孫正興，徐文暉.基于局部SVM分類(lèi)器的表情識(shí)別方法［J］.智能系統(tǒng)學(xué)報(bào)，2008，3(5):455－466.

SUN Zhengxing，XU Wenhui.Facial expression recognition based on local SVM classifiers［J］.CAAI Transactions on Intelligent Systems，2008，3(5):455－466.

［8］JOHN C P.Training of support vector machines using sequential minimal optimization［C］//Advances in Kernel Method－Support Vector Learning.Cambridge:MIT Press，1999:101－105.

［9］KEETHI S S，SHEVADE S K，BHATTACHARYYA C，et al.Improvements to Platt＇s SMO algorithm for SVM classifier design［J］.Neural Computation，2001，13(3):637－649.

［10］黃豪彩，黃宜堅(jiān)，楊冠魯.基于LM算法的神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)［J］.組合機(jī)床與自動(dòng)化加工技術(shù)，2003，1(2):6－11.

HUANG Haocai，HUANG Yijian，YANG Guanlu.Neural network system identification based on Levenberg－Marquardt algorithm［J］.Modular Machine Tool＆ Automatic Manufacturing Technique，2003，1(2):6－11.

何世釗，男，1986年生，碩士研究生，主要研究方向?yàn)闄z測(cè)技術(shù)與自動(dòng)化裝置.

楊宣訪(fǎng)，男，1968年生，副教授，碩士生導(dǎo)師.主要研究方向?yàn)樽詣?dòng)測(cè)試、電路故障診斷、電力系統(tǒng)診斷.先后主持、參與軍隊(duì)、海軍等多項(xiàng)重點(diǎn)科研和工程項(xiàng)目.獲得軍隊(duì)科技進(jìn)步一等獎(jiǎng)1項(xiàng)，二等獎(jiǎng)2項(xiàng)，三等獎(jiǎng)4項(xiàng).發(fā)表學(xué)術(shù)論文20余篇，參與編寫(xiě)教材1部.

陳曉娟，女，1981年生，博士研究生，主要研究方向?yàn)閿?shù)字信號(hào)處理.

Comparisons between a support vector machine and BP neural network for video image fire detection

HE Shizhao，YANG Xuanfang，CHEN Xiaojuan
(College of Electrical and Information Engineering，Naval University of Engineering，Wuhan 430033，China)

According to the theoretical differences between a back propagation(BP)network and support vector machine(SVM)in relation to fire detection，two kinds of video image fire detection methods based on a BP network and SVM，respectively，were constructed.Judging from color distribution of the flames，the objective regions were separated in both methods，and their shape features along with the changes in shape features were extracted as criteria.The performance of each method was compared and analyzed after conducting many experiments.The experimental results show that the SVM had a high convergence rate and needed fewer training samples.At the same time，fewer misjudgments of testing samples confirmed that the BP network was more suitable for solving complex internal mechanism problems due to its good mapping capability.

fire detection;shape features;SVM;BP neural network

TP18

A

1673－4785(2011)04－0339－05

10.3969/j.issn.1673－4785.2011.04.010

2010－06－19.

國(guó)家自然科學(xué)基金資助項(xiàng)目(50721063).

何世釗.E－mail:heshizhao_chn@126.com.