基于神經網絡與加權融合的火災火焰識別研究

靳琪琳，段鎖林

常州大學 信息科學與工程學院，江蘇 常州 213164

基于神經網絡與加權融合的火災火焰識別研究

靳琪琳，段鎖林

常州大學 信息科學與工程學院，江蘇 常州 213164

1 引言

火災對人類危害巨大，若能在火災發生初期就進行識別報警，則可以減少各種損失。目前許多火災探測系統都是采用傳統感溫、感光等傳感器進行探測，這種系統有很多缺點，誤報率較高，并且這些探測設備容易受周圍環境干擾，從而給火災探測帶來了一定的難度。目前，在圖像型火災火焰識別方面的研究也比較多，包括顏色、運動和火焰的幾何形狀。如Phillips利用像素的顏色和時間變化[1]；Chen利用運動的區域檢測火焰區域的頻率[2]；Fastcom研究中FFT被用于檢測火焰的邊界區域；Toreyin等人用小波變換和高斯混合模型對火焰的顏色變化和閃爍特征進行分析[3]。在這些研究中，通常只關注于火焰的一種或兩種特征，如Philips關注顏色特征，Chen關注頻率特征，Fastcom關注形狀特征，Toreyin等人關注顏色特征和頻率兩個特征，由于沒有判斷火焰主要靜態和動態特征，在更換了環境和背景以后導致誤判率高。

本文在室內背景環境下，將幾種火災特征進行融合，采用逐級判斷和分析，提出一種多特征融合算法。結果表明，相對于分析單一的火焰特征，能夠有效地提高火災識別的準確率。

2 常規火災火焰識別與判決分析

2.1 運動區域分割判決

在室內火災發生的早期階段，由于火焰是從無到有發展的過程，故這個階段的火焰圖像有著明顯的運動變化特征，提取出這樣的運動特征信息才能很好地將火災圖像與其他干擾區分開來。

本文采用相鄰幀差法[4]獲取運動目標，原因是該算法只涉及加減運算，處理速度快，實時性好。圖像序列的連續兩幀中所有對應的位置像素點，如果差值大于一定的閾值，就認為對應位置有運動目標存在。

相鄰幀差法對場景光線的變化不太敏感，受目標陰影影響不大，對于動態環境有較強適應性。同時由于CCD攝像頭固定在房間的一個位置，可以避免此方法因運動引起的背景運動，以及因背景運動造成差分圖像中存在較多的偽運動像素的現象。

動態區域提取出來后，再通過硬閾值分割法[5]將圖像二值化，排除其他無關色彩物體運動的干擾。

本文在Matlab環境下對攝像頭的視頻流進行分析和處理，判決運動區域流程如圖1所示。

圖1 數據判斷流程圖

本文采用Ostu自適應閾值算法[5]，獲取運動閾值，實驗結果如圖2所示。

圖2 目標為室內火焰實驗結果

通過實驗，運動區域的白色點閾值設為T并取值為0，即當差值大于T時，默認有滿足亮點條件的運動變化。如下式所示：

其中，y表示判決結果，1表示需要繼續下一步判決，0表示無滿足條件的運動變化，不需繼續判決。

此判決可以快速地提取運動區域的高亮部分，大大較少了后面的運算量。但此判決結論不能確定是火災火焰運動。

2.2 火焰的彩色顏色特征判決

提取出滿足條件的運動區域后，需要將此運動變化區域原圖的RGB色彩空間轉換到HIS色彩空間進行顏色特征判決。

提取出運動區域的彩色圖實驗結果，如圖3所示。

圖3 提取運動變化區域彩色圖

HIS空間與RGB空間存在一定的轉換關系。將色調H、飽和度S和亮度I標準化，使得

[6]中可知，火焰的H、S、I值，如表1所示。

表1 火焰色度與亮度

本文采用了HIS閾值H(32°，52°)，S(35，74)，I(250，255)，采集實驗結果如圖4所示。

圖4 HIS閾值提取的火災火焰

如圖4，當火焰的HIS顏色特征信息點數大于閾值Q時，可以進行一級報警。但當其他物體顏色也在此閾值范圍內時，會存在誤判。因此，存在相近顏色干擾時，單獨采用該判決的誤判率較高，需要結合其他方法補償或消除這種干擾的影響。

2.3 火災火焰圓形度和尖鋒判決

（1）自然光和日光燈亮度信息與火災特征類似，但通過對各個標記區域的面積和圓形度的計算，選取圓形度閾值將干擾區域濾波掉，即可將其與火焰區分開。圓形度計算公式如下：

圖5為詳細處理流程序列。

通過多次火焰圓形度獲取實驗，本設計中選擇火災火焰圓形度閾值范圍為：M（0.46，1）。

（2）尖角的計算：首先利用圖象分割和邊緣增強技術把原始圖像轉換為數字圖像，然后對圖中各部分進行識別和計算。

圖5 計算圓形度流程圖

對火焰尖角來說，特征點首先是它的頂點，尖角的頂點可能有多個點，因此特征點也就為幾個。詳細的算法流程參見文獻[7]，實驗結果如圖6，火災火焰圖像具有一定數量的尖角。

圖6 火災火焰圖像序列

數據實驗取自每一序列的連續四幀圖像，提取數據時遵循的前提是該目標的變化特征滿足面積連續增大判據，如火災火焰、照明燈和電筒。實驗數據見表2。

表2 火焰及其他干擾下的尖角數目統計

通過表2實驗數據，火災火焰的尖角數目呈現不規則變化規律，同時數量比普通固定光源多。本文將閾值定為3，可以較好地剔除一般常見的干擾情況。

此判決可以快速檢測到常規火焰，減少了誤報率，但相似形狀和圓形度的高亮運動物體仍然不容易區分。

2.4 火焰頻率特征判決

火焰在燃燒過程中會按某種頻率閃爍，這種閃爍表現在數字圖像中就是火焰圖像的灰度級直方圖隨時間的變化規律，這個特性體現了一幀圖像的像素點在不同灰度級上的分布隨時間的變化。通過計算直方圖的變化率，可以得到目標模式的閃爍頻率[8]。觀察目標模式閃爍頻率所在的范圍，就可以很好地確定是否存在火災現象。實驗數據見表3。

表3 火災火焰及干擾模式的閃爍頻率統計

從表3可以看出，火災火焰的閃爍主頻段只出現在8～12 Hz之間。火焰的最大頻率不會隨著房間的形狀和尺寸而有大小的差異，環境變化對其影響不十分明顯。但距離較遠的火災火焰閃爍頻率不太明顯，同時不同燃燒物的閃爍頻率存在差異，實驗表明煤的火焰閃爍頻率比油的閃爍頻率低。因此，閃爍頻率作為一種判決依據是有用的，但不能作為唯一的判決條件。

通過以上分析，可以得出以下結論：單獨采用某一種火災火焰識別判決，由于背景環境的復雜多變，或存在相似形狀運動物等，其誤判率較高。

為了克服這個弊端，本文采用神經網絡和多特征加權融合算法對火災火焰進行最終判決。

3 神經網絡與加權融合算法結合判決

本文基于前述四種火災火焰識別判別特征，采用神經網絡與卡爾曼加權融合算法相結合進行火災火焰判斷，以消除單獨一種特征判決所產生的誤判率高，受干擾影響大等問題。

首先采集室內環境的火災火焰數據樣本，通過對樣本數據進行訓練獲得四種火災火焰特征的權值和閾值，進行歸一化處理獲得最終權值，然后利用卡爾曼融合算法獲得最終判決結果。

設滿足HIS顏色空間的取值范圍的個數為O1，CCD攝像頭的采集圖像相素為160×120，O1的取值空間為[0，19 200]；運動圖像的最大圓形度為O2，取值范圍為[0，1]；運動圖像的尖角數為O3，取值范圍為[0，100]；當前圖像幀的閃爍頻率為O4，因采樣周期為25幀/s，取值范圍為[0，25]。

取樣本數據是在實驗室環境下，火焰強度一般，為模擬火災環境，燃燒物為多個蠟燭和紙張，視頻判斷距離在4 m左右，背景環境為實驗室課桌等雜物；軟件環境為Pentium?2.13 GHz，1.92 GB DDR2的內存，Windows XP Professional，用Matlab編程。詳細采集數據如表4所示。

表4 200組實驗數據采集樣表

如表4，真實結果為M與N取同或，然后取各個特征與是否有火災火焰的真實結果兩組值，通過線性神經網絡和自適應閾值算法[8]獲得四種特征的閾值，再通過RBF神經網絡訓練后，獲得對應的歸一化后的K(i)特征隸屬度。

設O1的范圍為F1(a，19 200)，O2的閾值范圍為F2(b，1)， O3的閾值范圍為F3(c，100)，O4的閾值范圍為F4(d，e)。其中以閃爍頻率O4作為輸入，真實結果作為輸出，通過線性神經網絡訓練獲得其閾值，O1、O2和O3由Ostu自適應閾值算法[8]獲得，各自特征的實驗誤判率為e(i)，設：

其中，k(i)為特征隸屬度函數，y∈[0，1]為最終判決值，F(i)為對應特征的閾值范圍，即y越接近1，發生的可能性越大。為了確定y的取值，需要在F特征閾值和公式（3）的基礎上繼續進行，實驗次數為50，判決的結果如表5所示。

表5 不同火焰特征單獨判斷結果

通過表5可以計算輸入神經網絡的初始權值為（0.23 0.21 0.27 0.29），y的初始閾值取0.62，因火災火焰信號是一組非線性信號，采集大量實驗次數和準確率數據獲得權值基礎數據，通過RBF神經網絡的學習，得到最終權值(k1，k2，k3，k4)。本文隱含層的個數是預先設定的，采用四個隱含層符合要求，但火災火焰的特征樣本信息個數可以根據PCA（主成分分析）原理進行調整，如本文沒有采用火災火焰燃燒初期的面積增大和擴散特征，就因為它在最終判決中影響因子較少，同時對未來發現重要的火災火焰特征也可以進行擴展。RBF神經網絡由三層組成，結構如圖7所示。

圖7 徑向基神經網絡圖

因徑向基函數的重要特性是當輸入信號靠近基函數的中央范圍時，隱層節點將產生出較大的輸出，由此知RBF網絡具有局部逼近能力。本文選用最常用的高斯函數作為R(i)(x)的基函數。

其中，x是n維輸入向量；ci是第i個基函數的中心，與x具有相同維數的向量；σi是第i個感知的變量；m是感知單元的個數。

為檢驗本文算法的優越性，將傳統算法與本文算法比較，如表6所示。

表6 本文算法與其他相關算法比較

由于本實驗是在實驗室環境下進行測試和運行的，在其他環境下，具體閾值和參數需要重新進行樣本采集和神經網絡的學習，確定更合適多特征的權值和y閾值。

4 結論

本文在分析火焰靜態與動態特征的基礎上，基于實驗室的室內環境，應用了一種神經網絡和加權融合算法相結合的火焰識別算法。通過實驗表明，該算法具有處理速度快和較高的識別能力，進一步提高了火焰識別的準確性。但系統仍存在誤報，可以從以下幾方面改進：

（1）因在室內相對封閉的環境下，燃燒初期通常會產生大量煙霧信息，可以在系統中加入傳統感煙傳感器，有望進一步減少誤報率。

（2）本文獲取的特征信息還比較有限，未來若發現更重要的火災火焰特征信息，可適當引入進來。

（3）本文只是火災火焰視頻監控中的一部分，在實際的實施過程中需要根據環境進行調整。

參考文獻：

[1]Phillips W，Shah M，Lobo N V.Flame recognition in video[C]// Proceedings of the 5th IEEE Workshop on Applications of Computer Vision，2000.

[2]Chen T H，Yin Y H，Huang S F，et al.The smoke detection for early fire-alarming systembased on video processing[C]// Proceedings of the IEEE International Conference on Intelligent Information Hiding and Multimedia Signal Processing，2006.

[3]T?reyin B U，Dedeo?lu Y，Güdükbay U，et al.Computer vision based method for real-time fire and flame detection[J].Pattern Recognition Letters，2006，27（1）.

[4]王佳.基于數字圖像處理的火災火焰檢測算法研究[D].西安：西安工業大學，2008.

[5]曹哲.基于視頻圖像的火焰識別和背景干擾濾除算法[D].西安：西安電子科技大學，2009.

[6]Horng W，Peng J，Chen C.A new image-based real-time flame detection method using color analysis[C]//Proceedings of the IEEE Conference on Networking，Sensing and Control，2005：100-105.

[7]周軍盈，杜嘯曉.圖像識別技術在火災探測中的應用[J].消防科學與技術，2007（4）：417-420.

[8]張進華，莊健.一種基于視頻多特征融合的火焰識別算法[J].西安交通大學學報，2006，40（7）.

[9]吳錚，孫立.基于隱馬爾可夫模型的火焰檢測[J].計算機工程，2008，34（20）.

[10]陳娟.基于多特征融合的視頻火焰探測方法研究[D].合肥：中國科學技術大學，2009.

JIN Qilin,DUAN Suolin

School of Information Science and Engineering,Changzhou University,Changzhou,Jiangsu 213164,China

For the indoor environment as the application background，this paper designs the feature fusion flame detection algorithm with static and dynamic flame features，which gives the quick decision to the fire flame.Firstly，the paper makes the motion detection to the video image，extracts the color feature，and creates a new color criterion in HIS space，then gets round and peak number of fire flame area.Finally，it researches on the characteristics of the flame flicker，taking all these features as neural network input，and ultimately uses of weighted fusion algorithm to determine whether it is the fire flame.

motion detection;flame detection;threshold estimation;feature fusion

以室內環境為應用背景，結合火災火焰的靜態和動態特征，采用了一種神經網絡與加權融合的火災火焰識別算法，對室內火災火焰進行實時快速判決。對視頻圖像進行可疑運動檢測，再對顏色特征進行提取，在HIS顏色空間中建立新的顏色判據，然后獲取圓形度和尖峰數；研究了火焰頻閃特性，將這些特征信息作為神經網絡的輸入端，最終利用加權融合的算法，判定區域是否為火焰。

運動檢測；火焰識別；閾值分割；特征融合

A

TP391.41

10.3778/j.issn.1002-8331.1111-0038

JIN Qilin,DUAN Suolin.Research of fire detection algorithm based on neural network and weighted fusion.Computer Engineering and Applications,2013,49（13）：156-159.

常州市科技計劃項目（No.CJ20110023）。

靳琪琳，男，碩士生，主要研究方向為機器視覺和信息化；段鎖林，男，教授，碩士生導師。E-mail：jinqilin@126.com

2011-11-07

2012-02-02

1002-8331（2013）13-0156-04

CNKI出版日期：2012-04-25http://www.cnki.net/kcms/detail/11.2127.TP.20120425.1723.094.html