基于證據理論和神經網絡的煙霧圖像檢測

周鳳

摘 要： 煙霧圖像檢測對于預防火災具有重要的研究意義，煙霧受到空氣和自身擴散的作用，變化過程十分復雜，導致傳統方法的檢測效果差，為了解決該難題，提出證據理論和神經網絡的煙霧圖像檢測方法。研究了當前煙霧圖像檢測狀態，找到引起當前方法檢測效果差的原因，提取煙霧圖像特征，并采用神經網絡得到煙霧圖像檢測結果，最后根據證據理論對神經網絡的煙霧圖像檢測結果進行融合，并通過煙霧圖像檢測實驗進行可行性驗證，該方法煙霧圖像檢測正確率超過95%，獲得了令人滿意的煙霧圖像檢測結果。

關鍵詞： 煙霧圖像； 煙霧檢測； 證據理論； 火災報警； 神經網絡

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）07?0055?04

Smoke image detection based on evidence theory and neural network

ZHOU Feng

（Suihua University， Suihua 152061， China）

Abstract： The smoke image detection has great research significance to prevent fire disaster. The smoke influenced by the air and its diffusion has a complicated variation process， so the traditional method has poor detection effect. In order to solve the problem， the smoke image detection method based on evidence theory and neural network is put forward. The detection status of the current smoke image is studied to find out the reason causing poor detection effect of the current method. And then the smoke image feature is extracted. The neural network is used to obtain the smoke image detection results. The smoke image detection results produced by the neural network are fused according to the evidence theory. The feasibility of the method was verified with smoke image detection experiment. The image detection accuracy of the method can reach up to more than 95%， and the method has achieved a satisfied smoke image detection result.

Keywords： smoke image； smoke detection； evidence theory； fire alarm； neural network

0 引 言

火災威脅著人們的生命和財產安全，為盡早發現火災，采取相應的防范措施，可以通過對火災進行檢測，減少火災帶來的經濟損失[1?2]。當前火災檢測的方法眾多，有的采用感光傳感器、感溫傳感器等進行，但是這些傳感器如何部署至關重要，再加上傳感器自身檢測精度不足，它們的實際應用范圍有限。根據火災煙霧圖像對火災發生態勢進行檢測，成本低、檢測效果好，已經成為當前火災檢測的一個重要研究方向[2?5]。

傳統煙霧檢測方法主要基于光度法實現，該方法有一個致命的缺陷，即只有當煙霧濃度達到一定程度時才能檢測到火災的發生[6]。近年來，有學者提出采用火災發生視頻圖像進行火災檢測，通過提取火災圖像的顏色、運動信息等實現火災狀態的識別，取得了不錯的火災檢測效果[7?8]。顏色屬于靜態特征，而運動信息屬于動態特征，它們有自己的優勢，而且它們的劣勢也十分明顯，因此單一的靜態特征或者動態特征均難以對火災進行準確檢測，檢測結果的可信度低[9]。一些研究人員發現靜態特征和動態特征可以實現優勢互補，建立了基于混合特征的煙霧檢測方法，比單一靜態特征或者動態特征的檢測結果更優，但如何將靜態特征和動態特征的檢測結果進行融合，當前研究人員都是憑自己的經驗進行，檢測結果的可解釋性差[10?11]。證據理論可以對各種結果進行有效融合，并且能夠對融合結果進行說明和分析，可解釋性好，為此被一些研究人員用于火災的檢測中[12]。火災煙霧圖像檢測實際就是一種火災煙霧狀態識別問題，即對火災所處的狀態進行分析和識別，當前有學者采用支持向量機建立火災煙霧圖像檢測的識別模型，但學習速度很慢，火災煙霧圖像檢測實時性差，而火災檢測對實時性要求高，影響火災檢測的實際應用價值[9]。

為了解決當前火災煙霧圖像檢測效果差的難題，提出證據理論和神經網絡的煙霧圖像檢測方法。分別提取火災煙霧圖像的靜態特征和動態特征，并采用神經網絡根據靜態特征和動態特征進行煙霧圖像檢測，采用證據理論對靜態特征和動態特征的檢測結果進行融合，得到煙霧圖像檢測結果。實驗結果表明，本文方法不但可以提高煙霧圖像檢測的正確率，而且火災檢測的實時性好，在火災檢測中具有廣泛的應用前景。

1 證據理論和神經網絡

1.1 證據理論

針對問題的不確性和不完備性，Dempster提出了證據理論，根據識別框架和信任分配函數構建一種信任關系，然后通過信任函數和似然函數確定置信區間。設第[i]個信息源的先驗信息為[PpLi≤pi≤pHi=Ci，]那么置信度[Ci]表示命題[pLi≤pi≤pHi]成立的打賭概率，證據理論的工作步驟為：

（1） 根據最小擔保原則建立基本信任分配函數[mi，]并可以得到：

[BetPA=B∈ΘmBA?BB， ?A∈Θ] （1）

基本分配函數的求解方程定義如下：

[pH-pL1-0×mi0，1+mipL，pH=CimipL，pH+mi0，1=1] （2）

解得：

[mipH，pL=1-1-Ci1-pH+pLmi0，1=1-Ci1-pH+pL] （3）

第[i]個信息源可信度為[ωi，]那么修正后的[mi]為：

[m′ipH，pL=ωi×mipH，pLm′i0，1=ωi×mi0，1+1-ωi] （4）

（2） [Ai]為第[i]個信息源支持的命題，當有[n]個命題，根據Dempster合成規則估計基本信任分配函數[m（A），]計算公式為：

[mA=?Ai=A 1≤i≤nm′iAi1-K，A≠?0，A=?] （5）

[K=?Ai=Θ 1≤i≤nm′iAi] （6）

（3） 令集合[P=PH1，PL1，PH2，PL2，…，PHi，PLi，]元素排序后集合為[P=P1，P2，…，P2n，]依據Pignistic轉換獲得打賭概率為：

[BetPi0≤P≤x=BetPi-1x=Pi-1+Aj?Pi-1，Pi≠?mAjx-Pi-1PHj-PLj] （7）

式中[x∈Pi-1，Pi]。

根據概率密度函數[fx=dBetPdx]統計先驗信息的均值[μ]和方差[ν]分別為：

[μ=01xfxdxν=01x-μ2fxdx] （8）

1.2 神經網絡

BP神經網絡具有強大的非線性處理能力，而且并行的運行效率高，魯棒性和通用性強，可以通過誤差反向傳播提高問題求解的精度，基本結構如圖1所示。

BP神經網絡的輸入和輸出向量分別為[x=（x1，x2，…，xn）T]和[y=（y1，y2，…，ym）T，][x∈Rn，]隱層有[h]個節點，隱層和輸入層、輸出層間的權值分別為[w，][v，]則輸出層的結果為：

[x′j=fi=1nwijxi-θj，j=1，2，…，h-1，hyk=fj=1hvjkx′j-θ′k，k=1，2，…，m-1，m] （9）

式中[f（?）]為Sigmoid函數。

2 證據理論和神經網絡的煙霧圖像檢測

2.1 煙霧可疑區域檢測

（1） 火災煙霧兩行的亮點數為[f（n）]和[f（n-1），]若[x=f（n-1）f（n）>1，]說明不是可疑區域，否則為可疑區域[S1，]計算公式為：

[S1=fire flame， disturbance， x≤1 x>1] （10）

（2） 從火災煙霧圖像背景區域得到可疑區域[S2：]

[T=A-A?b] （11）

[S2=Th（A）&Th（T）] （12）

式中Th為二值化操作。

（3） 對圖像實現顏色空間轉換，得到可疑煙霧[S3]。

（4） 綜合[S1，S2，S3]能夠得到整個煙霧可疑區域[S，]具體如下：

[S=S1&S2&S3] （13）

2.2 提取特征

火災與時間長短成正相關關系，煙霧的面積同樣也呈正相關，采用煙霧面積增長率[G（t，t0）]作為靜態特征，[G（t，t0）]具體如下：

[G（t，t0）=size（T）t-size（T）t0t-t0] （14）

式中：[size（T）t]和[size（T）t0]為第[t，t0]幀的煙霧面積。

根據光流方向將可疑區域劃分為4個部分：

[I1： π4≤θj≤3π4I2： -3π4<θj<-π4I3： 3π4<θj≤π?-π<θj≤-3π4I4： -π4≤θj<π4] （15）

將煙霧運動方向作為動態特征，即有[Fi=（Ui，Di，][Li，Ri），]具體為：

[Ui=ku∈I1kuk∈Cik，Di=kd∈I2kdk∈CikLi=kl∈I3klk∈Cik，Ri=kr∈I4krk∈Cik] （16）

式中：[ku，kd，kl，kr]為[S]在[I1，I2，I3，I4]方向上的點。

2.3 煙霧圖像檢測的過程

（1） 檢測煙霧圖像的可疑區，并得到靜態特征和動態特征。

（2） 采用神經網絡分別對靜態特征和動態特征進行檢測，統計它們的檢測正確率。

（3） 根據檢測正確率構造基本信任函數值。

（4） 根據基本信任函數進行結果判決，得到火災煙霧圖像的檢測結果。

證據理論和神經網絡的煙霧圖像檢測流程如圖2所示。

3 結果與分析

為了分析本文方法的煙霧圖像檢測性能，進行了大量的模擬火災點火實驗，得到100幅圖像，對煙霧圖像進行檢測，結果如圖3所示，在Matlab 2014平臺上實現仿真實驗。

選擇動態特征+神經網絡，靜態特征+神經網絡、文獻[10]、文獻[11]的檢測方法進行對照實驗，統計它們的實驗結果，火災煙霧圖像檢測率和誤檢率如圖4和圖5所示。

從圖4可知，動態特征和靜態特征的火災檢測正確率低，使得火災煙霧圖像檢測結果不可信；從圖5可以發現，動態特征和靜態特征的火災誤檢率高，這是因為它們不能全面、準確地描述火災煙霧變化趨勢。

相對于文獻[10]以及文獻[12]的火災煙霧圖像檢測方法，本文方法的火災煙霧圖像檢測結果更可靠，同時從表1的平均檢測時間可以發現，本文方法的檢測時間也要小于文獻[10]以及文獻[12]，提高了火災煙霧圖像檢測的實時性，而動態特征和靜態特征的火災煙霧圖像檢測時間雖然很短，但是檢測結果差，不能滿足火災防范的要求。

4 結 語

煙霧圖像檢測結果有利于火災的預防，在火災發生過程中，煙霧外界的作用變化復雜，傳統方法無法獲得滿意的檢測結果，為解決傳統煙霧圖像檢測過程中存在的一些不足，提出證據理論和神經網絡的煙霧圖像檢測方法。首先分別提取反映煙霧變化的特征，然后采用神經網絡對每個特征進行煙霧圖像檢測，并采用證據理論對單一特征的煙霧圖像檢測結果進行融合，在Matlab 2014平臺上的實驗結果表明，本文方法比當前煙霧圖像檢測方法的檢測效果要優，具有較強的通用性，能夠應用于實際的煙霧環境檢測中。

參考文獻

[1] 常太華，蘇杰，田亮.一種基于DSP實現火焰檢測的方法[J].華北電力大學學報，2002，29（4）：48?50.

[2] 王磊，童子權.基于圖像處理技術的火焰檢測算法研究[J].電子測量技術，2010（4）：52?55.

[3] 練秋生，李黨.融合多種特征的煙霧圖像檢測算法[J].光學技術，2009，35（4）：523?528.

[4] 楊猛，趙春暉，潘泉，等.基于小波分析的煙霧多特征融合和空間精度補償森林火情檢測算法[J].中國圖象圖形學報，2009，14（4）：694?700.

[5] 文方，陳慕君，劉佳.基于模糊神經網絡的火災報警系統[J].機械制造與自動化，2009，38（6）：93?94.

[6] 袁非牛，張永明，劉士興，等.基于累積量和主運動方向的視頻煙霧檢測方法[J].中國圖象圖形學報，2008，13（4）：808?813.

[7] 王瑩，李文輝.基于多特征融合的高精度視頻火焰檢測算法[J].吉林大學學報（工學版），2010，21（3）：769?775.

[8] 許宏科，房建武，文常保.基于亮度與火焰區域邊緣顏色分布的火焰檢測[J].計算機應用研究，2010，27（9）：100?103.

[9] 吳愛國，杜春燕，李明.基于混合高斯模型與小波變換的火災煙霧探測[J].儀器儀表學報，2008，29（8）：1622?1626.

[10] 鄭璐，陳俊.基于運動和顏色的視頻煙霧檢測算法[J].計算機工程與設計，2010，31（21）：4650?4653.

[11] 夏文德，練秋生.基于視頻處理的煙霧檢測快速算法[J].電子技術，2007，34（11）：135?138.

[12] 曾鳴，馮義，劉達.基于證據理論的多模型組合電價預測[J].中國電機工程學報，2008，28（6）：84?89.