面向圖像視覺特征的火災自動識別研究

王金鵬

摘? 要：火災是社會發展重要災害之一，會對民眾生命、財產安全形成較大威脅。為提升火災自動檢測水平，實現智能化火災識別模式，業界開始加大對視頻監控檢測的研究力度。在此環境中，以視頻圖像視覺特征為基礎的火災自動識別技術開始成為業界關注的重點。通過對圖像視覺特征的介紹，對基于圖像視覺特征的火災自動識別模式展開論述，旨在提高圖像視覺特征的應用水平，保證火災防控工作開展質量。

關鍵詞：BP神經網絡? 火災自動識別? 識別技術? 圖像視覺特征

中圖分類號：X913.4? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1672-3791（2019）03（a）-0010-02

以往火災檢測技術，多是以傳感器應用為主。雖然利用傳感器設備，可對火災中光、溫度以及煙霧等特征展開有效感知，可通過對相應物理量參數進行收集的方式，做出預警，但此種方式卻很容易會受到周邊各項因素的影響，很容易會出現錯誤識別的狀況。為改善這一問題，提高火災識別精度與準確度，研究人員開始將圖像視覺特征提取運用到了火災自動識別之中。為對該種識別技術展開深層次研究，研究人員首先應對圖像視覺特征相關內容展開分析。

1? 圖像視覺特征

1.1 圖像小波特征及提取

1.1.1 特征

小波變換時頻域局部特征較為突出，其會通過對一組多尺度帶通濾波器的運用，展開信號濾波以及分解處理，從而在不同頻帶中高質量完成分析處理任務。此特征與多通道濾波模型理論相符，同時因為小波濾波器帶寬在對數尺度環境中，屬于相同狀態，和人類視覺通道按對數特性變換相同，小波包分析可以實現對信號的有效分析，能夠按照層次做好頻帶劃分，能夠對多分辨率分析未完成處理的高頻部分展開進一步分解的目標，可按照被分析特征內容，篩選出最為適合的頻帶，以保證頻帶和信號頻譜的匹配程度，進而將時-頻分辨率提升到最佳。

1.1.2 特征提取

運用小波包分解方式實施圖像特征提取原理主要分為以下幾個步驟：（1）對數字化RGB圖像S實施R、G、B分解，獲得相應的3幅圖像，并利用兩層小波包分解手段，對每一幅圖像實施處理，提取出相應信號特征;（2）重構小波包分解系數，做好頻帶范圍信號提取;（3）按照上兩步驟結果，展開頻帶信號總能量計算;（4）因為各圖像頻帶中信號能量存在一定差異，所以可將能量作為元素，展開特征向量構建，進而按照小波特征向量以及顏色特征向量，獲得圖像特征向量。

1.2 顏色特征及提取

作為全局特征中的一種，顏色特征能夠地區域或圖像表面性質展開客觀描述。由于顏色特征對本區域大小以及方向等性質變換敏感度較差，所以該特征在區域局部特征獲取方面，很難達到理想水平。同時，因為顏色特征是針對所有像素的，所以數據量越大，所需進行計算的量也會更大。

一般認為，直方圖是最為常用的顏色特征表示手段，其具有不容易受圖像旋轉以及平移等因素干擾的優勢，在經過歸一化處理后，圖像尺度變化也不會對其產生影響。但其同樣也存在缺點，即無法對顏色空間分布信息進行表述。在進行特征提取時，主要會對顏色相關圖、顏色直方圖以及顏色集等內容展開提取，具體提取選項，主要是按照火災識別實際需要決定的。

通過大量實踐發現，對火焰顏色形成影響的因素相對較多。從火焰本身情況來看，一方面，燃燒介質不同，所產生的火焰顏色也會出現一定偏差，像煤炭、紙張以及蠟燭等燃燒火焰顏色主要以黃色為主，廚房用天然氣火焰顏色以淡藍色為主等，同時燃燒介質內摻入不同發揮性化合物或金屬時，也會出現艷色反應，會呈現出相應顏色;另一方面，火焰各位置顏色存在差異，即便是同一束火焰，也會呈現出不同的顏色，像酒精燈外部火焰多為黃色，而內部火焰多為藍色。通過對大量火災圖像的分析可以發現，人類在利用肉眼對圖像進行辨識時，主要是按照圖像顏色對火災事故發生情況進行判斷的。在按照顏色無法對具體情況進行判斷時，會依照圖像紋理展開進一步識別，對圖像形狀以及其他元素的運用概率相對較低。經過大量實驗表明，通過對圖像顏色直方圖、RGB三分量差值直方圖、階距實施圖像特征向量提取的方式，可在神經網絡有效輔助下，精準判斷出火災事故。

2? 基于BP神經網絡的火災自動識別模式

在完成圖像特征提取后，便需要通過對相應手段的運用，對火災展開自動識別。在此將以BP神經網絡結構為例，對以圖像視覺特征為基礎的火災自動識別模式展開深入解讀。

神經網絡是構建非線性映射的有效手段，通過對此種手段的運用，能夠實現對每幅圖像的特征提取，且可將提取結果以k維特征向量M（k）形式呈現出來。而用于訓練的圖像，是通過人為手段給出輸出結果Y（i）的。如果一幅圖像中存在明火，則Y由（100）進行表示;如果存在煙，由（010）表示;不存在煙，由（001）表示。通過長期訓練，網絡權值會對火災與圖像特征之間關系產生深刻記憶。

如圖1所示，BP神經網絡結構主要由隱含層、輸入層以及輸出層三部分所組成。整體結構包括3個權重集合以及3個傳遞函數集合。在輸入層中，連接權重為W1，傳遞函數集合為b1;隱含層與輸入層間連接權為W2，傳遞函數集合為b2;最后兩層之間連接權為W3，函數幾何為b3。在此結構中，輸入向量為{M（k）}，輸出層結果為{Yi}，{=}，...，3。

為對火災自動識別方式展開更加深入的研究，技術人員選擇了500幅煙、明火以及其他圖片，展開了相應網絡訓練。

3? 網絡訓練試驗分析

技術人員運用C++Builder6編制手段，對400幅非火災圖像以及600幅火災圖像進行了收集，并從中挑出500幅圖像，按照上文所述，對圖像展開了相應訓練與測試。按照測試結果，利用BP神經網絡對經過訓練的500幅圖像實施識別的正確率可以達到98%以上，對未經過訓練的圖像實施識別，整體正確率有所下降，在95%左右。因此可以得出結論，以BP神經網絡為基礎的圖像視覺特征火災自動識別模式，可達到良好的火災識別效果，能夠為火災撲救以及防控工作實施提供可靠支持，值得展開進一步研究與應用。

4? 結語

鑒于火災對于社會發展所形成的重要危害，有關部門應進一步加強對火災識別技術的研究力度。要在對圖像視覺特征展開綜合分析的基礎上，按照BP神經網絡結構特征，構建起完善的圖像視覺特征火災識別系統，以通過對圖像視覺特征進行提取的方式，精準完成火災識別與分析，進而為后續工作開展提供有效輔助。由于時間限制，該文所介紹火災自動識別技術并不全面，只期望能夠為圖像視覺特征在火災自動識別中的應用提供一些理論支持。

參考文獻

[1] 夏海蛟，譚毅華.一種面向識別的無監督特征學習算法[J].計算機工程與科學，2018，40（6）：1103-1110.

[2] 李世林，李生好，賀曉輝.基于計算機視覺的火災識別方法研究[J].甘肅科技，2017（4）：58-59.