基于RBF神經網絡的煙氣圖像識別算法研究

韓柯柯　陳火炬　徐鐳

摘 要 根據發生火災時，煙氣有特定顏色、消光性、湍流特性等特征，提出了一種基于RBF神經網絡的火災圖像識別系統。通過訓練、測試這一識別系統，證明火災煙氣的顏色特征、圓形度、消光性、湍流特性等特征結合RBF神經網絡技術，應用于火災圖像識別，有良好的效果。

關鍵詞 RBF;煙氣;火災;圓形度;圖像識別

引言

感煙探測器、感溫探測器等傳統火災探測器的應用雖廣泛，但仍有一定的局限性，例如不適合安裝于大空間、露天環境中。圖像型火災探測技術在一定程度上可以填補傳統火災探測技術的遺漏之處。處于陰燃階段時，火災發展速度較慢，而在出現火焰之后，火勢的發展會急劇加速。所以，盡早地檢測到火災煙氣，可以為滅火救援工作爭取大量時間，這使得對陰燃階段產生的煙氣進行探測十分必要。

1煙氣區域顏色分割

1.1 煙氣顏色特征及提取算法

為了保證火災探測的實時性，需要先對樣本圖像進行預處理，去除掉大部分不相干的背景干擾，僅保留疑似煙氣區域，以實現樣本的加速處理。基于火災煙氣的顏色特性，綜合利用RGB顏色空間和HSV顏色空間對煙氣進行顏色檢測，再利用基準點聚類的方法，能夠分割出疑似煙氣區域。

火災的煙氣呈淺灰色或深灰色[1]，在RGB顏色空間中體現為，其紅色（R）、綠色（G）、藍色（B）三個分量在數值上近似相等[2]。設置參數α，計算式如公式（1）。

（1）

該參數表示R、G、B三值近似程度。對于R、G、B三個分量數值相近的煙氣像素，其α取值范圍近似為0～20，亦即α∈[0，20]。

Ham[3]等學者發現，在HSV顏色空間中，煙氣區域的飽和度（S）和明度（V）有固定的分布，而色調（H）則不定。其中，煙氣飽和度明顯偏低，在歸一化的HSV顏色空間之內，其S<0.08。早期的煙氣多呈現灰白色，歸一化之后其值普遍大于V>0.60。

根據煙氣顏色的特性和HSV顏色距離，將像素點按顏色相近與否分類，篩選出疑似煙氣的圖像區域。采用的算法流程如下：

逐個檢查像素點X的顏色參數V、S、H和α值。保留S<0.08且V>0.60的點。保留點滿足α∈[0，20]即作為基準點A。

取下一個像素點B明度、飽和度和色調的值，分別記作v、s和h。

計算AB兩點之間的顏色空間距離，計算方法如式（2）：

（2）

其中V1=（V-v）2，V2=S×cosH-s×cosh×（S×cosH-s×cosh），V3=S×cosH-s×sinh×（S×sinH-s×sinh）。

保留空間距離D小于或等于0.2的點。

重復步驟1）至步驟4），得到經過初步顏色檢測的疑似煙氣圖像。

2特征值提取

2.1 圓形度特征提取

樣本圖像在經過煙氣顏色檢測后，得到疑似煙氣區域，對該區域進行二值化、腐蝕細化等圖像處理工作，獲取疑似煙氣區域的面積、周長等信息，進而計算得到疑似煙氣區域的圓形度e的值。圓形度是反映圖形復雜程度的特征量，計算公式為：

（3）

其中，e為圓形度，A為圖形面積，C為圖形周長。

煙氣圖像的圓形度大小呈現無規律的變化，但e都大于5;而水蒸氣、青灰色干擾物體e值小于等于3。因此，將e值作為特征值之一。

2.2 煙氣消光性及湍流特性特征提取

在火災初期，煙氣量少而呈現半透明狀態，隨著火勢的增大，煙氣濃度逐漸提高，煙氣的主干區域會變得不透明，通過比對煙氣出現前后的圖像顏色變化來判斷是否發生火災[4]。如式4所示：

（4）

其中I（i，j）、BG（i，j）、S分別表示圖像（i，j）處的顏色值、背景模型值和煙氣參考顏色值。

將受到煙氣影響的圖像區域劃分為若干個矩形單元格，由于煙氣具有湍流特性，每一個單元格因受到煙氣消光性影響后光學參數紊亂變化[5]。但是眾多單元格的增減方向并不一致，而是此消彼長的，且煙氣逸出觀測區域的同時，煙氣也在生成，使得在宏觀上，整體的平均光學參數在相鄰幀不會有明顯變化。

在獲得疑似煙氣區域的基礎上，取疑似區域最小外接矩形，設置特征值γ1和γ2以表示相鄰時段這種宏觀與微觀的差異，其計算式如式5、式6：

（5）

（6）

3RBF人工神經網絡設計、訓練與測試

3.1 RBF人工神經網絡

利用RBF神經網絡，依據特征值e、γ1和γ2判斷是否發生了火災。RBF神經網絡只有三層網絡結構，具有結構自適應確定、輸出與初始權值無關的優良特性。

研究所使用的RBF網絡的輸入層、隱含層、輸出層的神經元數分別為3、7、1。

3.2 人工神經網絡訓練與測試

用于RBF人工神經網絡的訓練與測試的正負樣本，來源于江西財經大學袁非牛實驗室、韓國啟明大學實驗室以及土耳其比爾肯大學實驗室。樣本庫中包含訓練用正樣本圖片2201張、負樣本圖片8511張，測試用正負視頻樣本各9段。

判定程序對正負各9段，共計18段視頻進行驗證，樣本的判定結果如表1，準確率達到94.4%。

4結束語

將煙氣顏色特征提取出疑似煙氣圖像區域，分析煙氣干擾圖像的特征，以圓形度、消光性及湍流特性等多種特征值作為火災識別判據，為火災探測提供了新的手段。實驗測試結果表明，該方法對火災煙氣圖像的識別準確率為94.4%，達到了預期目的[6]。但同時也應注意到，在樣本較少的情況下仍出現了一定量的誤判問題。下一步工作應是盡量補充多種類型的訓練樣本，以充分涵蓋不同場景下的火災情形，同時，進一步完善判定程序。

參考文獻

[1] Chen T H ， Yin Y H ， Huang S F ， et al. The Smoke Detection for Early Fire-Alarming System Base on Video Processing[C]// International Conference on Intelligent Information Hiding & Multimedia Signal Processing. IEEE，2006.

[2] 李寶儒，孫鳳杰，范杰清. 基于煙氣圖像識別的火災探測方法：第四屆圖像圖形與應用學術會議 [C].中國：北京，2009.

[3] Ham S J，Ko B C，Nam J Y. Vision based forest smoke detection using analyzing of temporal patterns of smoke and their probability models[J]. Proceedings of SPIE - The International Society for Optical Engineering，2011（7877）：78770..

[4] Calderara S，Piccinini P，Cucchiara R. Vision based smoke detection system using image energy and color information[J]. Machine Vision and Applications，2011，22（4）：705-719.

[5] 黎粵華，單磊，田仲富，等. 基于多特征融合的視頻煙霧檢測[J]. 計算機技術與發展， 2016（1）：129-133.

[6] 趙望達，李衛高，熊涵予，等.一種新型BP神經網絡模型在火災探測信息處理中的應用[J]. 鐵道科學與工程學報，2015（5）：1212-1218.