基于图像处理及BP神经网络的火灾识别方法

张宇峰



基于图像处理及BP神经网络的火灾识别方法

张宇峰*

（安徽理工大学 电气与信息工程学院，安徽淮南，232001）

火灾是影响公众安全和社会发展的主要灾害之一，为了减小危害，需要准确的识别火灾的发生。本文利用图像处理技术，对火灾图像进行预处理：包括降噪、灰度化以及二值化，提取预处理后图像中的特征值：圆形度、形体变化率和角点数。然后使用图像样本对BP神经网络进行训练，最后将训练得到的BP神经网络用于火灾图像识别。我们设置火灾和蜡烛火焰两个实验场景，对图像样本进行分析，能够正确的区分火灾图像和蜡烛图像。实验表明：此方法对于火灾的准确识别具有重要意义。

火灾；图像处理；BP神经网络

引言

火灾一直是我们日常生活和生产中的一大隐患，其破坏力强，一旦发生很容易造成极大的人员伤亡和财产损失，所以火灾的及时准别的识别就变得及其重要。近年来，图像型火灾探测技术的发展越来越快，国内外许多学者都做了大量研究。但是这些研究大都集中在图像的处理以及特征提取上，算法的整体适应性较差。本文提出了一种图像处理技术结合BP神经网络的方法用于火灾识别，能够准确的识别火灾的发生，对于火灾的准确识别有着重要意义。

1 图像处理

1.1 图像降噪

监控得到的图像受到外部环境干扰，图像中会出现噪声。图像中的噪声对于图像特征提取过程的干扰非常大，所以我们需要对含有噪声的图像进行降噪处理。本文采用中值滤波[1]对图像进行滤波处理，中值滤波是一种非线性的滤波方法，与其他线性滤波器相比，不仅能够滤除脉冲噪声，还可以很好的保护图像的边缘信息。

1.2 图像灰度化和二值化

图像的灰度化[2-3]是指将彩色的图像转化为灰度图像的过程。彩色图像分为三个颜色分量R、G、B，取值为0-255，其一个像素点的范围为0到1600多万。而灰度图像的三个分量相同，其像素点的变化范围只有255种，因此将彩色图像转化为灰度图像可以极大的减少后续处理过程的计算量。我们采用加权平均运算来进行图像的灰度化处理。

二值化[4]可以得到黑白分明的图像，从而滤除图像中的无用信息，保留我们需要的特征信息，从而减少特征提取过程中的工作量。本文使用OTSU算法结合Canny算子对图像进行二值化处理。

1.3 特征提取[5]

根据火灾的特点，我们提取以下图像特征作为火灾的判别依据：

（1）圆形度。圆形度是基于图像的面积和周长来计算的图像形状复杂程度的特征量。圆形度在0-1之间，越接近于1，图像的形状越接近于圆形；圆形度越小，形状越不规则。

（2）形体变化率。在火灾中，火焰的形体变化比较大，而干扰源的形体变化较小。所以形体变化率可以作为是否发生火灾的一个判定依据。我们通过相邻两桢图像的面积之比来表示形体的变化率。

（3）角点对应物体的拐角，火灾图像中的尖角数比较大，而蜡烛火焰图像尖角数较小。我们利用FAST角点算法计算角点。

2 BP神经网络

BP神经网络[6]是一种前馈网络，它的应用范围是神经网络中最为广泛的，例如模式识别，数据压缩以及挖掘等领域。

BP神经网络在使用之前需要进行训练[7]，训练步骤如下：第一步，网络初始化；第二步，随机选取第k个输入样本和其对应的期望输出；第三步，计算单隐层的各个神经元的输入以及输出；第四步，根据神经网络的实际输出和期望输出，计算误差函数对输出层各个神经元的偏导数；第五步，计算误差函数对单隐层各个神经元的偏导数；第六步，修正连接权值；第七步，计算全局误差；最后，判断训练后的网络误差是否符合要求，如果误差较小或者学习次数超出预定次数则停止训练，否则进行下一轮训练。

3 识别实验

3.1 BP神经网络设计

3.2 实验结果分析

通过500幅图像样本对BP神经网络进行训练，包括400幅火灾图像和100幅干扰图像，使用训练后的神经网络对疑似火灾图像进行识别。我们设置5组实验，两个实验场景：包括四组火灾图像和一组蜡烛火焰图像（干扰图像），得到的实验结果如表1。1-4组是火灾图像，第5组是干扰图像，BP网络的识别结果和实际结果相符，识别全部正确。

表1 BP神经网络实验结果

Table.1 Experimental results of BP neural network

4 结束语

本文利用图像处理技术结合BP神经网络对火灾图像进行分析识别，结合了两者的优点，算法具有很好的稳定性。此算法能够准确的识别火灾图像，对于火灾的正确识别具有重要的意义。

[1] 张旭明, 徐滨士, 董世运. 用于图像处理的自适应中值滤波[J]. 计算机辅助设计与图形学学报, 2005, (02): 295-299.

[2] 周金和, 彭福堂. 一种有选择的图像灰度化方法[J]. 计算机工程, 2006, (20): 198-200.

[3] 刘春晓, 朱臻阳, 伍敏, 等. 基于主色检测与灰度传播的彩色图像灰度化方法[J]. 计算机辅助设计与图形学学报, 2016, 28(03): 433-442.

[4] 陈强, 朱立新, 夏德深. 结合Canny算子的图像二值化[J]. 计算机辅助设计与图形学学报, 2005, (06): 1302-1306.

[5] 沐小会, 陈嘉卿, 宋英磊. 火焰特征提取研究在火灾探测中的运用[J]. 电子设计工程, 2016, 24(21): 188-190.

[6] 段锁林, 顾川林. 基于BP神经网络视频火灾火焰检测方法[J]. 常州大学学报(自然科学版), 2017, 29(02): 65-70.

[7] 陈明忠. BP神经网络训练算法的分析与比较[J]. 科技广场, 2010, (03): 24-27.

Fire Identification Method Based on Image Processing and BP Neural Network

ZHANG Yufeng*

(College of Electrical and Information Engineering, Anhui University of Science & Technology, Anhui Huainan, 232001, China)

Fire is one of the major disasters affecting public safety and social development. In order to reduce the harm, it is necessary to accurately identify the occurrence of a fire. In this paper, image processing technology is used to pre-process fire images: including noise reduction, grayscale and binarization. The eigenvalues in the preprocessed images are extracted: circularity, rate of change of body shape and number of corners. Then the image samples are used to train the BP neural network. Finally, the trained BP neural network is used for the fire image recognition. We set fire and candle flame two experimental scenes, the analysis of image samples, the right to distinguish between fire images and candle images. Experiments show that this method is of great significance for the accurate identification of fire.

Fire; image processing; BP neural network

10.19551/j.cnki.issn1672-9129.2017.08.010

X703

A

1672-9129(2017)08-0022-02

张宇峰. 基于图像处理及BP神经网络的火灾识别方法[J]. 数码设计, 2017, 6(8): 22-23.

ZHANG Yufeng. Fire Identification Method Based on Image Processing and BP Neural Network[J]. Peak Data Science, 2017, 6(8): 22-23.

2017-03-16；

2017-04-11。

张宇峰（1992-），男，安徽淮南，硕士研究生，研究方向：图像处理、机器学习。E-mail:yfzhang2075@163.com