基於BP神經網絡的視頻圖像火災火焰檢測方法與流程
2023-06-13 16:42:56
本發明涉及一種檢測方法，尤其是一種基於bp神經網絡的視頻圖像火災火焰檢測方法，屬於火災火焰檢測的技術領域。
背景技術：
早期，人們使用各種電子探測器，採集數據，判斷火災是否發生。然而因其信息單一，且極容易受到環境溫度、溼度、腐蝕性等的影響，容易發生誤檢、漏檢等情況，其可靠性、靈敏度、可持續性等皆有待提高。火災蔓延速度極快，傳統的火災探測系統完全不能滿足火災預防要求。隨著計算機視覺技術的發展，火災圖像識別技術受到了人們的高度關注與研究。火災圖像技術針對性地克服了傳統火災檢測系統的主要弱點，結合高度發展的圖像採集卡與計算機處理能力，使得可視化火災檢測技術能結合火焰的大量動靜態特徵，極大的加強了火災識別的可靠性、實時性，對火災檢測預防具有重要的突破。
馬宗方等提出了基於支持向量機的圖像型火災探測算法。向量機因其內部嚴格的數學模型，使其在一定情況下具有計算量小，精度高的特點。然而目前相應的數學模型並不能精確地描述火焰燃燒時的運動特徵。
但現有的視頻火災火焰識別技術仍然存在如下不足：1、數學模型複雜，計算量大；2、火焰識別的準確度不高。
技術實現要素：
本發明的目的是克服現有技術中存在的不足，提供一種基於bp神經網絡的視頻火災火焰檢測方法，其能提升火焰識別的速度且能有效實現會火焰的檢測，檢測精度高。
按照本發明提供的技術方案，一種基於bp神經網絡的視頻圖像火災火焰檢測方法，所述火災火焰檢測方法包括如下步驟：
步驟1、提供待檢測的視頻圖像，並提取視頻圖像中的火焰圖像區域；
步驟2、對提取的火焰圖像區域，進行火焰特徵提取，所述提取的火焰特徵包括面積增長率、圓形度以及火焰尖角；
步驟3、將上述提取的面積增長率、圓形度以及火焰尖角作為蟻群神經網絡的輸入，並利用蟻群神經網絡判斷火焰的概率。
步驟1中，採用背景建模法以及混合高斯模型提取視頻圖像中的火焰區域。
本發明的優點：通過混合高斯模型的背景建模分割火焰圖像，分析火焰的顏色和面積增長率、圓形度、火焰尖角等幾何特徵，在背景光線變化等幹擾環境中能有效識別火焰。與傳統火焰檢測方法相比確保檢測正確率的同時，降低了誤檢率。
附圖說明
圖1為本發明的流程圖。
具體實施方式
下面結合具體附圖和實施例對本發明作進一步說明。
如圖1所示：為了能提升火焰識別的速度且能有效實現會火焰的檢測，本發明的火災火焰檢測方法包括如下步驟：
步驟1、提供待檢測的視頻圖像，並提取視頻圖像中的火焰圖像區域；
具體實施時，在攝像機所拍攝的視頻序列中，相較於背景中靜態的物體，火焰燃燒具有明顯的運動特性。對於運動目標的檢測有許多方法，本發明採用背景建模法，並使用混合高斯模型，在各種光照情況的擾動下均有不錯的區分度。
在攝像頭拍攝的視頻圖像的rgb顏色空間中，x表示單一像素(pixel)點值，則概率密度函數可以用k個高斯函數描述：
其中：k是分布數，令k＝3；第k個分布的均值矩陣、協方差矩陣和權重係數依次是uk、σk和ωk。xn為樣本n取值為自然數
隨機選取一組在不同時刻不同光照幹擾下的圖像序列，組成一個實驗圖像向量f＝{f1,f2,…,fn}，採用最大期望方法初始化樣本序列的分布參數，然後重複迭代直到收斂得到每個像素的分布參數θ＝[ω1,ω2,ω3,u1,u2,u3,∑1,∑2,∑3]。
二值化當前圖像及模板圖像，建立像素矩陣θ及θ』，依次相減每個像素值，取其偏差的絕對值。|e|＝θ-θ′，對角化後按照閾值公式e′≤5e12篩選可疑區域。
步驟2、對提取的火焰圖像區域，進行火焰特徵提取，所述提取的火焰特徵包括面積增長率、圓形度以及火焰尖角；
具體地，圖像火焰的特徵分為顏色特徵、物理幾何特徵。物理幾何特徵又可細分為，邊緣特徵，紋理特徵等。根據火焰的特徵參數識別火焰，在當前計算機視覺領域中發展迅速。本發明實施例中，採用面積增長率、圓形度和火焰尖角作為火焰識別的特徵。
首先對於面積增長率，火焰開始燃燒的極短時間內，隨著火焰的燃燒程度，其面積逐漸變大，相比於靜態的物體，其變化率具有很高的區分度。由於是同一視頻流上的圖像(相鄰兩幀的火焰空間物理位置並不會相差太大)，火焰區域的匹配，只需獲得經過前述的預處理得到二值化圖像即可，白色區域為火焰區域，通過計算其面積的變化的比值可進行疑似火焰的判斷。用火災面積增長率gi作為判據。可由下式計算火災面積增長率gi：
式(3)為兩時刻火焰圖像區的面積差值，s(ri)t為t時刻的面積，s(ri)t0為t0時刻的面積，ri為該時刻的火焰半徑估計平均值相鄰兩亮點之間的空間單位距離為單位長度1。其餘亮點的距離由勾股定理求得。周長可由邊界算法求得，具體為本技術領域人員所熟知，此處不再贅述。
對於圓形度計算：憑據火災火焰形狀的不規整，而部分幹擾源(路燈、車燈等)的形狀規整程度高，故而將圓形度，作為火焰判別依據。圓形度的定義如式(4)，具體為：
其中：ck、ak、pk依次為，第k個單位的圓形度，面積和周長，n為單位個數，若物體外形越接近圓，則ck越大，反之，若其輪廓越複雜，則ck越小，ck的值介於0和1之間。擬定一個閾值c0，當ck＞c0時，則認為該圖圓外形輪廓較為規則，認定非火焰；當ck＜c0時，則該圖像外形輪廓非常不規則，滿足火焰輪廓特徵。
火焰的運動特性很明顯的有尖角：火焰的尖角數，在時域上無規律可循，因此，採取邊緣抖動的特性，可鑑定可疑火源。分析早期火焰，噪聲幹擾下時的尖角數目，和疑似物體的邊沿變化規律，能夠區分其他幹擾。為了提高火焰判斷的準確性，依舊採用多組數據求均值的方法。隨機從各組圖像序列中取出一幀，在單位時限內取得5組火焰尖角數實驗集，取其期望值與先驗知識的閾值j0比較，當時，認定k序號圖集，滿足火災火焰的邊沿抖動特徵，反之，則不具備火災火焰的邊沿特徵。
步驟3、將上述提取的面積增長率、圓形度以及火焰尖角作為蟻群神經網絡的輸入，並利用蟻群神經網絡判斷火焰的概率。
本發明實施例中，假設bp神經網絡所有權值和閾值共有m個，設定權值區間[wmin,wmax]，均勻劃分成s等份，設立集合包含等分後的神經網絡參數pi(1≤i≤m)。每隻螞蟻(1≤k≤m)從集合的第j(1≤j≤m)個元素出發，根據每個元素的信息素ρ和路徑選擇概率公式(式(5))在每個集合中選擇一個元素作為下一目標，
當所有螞蟻完成選擇後，認為一次算法完成，根據信息素更新公式(式(6))，調整所有的元素的信息素，反覆迭代此過程。
當所有螞蟻收斂至同一路徑即認為最優解的產生，或達到最大循環次數ncmax時，算法結束。