基于RBF神经网络的烟气图像识别算法研究

韩柯柯　陈火炬　徐镭

摘 要 根据发生火灾时，烟气有特定颜色、消光性、湍流特性等特征，提出了一种基于RBF神经网络的火灾图像识别系统。通过训练、测试这一识别系统，证明火灾烟气的颜色特征、圆形度、消光性、湍流特性等特征结合RBF神经网络技术，应用于火灾图像识别，有良好的效果。

关键词 RBF;烟气;火灾;圆形度;图像识别

引言

感烟探测器、感温探测器等传统火灾探测器的应用虽广泛，但仍有一定的局限性，例如不适合安装于大空间、露天环境中。图像型火灾探测技术在一定程度上可以填补传统火灾探测技术的遗漏之处。处于阴燃阶段时，火灾发展速度较慢，而在出现火焰之后，火势的发展会急剧加速。所以，尽早地检测到火灾烟气，可以为灭火救援工作争取大量时间，这使得对阴燃阶段产生的烟气进行探测十分必要。

1烟气区域颜色分割

1.1 烟气颜色特征及提取算法

为了保证火灾探测的实时性，需要先对样本图像进行预处理，去除掉大部分不相干的背景干扰，仅保留疑似烟气区域，以实现样本的加速处理。基于火灾烟气的颜色特性，综合利用RGB颜色空间和HSV颜色空间对烟气进行颜色检测，再利用基准点聚类的方法，能够分割出疑似烟气区域。

火灾的烟气呈浅灰色或深灰色[1]，在RGB颜色空间中体现为，其红色（R）、绿色（G）、蓝色（B）三个分量在数值上近似相等[2]。设置参数α，计算式如公式（1）。

（1）

该参数表示R、G、B三值近似程度。对于R、G、B三个分量数值相近的烟气像素，其α取值范围近似为0～20，亦即α∈[0，20]。

Ham[3]等学者发现，在HSV颜色空间中，烟气区域的饱和度（S）和明度（V）有固定的分布，而色调（H）则不定。其中，烟气饱和度明显偏低，在归一化的HSV颜色空间之内，其S<0.08。早期的烟气多呈现灰白色，归一化之后其值普遍大于V>0.60。

根据烟气颜色的特性和HSV颜色距离，将像素点按颜色相近与否分类，筛选出疑似烟气的图像区域。采用的算法流程如下：

逐个检查像素点X的颜色参数V、S、H和α值。保留S<0.08且V>0.60的点。保留点满足α∈[0，20]即作为基准点A。

取下一个像素点B明度、饱和度和色调的值，分别记作v、s和h。

计算AB两点之间的颜色空间距离，计算方法如式（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）。

保留空间距离D小于或等于0.2的点。

重复步骤1）至步骤4），得到经过初步颜色检测的疑似烟气图像。

2特征值提取

2.1 圆形度特征提取

样本图像在经过烟气颜色检测后，得到疑似烟气区域，对该区域进行二值化、腐蚀细化等图像处理工作，获取疑似烟气区域的面積、周长等信息，进而计算得到疑似烟气区域的圆形度e的值。圆形度是反映图形复杂程度的特征量，计算公式为：

（3）

其中，e为圆形度，A为图形面积，C为图形周长。

烟气图像的圆形度大小呈现无规律的变化，但e都大于5;而水蒸气、青灰色干扰物体e值小于等于3。因此，将e值作为特征值之一。

2.2 烟气消光性及湍流特性特征提取

在火灾初期，烟气量少而呈现半透明状态，随着火势的增大，烟气浓度逐渐提高，烟气的主干区域会变得不透明，通过比对烟气出现前后的图像颜色变化来判断是否发生火灾[4]。如式4所示：

（4）

其中I（i，j）、BG（i，j）、S分别表示图像（i，j）处的颜色值、背景模型值和烟气参考颜色值。

将受到烟气影响的图像区域划分为若干个矩形单元格，由于烟气具有湍流特性，每一个单元格因受到烟气消光性影响后光学参数紊乱变化[5]。但是众多单元格的增减方向并不一致，而是此消彼长的，且烟气逸出观测区域的同时，烟气也在生成，使得在宏观上，整体的平均光学参数在相邻帧不会有明显变化。

在获得疑似烟气区域的基础上，取疑似区域最小外接矩形，设置特征值γ1和γ2以表示相邻时段这种宏观与微观的差异，其计算式如式5、式6：

（5）

（6）

3RBF人工神经网络设计、训练与测试

3.1 RBF人工神经网络

利用RBF神经网络，依据特征值e、γ1和γ2判断是否发生了火灾。RBF神经网络只有三层网络结构，具有结构自适应确定、输出与初始权值无关的优良特性。

研究所使用的RBF网络的输入层、隐含层、输出层的神经元数分别为3、7、1。

3.2 人工神经网络训练与测试

用于RBF人工神经网络的训练与测试的正负样本，来源于江西财经大学袁非牛实验室、韩国启明大学实验室以及土耳其比尔肯大学实验室。样本库中包含训练用正样本图片2201张、负样本图片8511张，测试用正负视频样本各9段。

判定程序对正负各9段，共计18段视频进行验证，样本的判定结果如表1，准确率达到94.4%。

4结束语

将烟气颜色特征提取出疑似烟气图像区域，分析烟气干扰图像的特征，以圆形度、消光性及湍流特性等多种特征值作为火灾识别判据，为火灾探测提供了新的手段。实验测试结果表明，该方法对火灾烟气图像的识别准确率为94.4%，达到了预期目的[6]。但同时也应注意到，在样本较少的情况下仍出现了一定量的误判问题。下一步工作应是尽量补充多种类型的训练样本，以充分涵盖不同场景下的火灾情形，同时，进一步完善判定程序。

参考文献

[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] 李宝儒，孙凤杰，范杰清. 基于烟气图像识别的火灾探测方法：第四届图像图形与应用学术会议 [C].中国：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] 黎粤华，单磊，田仲富，等. 基于多特征融合的视频烟雾检测[J]. 计算机技术与发展， 2016（1）：129-133.

[6] 赵望达，李卫高，熊涵予，等.一种新型BP神经网络模型在火灾探测信息处理中的应用[J]. 铁道科学与工程学报，2015（5）：1212-1218.