基于卷积神经网络的火灾视频图像检测基于卷积神经网络的火灾视频图像检测
随着计算机技术的发展,融合计算机视觉、机器学习、深度学习等技术的火灾图像处理技术得到了广泛的研究
和应用。针对传统图像处理方法预处理过程复杂且误报率高等问题,提出一种基于深度卷积神经网络模型进行
火灾检测的方法,其减少了复杂的预处理环节,将整个火灾识别过程整合成一个单深度神经网络,便于训练与
优化。针对识别过程中类似火灾场景对火灾检测产生干扰的问题,利用火灾的运动特性,创新性地提出利用火
灾视频前后帧火灾坐标位置变化来排除灯光等类似火灾场景对检测的干扰。对比了众多深度学习开源框架后,
选择Caffe框架进行训练及测试,实验结果表明,该方法实现了对火灾图像的识别和定位,适应于不同的火灾场
景,具有很好的泛化能力和抗干扰能力。
0 引言引言
在早期火灾检测的过程中,主要是火焰的检测,火焰主要有以下三大特征:运动特征、颜色模型和轮廓特征,研究主要通
过这些特征来达到火焰识别的效果。颜色检测是火焰检测最早用的方法,目前仍有使用。研究人员为了提高火焰识别的准确
率,试图探索用于火焰检测的颜色和运动特征。CHEN T H等人
[1]
研究了火焰的RGB和HSI颜色空间中的火焰的动态行为和不
规则性检测。CELIK T和DEMIREL H
[2]
使用YCbCr空间色度分量与亮度分离的特性设计分类规则,该方法有可能以较高的精
度检测火焰,但需要检测距离较小,火灾的尺寸较大。MUELLER M等人
[3]
研究了火焰的形状和刚性物体的运动,提出使用光
流信息和火焰行为来智能地提取特征向量,基于该特征向量可以区分火焰和移动的刚性对象。FOGGIA P等人
[4]
融合了形状、
颜色和运动属性,形成了一个多专家框架进行实时火焰检测。虽然这种方法是目前占主导地位且最先进的火焰检测算法,但仍
然存在误报率高的问题。随着深度学习技术的不断发展,设计自学习分类器,从更深层次自动挖掘特征并分析,已经成为火灾
视频检测领域的新思路。FRIZZI S
[5]
等人设计了一个9层卷积神经网络,能分类出火焰、烟雾或无火灾。ZHANG Q
[6]
等人设计
了一种级联卷积神经网络,第一级为全幅图像分类,第二级为疑似火焰区域分类,这种两级结构令火灾识别更加精细。傅天
驹
[7]
等人设计了一种用于森林火灾识别的12层卷积神经网络,针对网络训练过程中训练样本较少这一情况,采用替换随机初始
化参数方法,获得了比较好的分类效果。
为了进一步提高火灾检测的准确率并实现火灾定位,本文应用深度学习的方法提出了一种有效的卷积神经网络火焰检测结
构,避免了特征提取繁琐而耗时的过程,自动地从原始火灾数据中学习丰富的特征。本文利用迁移学习的思想,训练并微调了
深度卷积神经网络的权重,成功实现了火灾的检测和定位。本文的方法相对于单纯判断有无火焰的方法,实现了火灾的定位,
为后期灭火的定位提供便利条件,针对识别过程中类似火灾场景对火灾检测产生干扰的问题,利用火灾的运动特性,提出结合
火灾视频前后帧火灾坐标位置变化,排除灯光等类似火灾场景对检测的干扰。
1 火灾视频图像检测流程火灾视频图像检测流程
基于卷积神经网络火灾视频检测主要分为模型的训练和模型的评估两个主要的部分。首先收集大量的火灾图片进行模型训
练,利用深度卷积神经网络获得更深层次的火灾特征表达,得到大量的火灾检测模型;然后利用测试数据集对得到的模型进行
评估以寻求最优模型;最后就可以利用最优模型对新输入的照片进行火灾和非火的判断。基于卷积神经网络的火灾视频图像检
测流程图如图1所示。
1.1 卷积神经网络卷积神经网络
CNN(Convolutional Neural Networks)是一个受生物视觉感知机制启发的深度学习网络结构。自从第一个深度学习网络
LeNet用于手写的数字分类,它已显示出可观的解决各种问题的能力,包括行动识别
[8]
、姿态估计、图像分类
[9]
、视觉显着性