基于圖像的火焰識別

1、基于圖像的火焰識別摘要： 圖像型火災探測技術是以機器視覺為基礎的新型火災探測技術，它不會受到空間大小、環(huán)境惡劣等復雜因素的影響。本文的目的是通過在視頻圖像中提取信息來判斷火災的發(fā)生，這項研究在現(xiàn)實生活中有著很大的實際意義。本文主要通過針對復雜環(huán)境下采集到的火災圖像信息，對圖像進行分析，采用中值濾波和圖像銳化對圖像進行預處理，消除掉火災圖像中參雜的噪聲。之后采用一種兩層組合的圖像分割算法對圖像進行分割，得到火焰的疑似區(qū)域。并在此基礎上，對疑似區(qū)域的火焰特征進行分析，提取出火焰的面積變化值、圓形度及閃爍頻率等特征，為之后的識別做準備。最后運用模糊神經(jīng)網(wǎng)絡建立火災識別模型，將提取出的火焰特征作為輸入

2、量對火災圖像進行分類識別。仿真結果表明，該算法對不同場景的火災識別具有較高的準確率。關鍵詞:火焰圖像;圖像分割;特征提取;特征融合;模糊神經(jīng)網(wǎng)絡Flame recognition based on imageAbstract: The image-type fire detection technology is a new detection method, which based on the machine vision. It will not be subject to the complex factors of the space size or the bad environm

3、ents. Collect the fire image information under complex environment. Analyzing the image, and using the median filtering and image sharpening to the image pre-processing, eliminating the noise mixes in the image of fire. With the two-tier combination of image segmentation algorithm to segmentation th

4、e image, in order to get the suspected area of the flame. On this basis, analysis the flame characteristics of the suspected region, to extract the flame area change values, round, and the flicker frequency characteristics for Identification in preparation. Finally, using the fuzzy neural network to

5、 establish the model of fire detection, Flame characteristics will be extracted as the input, in order to classification of the fire image. The simulation results show that the algorithm on different scenarios of fire detection with high accuracy.Keywords: flame image; image segmentation; feature ex

6、traction; feature fusion; fuzzy neural network.1、基于視頻圖像的火焰識別問題1.1、如何進行火焰圖像的預處理和分割？在實際環(huán)境中攝像頭所處的位置是非常復雜的，一般采集到的圖像都會受到天氣、光線的變化、陰影、燈光以及隨機噪聲的影響，而使得圖像質量降低監(jiān)測難度加大。若要能夠準確的提取火焰特征就先要對采集到的圖像進行預處理，濾除掉圖像中參雜的噪聲并且利用分割技術找出圖像中的火焰目標區(qū)域，然后根據(jù)目標區(qū)域中的火焰特征進行實時的火焰目標識別。這對于基于機器視覺的視頻火焰探測技術，是十分重要的。通常大部分情況下采集到的圖像都會因為光線太暗、曝光、不足以及噪聲

7、太多等缺陷顯得不是很完美，影響到火焰的識別。因為無論從客觀環(huán)境影響或是主觀人為因素影響等，我們采集到的圖像質量往往沒有人們想象的那么滿意。例如，因為輪廓過于鮮明使得圖像中的物體顯得不協(xié)調，并且依照被檢測物的形狀、大小的要求，采集到的圖像邊緣處產(chǎn)生模糊，而且圖像中出現(xiàn)一些不知來源的黑點或白點，更為嚴重的會出現(xiàn)圖像出現(xiàn)失真或者變形等。綜上所述，當監(jiān)測火災的過程中，檢測結果會受到很多復雜環(huán)境的影響，所以我們要對火焰圖像進行一系列的預處理，使得圖像能夠更用以提取特征，從而分辨出火災情況。1.2 ，怎樣提取火焰圖像的特征提?。吭诨馂臋z測系統(tǒng)中，火災圖像中火焰的特征提取的正確與否，對隨后的火災判斷起著決定

8、性作用，是重要的組成部分。對檢測目標進行火焰的特征提取，它是對火焰識別的重要前提。主要是對火災圖像進行預處理和分割后，通過在火焰目標區(qū)域對火焰特征進行提取，進而以某種規(guī)則將提取出的特征進行結合，為火災判斷做好準備。1.3， 怎樣進行火災火焰的識別？為了對一事物進行綜合評估進而進行判斷，需以一定的方法將從計算機獲得的直觀信息進行綜合分析，這種處理信息的技術就是數(shù)據(jù)融合。而多特征融合就是將同一種事物從不同方面進行信息提取，利用計算機將這些信息以一定的準則進行綜合分析，進而準確認識這一事物，多個信息的綜合分析比單個信息的獨自分析更能全面的了解判斷同一事物對采集到的火災圖像進行預處理，并提取火焰圖像的

9、靜態(tài)和動態(tài)特征進行分析，將提取出的特征進行融合處理，判斷其是否發(fā)生火災。一個較好的火災識別系統(tǒng)若能夠對火災現(xiàn)場實時監(jiān)測，必須具備較強的抗干擾能力、較快的反應與檢測速度、較準確的識別結果，具有較高的智能化。在本論文中，在對火災圖像進行預處理、分割及特征提取后，設計了一種適合大空間及惡劣環(huán)境下的基于多特征融合的火災火焰識別算法，并在實驗中得到實現(xiàn)。2、基于視頻圖像的火焰識別的實現(xiàn)2.1、火焰圖像預處理對火焰圖像的預處理主要包括對圖像的去噪和銳化從而使圖像變得平滑清晰。2.1.1、 對火焰圖像進行去噪處理因為在采集到的圖片中參雜著如燈光、太陽光等一些干擾物，或者因為在惡劣環(huán)境下攝像頭的角度或是灰塵濃

10、度高等使得圖片不清晰，因此獲取的火災圖像或多或少的會引入多種噪聲，而這些噪聲對后面的圖像分割和特征提取有很大的影響，進而使得火災不能得到正確判斷。因此，火災圖像的去噪處理是火災圖像預處理的一項重要任務。中值濾波(Median filtering)是基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性信號處理技術。中值的定義如下：y=Medx1,x2,x3.xn=xi(n+12) n是奇數(shù)12xin2+xin2+1 n是偶數(shù) Y稱為序列x的中值。所謂窗口，就是一個點的特定長度或形狀的鄰域，當濾波器是一維時，移動窗口的長度一般都是奇數(shù)，在每個時刻內對窗口內的所有觀測值按照其數(shù)值大小來進行排列，而中值濾波器

11、的輸出值就是中間位置的觀測值。在二維中值濾波器中，可以利用某種形式的二維窗口，數(shù)字圖像各點的灰度值設為xi,j(i,j)I2,w為濾波窗口，則定義二維中值濾波為:yi,j=Medxi+a,j+b(a,b)A,(i,j)I2中值濾波去噪的處理方法主要是找出窗口中各個點的中值，然后對窗口的中心值進行修改，替換為個點的中值，這樣圖像就會變得平滑，從而對圖像完成去噪。鄰域像素點的中間值與周圍像素灰度值差別較大的像素值，即極限像素值的敏感度不是很強，相對于均值濾波的敏感度小，這樣一些孤立的噪聲點就可以被消除。一般二維中值濾波器的窗口有:方形、線形、圓形、十字形棱形等等，而若選擇不同的濾波窗口就會有不同的

12、濾波效果。不過已經(jīng)有實驗證明，一維中值濾波器沒有二維中值濾波器抑制噪聲的效果好。因為當濾波窗口采為方形時，圖像中特定區(qū)域的形狀不會受到影響，所以在本節(jié)中采用方形窗口的中值濾波方法。通常來說，若是選擇了過大的窗口，雖然很好的抑制了噪聲，但由于有較強的平均化處理，處理結果明顯出現(xiàn)圖像邊緣模糊、細節(jié)不明顯的情況。本文對中值濾波分別采用3x3和5 x5模板進行火災圖像濾波處理，實驗結果可以看出，窗口越大，邊緣細節(jié)越模糊。2.1.2、圖像銳化處理 火災圖像經(jīng)過中值濾波處理后會使圖像的輪廓模糊、邊界不明顯，而圖像的輪廓在后續(xù)的特征提取中非常重要，而通過對圖像進行銳化處理，可以將圖像的邊緣變得清晰。從頻譜的

13、角度來看，圖像的邊緣和輪廓具有灰度突變的特征，對應著高頻分量，因此圖像銳化濾波器可以使用高通濾波器，使高頻分量順利通過，提升火災圖像的邊緣質量，使火焰區(qū)域邊緣線條變得清晰。頻率域內常用的高通濾波器有四種21 ，即理想高通濾波器、巴特沃斯高通濾波器、指數(shù)高通濾波器和梯形高通濾波器。本章采用指數(shù)高通濾波器(exponential high pass filter,EHPF)來實現(xiàn)。 指數(shù)高通濾波器的傳遞函數(shù)為：Hu,v=e-D0IDu,vn式中:n決定指數(shù)函數(shù)的衰減率。根據(jù)以上分析的圖像預處理和分割算法進行實驗，下面是對同一火災火焰圖像分別進行預處理和分割后的實驗結果，如圖所示:實驗結果表明，原圖

14、經(jīng)過中值濾波處理后，噪聲受到很好的抑制圖像輪廓得到很大的改善，邊緣變的清晰。經(jīng)過圖像的中值濾波及銳化處理后，火災圖像的邊緣變得清晰，為下來的圖像分割做好準備。2.1.3、火焰圖像分割差分法也稱為差影圖法，它的主要原理是在采集到的視頻圖像中，首先選取一幀靜止圖像作為背景幀圖像，因此在判斷圖像中是否含有火災圖像，就可以利用當前幀的像素減去之前所選的背景幀圖像的像素，此方法是一種常用于檢測運動物體和圖像變化區(qū)域的處理方法。設定閾值T，當相減后的圖像中某一像素的差值大于閾值T時，就認為該像素是前景像素(運動目標)，小于T時認為是背景像素。首先從監(jiān)控視頻中按一定的采樣速率抽取幀圖像。設幀圖像序列為Mi(

15、x,y)。的取值1m,m為連續(xù)序列圖像的幀數(shù)，(x,y)為圖像中各像素的坐標。選取一幀無火圖像作為基準圖像，對于圖像序列的當前幀有：Mix,y=Mix,y-M0(x,y)式中Mi(x,y) 為當前需處理幀，M0(x,y)為基準幀。經(jīng)過差分運算后得到的就是背景相對簡單的差值圖像，其中包含有位置相對變化的火焰疑似區(qū)域。然后設定閩值進行閩值分割，得到二值圖像。下面是對不同場景數(shù)幅火災圖片進行閾值分割實驗。原圖像分割后的圖像在實際的火災監(jiān)測中，可能獲取的圖像未定義背景圖像，這時可以將前后兩幀相鄰的圖像進行差分，這樣雖然會使兩幀之間重疊的火焰區(qū)域濾除掉，但從整體來看絕大部分的火焰區(qū)域還是會保留下來，不會

16、影響后續(xù)特征提取。2.2、火焰特征值的提取在火災檢測系統(tǒng)中，火災圖像中火焰的特征提取的正確與否，對隨后的火災判斷起著決定性作用，是重要的組成部分。根據(jù)一般火災發(fā)生的狀況，一般都表現(xiàn)為火災火焰是從無到有，并且持續(xù)不斷變化發(fā)展。通過對火災初期火焰圖像的研究，其主要表現(xiàn)為以下幾個特征:火焰面積增大、邊緣抖動、形狀不規(guī)則、位置基本穩(wěn)定等等。本文主要提取的火焰特征值是火焰的面積變化、形狀特性、頻閃特性。2.2.1、火焰面積變化特征火災火焰的面積變化包括面積正的增長和負的增長，無論是面積變大還是變小都屬于火焰面積的增長。火焰在一定時間內的面積增長率可以根據(jù)當前幀的整體火焰像素數(shù)目和這段確定的時間后的另外一

17、幀火焰圖像的像素數(shù)目的差來計算，結果可作為下一步識別火災火焰的依據(jù)。利用計算火焰區(qū)域的區(qū)域增長率來表達火災火焰的面積增長率，而火焰區(qū)域增長率又可以用圖像區(qū)域中的像素變化率來表示。設Yi為第ti時刻目標區(qū)域的像素總值，則Yi+1為第ti+1時刻的像素總值，在連續(xù)的視頻中，時間的劃分是以前后幀數(shù)來計算的，因此，第i幀的目標區(qū)域像素總值可設為Yi，則第i+1幀的像素總值為Yi+1，而令第i幀的區(qū)域面積為Si，第i+1幀區(qū)域面積為Si+1。因此，下式表示的是在連續(xù)視頻幀中火焰的面積變化率:B=dYdi=Yi+1-Yii+j-i=dSdti=Si+1-Siti+1-ti其中，j表示第j幀，i+j表示第i

18、+j幀，B表示火焰的面積變化率，它的時間范圍為ti到ti+1這一間隔時間段內。根據(jù)火焰面積變化率，選取以下四種樣本實驗組進行實驗，其分別為火災圖像組和蠟燭、路燈及車燈干擾圖像組，對這四種樣本分別計算它們連續(xù)6幀圖像的面積值，結果如下表所示:從表可以看出，在同一時間內，火災圖像組明顯比其他干擾物圖像平均面積變化值大，因此可以將火焰面積變化特征作為火災圖像的特征之一。2.2.2、火焰的形狀特征由于火災火焰在燃燒過程中形狀是不規(guī)則變化的，根據(jù)這一特點可以排除大部分形狀規(guī)則程度較高特點的干擾源，如手電筒、路燈、車燈及太陽光等，因此圓形度可作為火災的重要判據(jù)之一。圓形度指的就是物體邊緣與圓相似的程度，可

19、以用來表示存在邊緣的物體其邊緣輪廓的復雜程度，若知道物體所在區(qū)域的面積以及物體邊緣的總長度，就可以計算出物體的圓形度值。圓形度代表了物體的復雜程度，根據(jù)其概念得圓形度Ci計算公式為:Ci=Li2/(4×Si）其中i=1,2,3,n式中: Si表示第i幀的區(qū)域面積;Li表示第i幀的區(qū)域周長，即區(qū)域邊界的長度，可從邊界鏈碼中得到。垂直和水平的步幅為單位長度，對角步幅長度為21/2, 兩個直角還原成一個對角度，其1/2步幅也為21/2。按上述規(guī)則遍歷邊界鏈碼，即可算出邊界長度。圓形度對圓形物體取最小值1，物體形狀越復雜其值越大。通過上述所介紹的圓形度算法對上一節(jié)的例子分別計算其圓形度。結果

20、如下表所示從表看出，火焰的圓形度值明顯大于其他干擾物的圓形度值，所以火焰的圓形度可以作為火焰區(qū)別其它物體的特征。2.2.3、火焰頻閃特性對火焰的閃爍現(xiàn)象進行長期試驗得出火焰的閃爍頻率可設定在處于10-20HZ的低頻區(qū)?；馂陌l(fā)生過程中，火焰無規(guī)則的跳躍是火動態(tài)變化最顯著的特征之一，因此，火焰的閃爍頻率也可以作為火焰目標特征提取的一個重要判據(jù)。實驗發(fā)現(xiàn)在跳躍過程中，前后幀圖像中必然存在火焰高度的變化，因此就可以將高度與火焰的閃爍頻率聯(lián)系到一起，能夠通過高度的變化來確定火焰的閃爍頻率。根據(jù)火焰高度與火焰的閃爍頻率之間存在著的密切聯(lián)系，因此可以將火焰的高度變化作為火焰閃爍頻率的判斷條件。在視頻中，通過

21、函數(shù)來表示每一幀的火焰的高度變化。在前一章得到的疑似火災區(qū)域，對這個區(qū)域的高度集合進行一個標記，因為區(qū)域內的高度存在高度不一的多個高度值，再將集合內的元素進行描述，最后得出一個高度變化的特征函數(shù)，由此特征函數(shù)就可以反映出譜內分量的多少。設Gqp為得到的疑似的火災區(qū)域，其中q表示第q幀圖像，p表示疑似區(qū)域包含p個不同的高度值，將該區(qū)域的高度集合設為H，則集合內的元素hqp了表示為：hqp=H（Gqp）上式表示的是一個高度元素的集合，若想得到每一個特定的高度元素，需要對H進行離散傅里葉變換得到傅里葉集合數(shù)TP，則可將集合內的元素描述為:tqp=dH=1kq-1khqpe-j2iqlk對上式得到的高

22、度集合中的元素進行積分運算，則得到一個高度變化的特征函數(shù)，將傅里葉變換的長度用l來表示，而傅里葉變換時的系數(shù)集合表示為Tp。因此，下式表示為高度在確定時間段內的一個變化，可以看出，當譜內分量越多f(Tp)的值越大。fdTp=q=2ntiptipl2-1上圖是火焰目標、車燈及路燈的頻譜變化圖，從圖中可以看出火焰的頻譜變化有一定的變量值，而車燈、路燈的頻譜變化沒有明顯的變化。而這些值是在一個比較穩(wěn)定的區(qū)域，包含高峰與低谷值，因此可以將這個穩(wěn)定變化的區(qū)域作為火焰跳躍的最高值與回歸時的最低值來看待，在每次火焰跳躍時就可以反應火焰本身的一次頻率特性。在實驗中，由于路燈的固定性，它的像素變化范圍始終不變，

23、而車燈由于車的可移動性，像素變化范圍處于區(qū)域移動中，但是像素的變化遵循一定的變化閡值范圍。而在火焰的像素變化試驗中，由于火焰的跳躍性，其像素處于變化當中火苗的跳躍高度按照一定的區(qū)域范圍進行跳躍，但同時像素整體處于一個區(qū)域范圍內，不會發(fā)生移動。2.3、火焰識別2.3.1、模糊神經(jīng)網(wǎng)絡人工神經(jīng)網(wǎng)絡是仿生模型的智能化，是一種非線性動力系統(tǒng)，其主要結構是將大量的神經(jīng)元進行非線性組合，并且對其進行信息處理的一種算法。模糊邏輯系統(tǒng)的主要內容是包含模糊概念和模糊邏輯的系統(tǒng)，它由四個部分組成，分別為模糊產(chǎn)生器、模糊規(guī)則庫、模糊推理機和解模糊化器。該系統(tǒng)最適合用到工程應用中，因為它的輸入量和輸出量都是實變量。模

24、糊系統(tǒng)所運用的一般化模式是以一種對專家組織的模糊" IF-THEN”規(guī)則的描述，而且模糊系統(tǒng)四個部分的選擇有很大的自由度。模糊系統(tǒng)對于知識的抽取較為方便，在進行不完整信息處理時，可以通過已有的經(jīng)驗和知識來對信息進行處理，而且能夠很好的利用專家知識，比較適合用在模糊或定性的知識上。但是模糊系統(tǒng)的自適應能力不強，不能自動更新模糊隸屬度函數(shù)參數(shù)，因為在模糊系統(tǒng)中，主要是人來進操作的，因此它的運算速度不是很快且推理準確性比較低。模糊神經(jīng)網(wǎng)絡(Fuzzy Neural Network-FNN)是模糊理論同神經(jīng)網(wǎng)絡相結合的產(chǎn)物。模糊神經(jīng)網(wǎng)絡很好的利用了二者的優(yōu)點，讓它們有機的結合起來，使得解決問

25、題的方法更完善，所解問題的范圍更廣。2.3.2、基于模糊神經(jīng)網(wǎng)絡在火災檢測中的工作原理根據(jù)模糊神經(jīng)網(wǎng)絡的三層結構，以及每層所要完成的功能可知，在對火災進行檢測時的網(wǎng)絡識別步驟如下:Step 1:建立神經(jīng)網(wǎng)絡，其權值是模糊規(guī)則中的隸屬度函數(shù);Step2:為了能得到更準確的網(wǎng)絡結構，從而能夠完整的表達火災現(xiàn)場，主要方法是將訓練樣本輸入到網(wǎng)絡中，讓網(wǎng)絡進行訓練，與此同時找到最適合的隸屬度函數(shù)，對其不斷修改。Step3:從神經(jīng)網(wǎng)絡中提取出修改后的隸屬度函數(shù)和模糊規(guī)則，并將其保存，以便作為此火災現(xiàn)場環(huán)境下的模糊推理之用。當在現(xiàn)場真正發(fā)生火災時，將采集到的火焰特征作為輸入信號輸入時，依據(jù)之前訓練好的網(wǎng)絡結

26、構對數(shù)據(jù)進行計算這樣便可以得到最正確的輸出。模糊神經(jīng)網(wǎng)絡的學習算法，可采用最小二乘法與誤差反向傳播的算法。2.3.3、火災檢測中模糊神經(jīng)網(wǎng)絡的設計基于Takagi-Surgeon模型(簡寫為T-S)的模糊神經(jīng)網(wǎng)絡，其主要是它的后件是輸入語言變量的函數(shù)，可以較容易的與優(yōu)化、自適應方法和PID控制方法相結合，這種模型計算簡單，并且在數(shù)學分析上也有一定的優(yōu)勢。本文主要采用TS型模糊神經(jīng)網(wǎng)絡來實現(xiàn)火災探測系統(tǒng)的特征層融合。模糊神經(jīng)網(wǎng)絡的具體結構如下:第一層是輸入層，輸入分別為火焰的面積變化值、圓形度、閃爍頻率，將輸入的xij傳到第二層。第二層是隸屬函數(shù)層，在各個論域中，運用高斯模型的隸屬度函數(shù)來表達輸

27、入變量的各個隸屬度，其公式如下:Fijxi=exp-(xi-cii)2式中ci為隸屬函數(shù)的中心; i為高斯型隸屬函數(shù)的標準差。利用高斯函數(shù)對這些輸入數(shù)據(jù)進行模糊化，這是因為在輸入變量中，由于每個特征所表達的物理量不同，每個輸入量的范圍不同，數(shù)值也就有很大不同，因此把每個輸入變量均變?yōu)殡`屬度函數(shù)在om的范圍內。運用這種方法不僅使得網(wǎng)絡計算變得快速，而且還可以防止小數(shù)值被大數(shù)值淹沒。根據(jù)三個特征的物理意義，可設計將每一輸入變量用三種語言變量值來表示其分別為Small(小)、Medium(中)、Large(大)。根據(jù)火災發(fā)生時的情況和以往的經(jīng)驗可知，當提取出的特征值越小時，Small的隸屬度值會越大

28、，而Large的隸屬度值會越小，當Medium的隸屬度函數(shù)處在中間范圍時，提取的特征值越大，則Small的隸屬度值會越小，Large的隸屬度值會越大。因此將三個語言變量的隸屬度函數(shù)均以高斯函數(shù)來表示，會更加符合火災檢測數(shù)據(jù)的規(guī)律。第三層為規(guī)則化層，其模糊推理主要是利用神經(jīng)元的乘積來實現(xiàn)的。將三個輸入變量面積變化率x1，圓形度x1，閃爍頻率x1，分別模糊化為三層那么會得到最多27條模糊規(guī)則。通過對火災發(fā)生時的實際狀況進行了解，從而總結出有用的16條模糊規(guī)則，以便減少不必要的網(wǎng)絡計算，其規(guī)則如上表所示。第三層和第四層的結點數(shù)相同，其相互關系為:yi4=yi3/j=1nyi3第五層計算一條規(guī)則的輸出

29、:yi5=yi4P0i+P1ix11+P2ix21第六層輸出層的神經(jīng)元采用求和形式計算網(wǎng)絡的輸出:y=i=1nyi5下圖為模糊神經(jīng)網(wǎng)絡算法流程圖，在模糊神經(jīng)網(wǎng)絡中，需要通過學習調整的參數(shù)有ci、i和Pji三個向量。2.3.4、學習算法因為本文給定了輸入分量的模糊分割數(shù)，那么需要學習的參數(shù)主要是網(wǎng)絡的連接權pijk(j=1,2,n; l=1,2,n; k=1,2,r)以及網(wǎng)絡隸屬度函數(shù)的中心值cisi 及寬度isi(i=1,2,n;si=1,2,mj)。經(jīng)過我們的推理可以得出：網(wǎng)絡的連接權pijkpjlkt+1=pjlkt+(ydk-yk)j xl其中j=1,2,m;l=1,2,r。網(wǎng)絡隸屬度函

30、數(shù)的中心值cisi 及寬度isi2.3.5、結果仿真本文所選用的模糊神經(jīng)網(wǎng)絡訓練樣本是依據(jù)國內外現(xiàn)有的核心期刊中相關的文章，以及在實驗室中所做的火災實驗數(shù)據(jù)。根據(jù)上一節(jié)分析可知網(wǎng)絡的前三層可是對輸入數(shù)據(jù)的歸一化，因此網(wǎng)絡的輸入數(shù)據(jù)可以直接由提取到的特征數(shù)據(jù)來得到，而且為了避免網(wǎng)絡訓練消耗不必要的網(wǎng)絡時間，所以在根據(jù)每一個特征的物理意義的基礎上，對網(wǎng)絡權值的初始值選擇在一個合理的范圍內。選取在各種場合下拍攝的早期火災及干擾現(xiàn)象的視頻序列作為學習樣本，限于篇幅，選取40幀圖像作為訓練樣本進行實驗，其中5幀為無火樣本、13幀為陰燃火樣本、22幀為有火樣本，40幀圖像提取到的特征數(shù)據(jù)如表4.2所示。初

31、始學習率設定為0._5，根據(jù)網(wǎng)絡自身運算調整學習率，誤差極限設定為0.001，訓練步數(shù)設定為20000，對訓練樣本集重復強化訓練，直到誤差極限達到設定值。利用MATLAB采用表4.2中20組數(shù)據(jù)作為訓練樣本集。神經(jīng)網(wǎng)絡的誤差收斂狀況如圖所示，曲線的縱坐標為平方和誤差，橫坐標為訓練步數(shù)。從圖中二可以判定T-S模糊神經(jīng)網(wǎng)絡算法已達到穩(wěn)定，幾乎不會陷入局部極小或發(fā)生震蕩。為了測試模糊神經(jīng)網(wǎng)絡模型的識別能力，選取10組樣本圖像對網(wǎng)絡進行測試，圖為10組中的4組圖像，它們分別為第一組、第六組、第七組和第九組下表為測試輸出與期望輸出值的對比。對選取的10組測試樣本圖像進行圖像預處理、分割以及特征提取后，得

32、到的火焰三個特征值作為網(wǎng)絡的輸入量，并對網(wǎng)絡的識別能力進行測試，從表中的數(shù)據(jù)可以看出，所得到的期望輸出與實際輸出的值相差很小，準確度較高，因此可知基于模糊神經(jīng)網(wǎng)絡的火災探測模型已建立成功，識別結果令人滿意。3、總結本論文研究的主要內容是在復雜環(huán)境中，對火災圖像進行預處理及分割的基礎上，對火焰圖像進行特征提取，采用了利用模糊神經(jīng)網(wǎng)絡對火災進行識別識別的算法，仿真實驗表明，該算法有較高的準確率。致謝 本課程小論文結合模式識別的學習，根據(jù)指導老師楊老師的指導意見撰寫的。論文中識別技術的發(fā)展，結合已有論文提出的基于圖像的火焰識別。感謝指導老師楊老師的耐心指導，針對具體問題，熱心的點評，使得論文的內容更

33、充實，思路分析的更清楚。感謝楊老師給同學們機會，讓我們自己講解，自由討論，多角度看待問題。感謝同學們的積極討論、分享知識，不同思路方法的共享，使得論文思路更清晰。參考文獻【1】 賈子若.高等學校學生宿舍火災風險綜合評價研究【j】.北京交通大學，2009 40(2):3_5-42【2】 范華中，張伯虎，馮艷.圖像處理技術在火焰目標提取中的應用【f】。電光與控制，2006 13(1): 99-103；【3】 程鑫，王大川，殷棟梁.圖像型火災火焰探測原理.火災科學J. 2005 ， 14(1):239-244.【4】 Lai C L, Yang J C.Advanced Real Time Fire

34、 Detection in Video Surveillance System C. IEEE International Symposium on Circuits and Systems (ISCAS)，2008: 3542-3545.【5】 Plumb O A, Richard R F. Development of an Economical Video Based Fire Detection and Location SystemD. US Department of Commerce，Technology Administration, National Institute of

35、 Standards and Technology, 2006.【6】 Richards R F, Monk B N Plumb O A. Fire detection, location and heat release rate through inverse problem solution. Part I: Theory J. Fire Safety Journal, 2007，28(3): 23一3 5.【7】 Cheng X F, Wu J H, Yuan X, Zhou H. Principles for a video fire detection system J. Fire Safety Journal, 2009，33 (1):_57一69?！?】 程曉舫，鄧志華，沙川等.自由火焰影像發(fā)展的測量和分析【j】.應用基礎與工程科學學報，2008 6(12): 426-432.【9】 程曉舫，吳建華，徐新宇.CCD影像中高溫目標的甄別【j】然科學進展，2007 11(3):293-299.【10】 Yamagishi H, Yamaguchi J. Fire flame detection algorithm using a