（电路与系统专业论文）基于视频的火灾检测方法研究及实现.pdf

基于视频的火灾柃测方法研究及实现 摘要 随着人们物质文化生活水平的提高和科学技术的快速发展，视频监控已经普 及，而火灾一直威胁着人类的生命和财产安全，特别是大空间，环境复杂的地方。 为了避免火灾漏报误报，基于视频的火灾检测系统引起了人们的重视。本文应用 数字图象处理技术和b p 神经网络技术，对发生火灾时产生的火焰进行深入的研究。 论文首先总结了国内图像火灾探测技术研究现状，以及神经网络在这方面的 发展情况；阐述了视觉上颜色形成的原理和目前几种常用的颜色模型，如r g b 模型， h s i 模型，以及他们之间相互的转换；研究了数学形态学中的腐蚀膨胀理论；论述 了神经网络技术和火灾图像探测技术的结合，并介绍了神经网络的特点、基本模 型。 随后介绍火灾图像的预处理。在滤波除噪，提取前景目标，消除孤立点上给 出了一系列的图像处理方法。如中值滤波，维纳滤波，差影法，图像的腐蚀和膨 胀处理。通过仿真，说明了方法的有效性。 其次针对火焰区域的增长性、闪烁性、灰度直方图的递增性、颜色的条件判 断、形体的质心变化规律等特征给出了相应的检测算法。并重点分析了火焰图像 颜色、纹理、形体特征，并给出定量描述。 最后，以一阶颜色矩、纹理特征统计量中的反差、逆差矩、灰度相关、能量， 以及形状相似度为神经网络的输入向量，设计了一套基于图像的火灾探测b p 神经 网络系统，实验证明该系统有很强的适应性和抗干扰能力，可以有效的探测出火 灾并报警。 实验结果表明，这种多重判据混合的火灾探测算法能够有效的识别出火灾火 焰并且具有良好的抗干扰能力。 关键词：火焰检测；神经网络：视频火焰 i i a b s t r a c t w i t ht h ei m p r o v e m e n to fp e o p l e sl i v i n gs t a n d a r da n dt h ed e v e l o p m e n t o f s c i e n c ea n dt e c h n o l o g y ，t h em o n i t o r i n gs y s t e mh a sb e e np o p u l a r h o w e v e r ，f i r eh a s a l w a y sb e e nat h r e a tt oh u m a nl i f ea n dp r o p e r t y ，s p e c i a l l yi nt h el a r g es p a c e o rt h eb a d e n v i r o n m e n t i no r d e rt oa v o i dt h ef a l s ea l a r m so ff i r ea n dl o s tt h er e a lf i r e ，p e o p l e s a t t e n t i o n sh a v eb e e na t t r a c t e db yt h ef i r ed e t e c t i o ns y s t e mi nv i d e o i nt h i sp a p e r ， r e f e r r i n gt ot h ek n o w l e d g ea b o u td i g i t a li m a g ep r o c e s s i n ga n db pn e u r a ln e t w o r k ，a d e e ps t u d yo ft h ef l a m ei nf i r ei sm a d e f i r s to fa l l ，t h ed o m e s t i cr e s e a r c h e sa b o u tt h ei m a g ef i r ed e t e c t i o nt e c h n o l o g ya r e s u t a m e du p a sw e l la st h en e u r a ln e t w o r k sd e v e l o p m e n t t h e ya r ee x p l a i n e d ，w h i c h a r et h ep r i n c i p l e so fac o l o r sf o r m a t i o nv i s u a l l ya n ds e v e r a lc u r r e n tc o m m o n l yu s e d c o l o rm o d e l ss u c ha sr g b ，h i s ，a sw e l la st h ec o n v e r s i o nb e t w e e nt h e m i th a sb e e n s t u d i e da b o u tc o r r o s i o na n de x p a n s i o nt h e o r yo fm a t h e m a t i c a lm o r p h o l o g y d e s c r i b e t h ec h a r a c t e r i s t i c so ft h en e u r a ln e t w o r ka n d i t sb a s i cm o d e l a na n a l y s i sh a sb e e nd o n et ot h ei m a g e s p r e t r e a t m e n ti nt h i sp a p e r a n dp u t f o r w a r das e r i e so fi m a g ep r o c e s s i n gm e t h o d sa b o u tf i l t e r i n gt h en o i s e ，e x t r a c t i n gt h e t a r g e t ，e l i m i n a t i n g t h ei s o l a t e d p o i n t s ，s u c h a sm e d i a nf i l t e r ，w i e n e rf i l t e r , a n d d i f f e r e n c ei m a g e ，i m a g ep r o c e s s i n go fe x p a n s i o na n dc o r r o s i o n t h es i m u l a t i o ns h o w s t h ee f f e c t i v e n e s so ft h em e t h o d s e c o n d l y ，t h ec o r r e s p o n d i n gd e t e c t i o na l g o r i t h m sh a v eb e e ng i v e n f o rt h ef e a t u r e ： t h eg r o w t ho ft h er e g i o no ff l a m e ，f l i c k e r , a n dt h ef i g u r eo fg r a yh i s t o g r a m ，c o l o rw i t h c o n d i t i o n st od e t e r m i n e ，s h a p ew i t ht h er e g u l a r i t yf o rc e n t e ro fm a s s ，e t c t h e nt h e f o l l o w e da r ep u te m p h a s i su p o n ：f l a m ei m a g ec o l o r ，t e x t u r e ，s h a p ef e a t u r e ，a n da q u a n t i t a t i v ed e s c r i p t i o nh a sb e e ng i v e n f i n a l l y 。t h ef o l l o w e da r em a d ea sn e u r a ln e t w o r ki n p u tv e c t o r ：t h ef i r s t o r d e r c 0 1 0 rm o m e n t s t h es h a p es i m i l a r i t y ，t h et e x t u r ef e a t u r e si ns t a t i s t i c sw h i c hi n c l u d et h e c o n t r a s t t h ea d v e r s eb a l a n c em o m e n t ，b r i g h t n e s sc o r r e l a t i o n ，e n e r g y t h eb pn e u r a l n e t w o r ka b o u taf i r ed e t e c t i o nb a s e d o ni m a g e s s h o w st h a tt h es y s t e mh a sas t r o n ga d a p t i v e e f f e c t i v e l yd e t e c tt h ef i r ea n da l a r m t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h ef i r e m u l t i c r i t e r i ac a ni d e n t i f yt h er e a lf i r ea n dh a v ea h a sb e e nd e s i g n e d t h ee x p e r i m e n t a n da n t i - j a m m i n ga b i l i t y , a n dc a n d e t e c t i o na l g o r i t h mw i t hm i x t u r eo f g o o da n t i i n t e r f e r e n c ea b i l i t y k e yw o r d s ：f l a m ed e t e c t i o n ；n e u r a ln e t w o r k ；f l a m e i nv i d e o l i l 湖南大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得 的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个 人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集 体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承 担。 作者签名：南为 日期：1 年多月衫e l 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和 借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库 进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 l 、保密口，在年解密后适用本授权书。 2 、不保密哦 ( 请在以上相应方框内打“1 j ”) 作者签名：荡勇日期：1 年箩月衫e l 导师签名： 游日期：2 卯7 年 5 月 z 占e l 硕i ：学位论文 第1 章绪论 随着现代科技的快速进步，视频应用已经慢慢渗透进人们的工作和日常生活 中，在科学研究和工程应用也有着十分诱人的前景。视频、图形、计算机视觉、 多媒体数据库和计算机网络之间的界限开始变得模糊，使视频图像处理融合了图 像处理、模式识别、人工智能、自动控制和计算机等若干领域的先进技术，成为 一个多学科的激动人心的领域，处于多媒体的核心地位。 信息的传输与存储有多种形式，视频是其中的一种重要媒体。本文的研究对 象限制在视频图像中的火焰检测。视频图像处理不同于独立静止图像处理的地方 是：视频图像包含了很多帧间瞬时的冗余度，这些冗余度为视频图像处理提供了 许多可以利用的相关信息。视频图像是序列图像，若将视频图像当作各帧相对独 立的静态图像序列来处理，显然没有利用各帧之间的相关信息，无法达到预期的 目的。通常视频图像处理除了传统的静态特征提取外，还结合多帧处理技术，利 用视频图像间产生的瞬时冗余度并在此基础上产生出各种各样有效的算法。 视频图像处理的方式有两种，一种是在线的，一种是离线的。在线的方式 主要将摄像机捕获到的图像数据立刻进行处理，提供用户需要的内容，方便用户 进行随时决策，一般这种处理方式对处理速度有一定的实时要求，它的主要应用 是视频监控。离线的方式是对己经拍摄好的一段视频进行处理，主要目的是为了 分析视频内容，将分析所得到的数据进行分类存储，以便用户以后使用。 视频的应用已经深入到人们工作和生活的方方面面，人们对视频有了深刻的 理解和熟练的掌握。视频主要的研究和应用有：视频通信，包括视频压缩编码、 视频传输等；视频监控，对感兴趣的区域或目标进行实时的监视报警：这里我们 利用视频监控系统，设计一种提取火焰特征的算法，对火焰进行检测，达到火灾 报警的目的。视频火灾检测技术是一项结合计算机图形学、数字图像处理、计算 机视觉等技术，利用火灾图像的信息来分析判断火灾的检测技术。 1 1 选题背景及意义 森林是陆地生态的主体，具有很高的生态效益和经济效益，是国家和人民非 常宝贵的资源。我国是森林资源较少的国家，目前全国只有森林面积1 8 3 亿亩， 人均森林面积和人均森林蓄积量只占世界人均数的1 2 ，而我国森林火灾却很严重 【2 】 o 目前，在大多数场所的火灾检测中通常采用了常规的火灾探测的方法，如感 烟、感温、感光探测器及复合型探测器，它们分别利用火焰的烟雾、温度、光的 基于视频的火灾柃测方泫研究及实现 特性来对火灾进行探测。但在森林这种大空间或大面积、环境比较恶劣的场所中 上述传感器的应用效果欠佳。 大空间的火灾监控技术是世界各国火灾科学及消防科技工作者关注的课题之 一口1 。尤其是当大空间内存在遮挡物时，火灾燃烧产物在空间的传播受到空间高 度和面积的影响，而常规的感烟、感温探测器只有当火灾发展到定的程度时， 才会做出响应。传统的火灾报警系统一般基于红外传感器和烟雾传感器，但这些 近距传感器和光电设备在室外仓库和大空间场合的火灾报警中，信号变得十分微 弱，即使是高精度的传感器也会由于种种干扰噪声而无法工作。九十年代也提出 了紫外波段的图象传感器进行中远距离的火焰检测，但这些系统并不具备自动识 别的功能，模块也不具有可重构性，而且方法简单，误报率高。因此在大空间复 杂环境下，以及火灾发生的不确定性和多变性，使传统的火灾探测技术难以发挥 有效作用。 视频图像信息的丰富性和直观性，为早期火灾的辨识和判断奠定了基础，其 它任何火灾探测技术，均不能提供如此丰富和直观的信息，保证图像火灾探测技 术具有以下优势h ，： ( 1 ) 可以在大空间、大面积的环境中使用； ( 2 ) 可以在多粉尘、高湿度的室内场所中使用； ( 3 ) 可以提供直观的、丰富的火灾信息； ， ( 4 ) 可以对火灾现象中的图像信息做出快速的反应； ( 5 ) 可以有效提高报警的准确度，减少漏报和误报。 另外远程视频监控系统采用的是非接触式的探测技术，防腐蚀性能和密封性 能良好，抗干扰能力强，同时结合数字通信和数字图像处理技术，分析火灾火焰 的视频图像特征，可以很好的解决大空间恶劣环境下的火灾探测问题。 基于视频的火焰检测技术是一种基于数字图像处理和分析的新型火灾探测方 法。它利用摄像头对现场进行监视，同时对获得的图像进行图像处理和分析，通 过早期火灾火焰的特征来探测火灾晦1 。 基于视频的火灾检测技术是机器视觉研究中一项兼具理论和实际意义的重要 课题，对于森林防火，烟火事故的预警和消防有重大的意义，而且宾馆、酒店这 样的场所也可以使用该类技术。近年来，随着视频监视设备的日益普及与视频图 像处理技术的发展，利用数字图像处理技术的视频烟火检测系统的研究和应用得 到了重视和发展。 但是目前为止，大都是在灰度图的基础上进行处理，一般采用比较单一的判 据。漏报，误报率往往比较高，系统的鲁棒性、适应性比较差，这些都是困扰火 灾图像识别研究人员的难题。因此研究一种基于视频的多重判据火灾检测方法具 有重要的理论和实际意义。 硕士学位论文 1 2 研究和发展状况 1 2 1 国内火灾探测技术的发展现状 国内对于图像型火灾探测技术进行了深入研究，其中上海交通大学、西安交 通大学都在这方面进行了积极的研究，并在工程实践中提出了一些算法，其中西 安交通大学图像处理与识别研究所研制的自动火灾监控系统采用了 9 5 0 n m 2 0 0 0 n m 波段的红外c c d 传感器，仅有该波段的红外辐射形成视频信号，火 焰燃烧时的红外辐射主要集中于以上波段范围，其它波长的干扰信号被极大地衰 减。当有火焰燃烧时经c c d 形成的视频信号中除强烈的火焰辐射造成的高亮度信 号外，仅有很少量的红外干扰信号，而这些信号往往表现为固定的图像模式，可 以采用简单的算法加以分类，从而使火焰的识别率大大提高，并且减少了处理的 数据量，提高了检测识别的速度，但其探测手段主要集中于使用红外型摄像机， 而且探测系统的算法抗干扰性还有待提高。中国科技大学的火灾科学国家重点实 验室研制出的l a 一1 0 型双波段大空间早期火灾智能探测系统通过了有关方面的验 收，己经在国内的一些单位使用。该系统一部分的探测任务由红外摄像机来完成， 采用人工神经网络技术对火灾进行识别，对于已经拥有闭路电视监控网络的单位， 需要加装一定数量的红外摄像机或特制的感烟红外阵列器材，来实现图像型的火 灾火焰和烟雾的探测。 综上所述，当前围绕图像型火灾探测尚待深入研究解决的问题还存在以下几 个：由于红外设备成本较高且功能单一，所以可以考虑使用普通c c d 摄像机来进 行火灾探测，例如一些已经具有完备视频监视系统的场合，这就对识别火灾的算 法提出了较高要求，考虑用数字图像处理技术提取火灾图像深层次信息的特征， 用模式识别技术对这些特征进行识别以判断火灾是否发生，将常规方法与人工智 能结合以降低成本、实现火灾的极早期报警。 1 2 2 人工神经网络火灾探测技术的发展现状 2 0 世纪8 0 年代后，火灾探测技术与其他技术开始更广泛的交叉和结合。探测 智能、监控智能和抗干扰算法在火灾探测技术中的应用，使火灾探测技术进入了 一个全新的发展时期；与信号处理技术、人工智能技术和自动控制技术紧密的联 系在一起，火灾探测算法在改进探测系统性能上的作用日益突出。 人工神经网络( a a f i c i a ln e u r a ln e t w o r k ，简称：a n n ) 是在对人脑组织结构 和运行机制的认识理解基础之上，模拟其结构和智能行为的一种工程系统。早在 上世纪4 0 年代初期，心理学家m c c u l l o c h 、数学家p i t t s 就提出了人工神经网络的第 一个数学模型( m p 模型) ，从此开创了神经科学理论研究时代。1 9 4 9 年赫伯( h e b b ) 提出改变神经元连接强度的学习规则，即著名的h e b b 规则，至今仍在各种神经网 基于视频的火灾榆测方法研究及实现 络模型的研究中起着重要的作用。其后，f r o s e n b l a t t 、w i d r o w 和j j h o p f i e l d 等学 者又先后提出感知模型，使得人工神经网络技术得以蓬勃发展3 。人工神经网络 是由大量的神经元广泛互连而成的系统，它的这一结构特点决定着人工神经网络 具有高速信息处理的能力。由于人工神经网络中神经元个数众多，整个网络存储 信息容量的巨大，因此它有着较强的信息处理能力，即使输入信息不完全、不准 确或模糊不清，只要输入的模式接近于训练样本，系统就能给出正确的推理结论。 自从上个世纪0 9 年代初日本学者y o k a y a m a 和s n a k a n i s h i 把人工神经网络和 模糊逻辑应用于火灾的早期识别之后，它们已经成为提高现有探测系统性能的利 器呻1 。火灾探测系统不再单一的依靠开关量信号，而是反映火灾特征的模拟量。 人工神经网络具有模拟人思维方式的特征，可以处理非线性的、不完整的数据， 它不仅可以在正常情况下给出问题的次最优解，而且在数据资料残缺不全的情况 下仍可以正常运转，给出较满意的结果。火灾探测信号正是这样的一类典型的非 线性信号，因此用人工神经网络方法可以解决火灾探测中的可靠性问题阳1 。 ( 1 ) 多层感知器火灾探测器的研究，将多层感知器应用于火灾探测领域得到很好 的结果。 ( 2 ) 热分解过程的神经网络预测方法的研究，用神经网络对热分解过程进行预测， 克服了以往对热分解的分析依赖反应级数的不足。 ( 3 ) 基于遗传算法的前馈神经网络火灾探测和基于模糊神经网络系统的火灾信号 处理分别利用“基于遗传算法的前馈神经网络 和“模糊神经网络 进行火灾探 测，与传统的阈值型方法相比，神经网络火灾探测方法可以利用多种探测信号进 行火灾探测，并且自动提取判别规则，将这些规则以权值的形式“记忆 下来。 目前进行的研究工作大都是利用多种常规火灾探测器信号，用神经网络方法 进行处理，这就存在着信号的同步和匹配问题：火灾探测的准确性要求多种火灾 探测器同时装在一个不大的区域内，不仅大大增加火灾探测费用、降低实现的可 行性；同时探测器数目的急剧增加，在一定程度上反而降低系统的可靠性。为了 提高火灾探测的质量，不仅要采用新的信号处理方法，更要应用新型的探测技术 【l o 1 3 本课题的主要研究工作 基于视频监控的火灾图像识别系统包括火灾信号的采集、传输、识别和报警。 利用远程视频监控系统进行图像的采集、压缩，将图像传送至监控中心并保存， 在监控中心的计算机终端上利用图像处理技术对可疑图像进行识别，快速准确地 判断火灾隐患，从而预防火灾发生，做到及时预警，迅速处理，快速有效地控制 火灾。 本文主要进行基于视频的火灾图像检测算法研究，需要研究的内容主要有以 硕士学位论文 下几个方面： 第1 章，绪论。首先介绍本文选题背景意义，总结了国内火灾图像探测技术研 究现状，以及神经网络在这方面的发展情况。 第2 章，介绍基于视频火灾探测方法的相关理论技术基础。如图像在计算机中 的颜色模型：包含视觉上颜色形成的原理和目前几种常用的颜色模型，如r g b 模 型、h s i 模型，以及他们之间相互的转换；数学形态学中的腐蚀、膨胀，和由此演 变而来的开运算、闭运算以及它们在图像处理的应用；神经网络的特点、基本模 型。 第3 章，图像的预处理。在除噪滤波、前景目标提取、以及消除孤立点的图像 预处理中应用中值滤波、维纳滤波、差影法、图像的腐蚀和膨胀等图像处理技术， 并实现。 第4 章，火灾图像特征的提取。论述了火焰图像在区域增长、闪烁( 像素强度 变化) 、灰度直方图形状方面的特性，还分析了它在颜色、纹理、形体方面的特征， 给出了各特征的提取方法，并进行了仿真实验，为后面的神经网络的样本输入做 准备。 第5 章，基于神经网络的火灾图像探测。本章设计了一套基于视频的火灾探测 b p 神经网络系统，给出了一种基于b p 网络的火灾检测算法，从输入层、隐层、输 出层到系统的网络结构，最后学习训练该网络。 第6 章，系统测试。本章为基于视频的火灾探测建立了一个系统仿真平台，给 出了系统的工作流程，介绍了平台布局，每部分的结果，最后对训练好的b p 网络 仿真得到符合要求的结果。通过实验证明该算法有很强的适应性和抗干扰能力， 可以有效的探测出火灾并报警。 最后对本文研究工作进行了总结。 基于视频的火灾榆测方法研究及实现 第2 章基于视频的火灾检测技术基础 2 1 图像在计算机中的颜色模型 由远端视频采集设备所采集到的现场图像保存后通常为彩色图像。彩色图像 的色彩信息非常丰富，可以作为图像分析处理的重要依据和条件，尤其对于本课 题中所要研究的颜色特征比较明显的火焰图像，基于彩色图像的分析处理是正确 识别火焰图像的关键所在。因此，在图像灰度化之前，应该对彩色图像进行颜色 特征提取，这就需要我们了解有关图像在计算机中的颜色模型知识。 颜色的本质是牛顿最早系统研究和发现的。早在1 7 世纪，牛顿通过三棱镜对 白光的折射研究发现白光可以被分解成一系列从紫到红的连续光谱，从而证明白 光是由不同颜色光线混合而成的。这些不同颜色的光线实际上是不同频率的电磁 波，人眼将不同频率的电磁波感知为不同的颜色。从严格意义上来说，颜色和彩 色并不等同。颜色可分为无彩色和有彩色两大类。无彩色指白色、黑色和各种不 同深浅的灰色。彩色则是指除去上述黑白系列以外的颜色。在一般情况下，通常 所说的颜色是指彩色。人眼所能感知的光谱波长大约在4 0 0 - - 7 0 0 n m 之间。光信号 进入到人眼的视网膜以后，视网膜各个位置上锥体细胞及杆体细胞对其进行吸收， 而锥体细胞又大致分为三种，即l 锥体，m 锥体，s 锥体。这三类细胞分别对红、绿、 蓝三色敏感。绝大部分颜色都可以看作是三种基本颜色( 红( r ) 、绿( g ) 、蓝( b ) ) 的 不同组合。为了建立标准，国际照明委员会( c i e ) 早在1 9 3 1 年就规定三种基本色的 波长分别为r ：7 0 0 n m ，g - 5 4 6 n m ，b ：4 3 5 8 n m 。并称这三种颜色为三原色或者 三基色1 。 2 1 1 颜色模型 定量地表示颜色称为表色，所表示的数值称为表色值，为了表色而采用的一 系列规定和定义所形成的体系称为表色系，表色系顾名思义是描述颜色模型的系 统。目前，广泛采用的表色系大致可以分为三类，即计算颜色模型系统，工业颜 色模型系统和视觉颜色模型系统。 2 1 1 1 计算颜色模型系统( r g b ) 所谓计算颜色模型系统，是指用以进行有关色彩的纯理论和计算推导的颜色 模型系统。常用的r g b 表色系就是计算颜色模型系统。所谓r g b 表色系，是指采 用c e i 规定的7 0 0 n m ( 红) 、5 4 6 1 n m ( 绿) 、4 3 5 8 n m ( 蓝) 三个色光为三基色，即颜色 的三个属性所构成的表色系。r g b 表色系可以用个正方体来表示，如图2 1 所示。 原点对应黑色，离原点最远的顶点对应白色。在这个模型中，从黑到白的灰度值 硕十学位论文 分布在从原点到离原点最远顶点间的连线上，而正方体其余各点对应不同的颜色， 可用从原点到该点的矢量表示。这样所有的r ，g ，b 的值都在区间 o ，l 】中n 2 | 。 r e d ( i ，0 ，0 y e l l o w ( 1 ，1 ，0 ) 1 ) g r e e n ( o ，1 ，0 ) 一一一一一一一- - 一- 卜 图2 1r g b 色彩空间立方体 目前常用的数据量化精度是把r ，g ，b 三原色分别量化为o 2 5 5 共2 5 6 个等级。 这样，r g b 色系可以表示的颜色数为2 8 2 8 x 2 8 = 2 5 6 x 2 5 6 x 2 5 6 = 1 6 7 7 7 2 1 6 种颜色。目 前的图像显示设备等大多采用该模式，通常又称为2 4 位真彩色。 2 1 1 2 视觉颜色模型系统( h si ) 所谓视觉颜色模型系统，是指采用与人眼对颜色感知的视觉模型相似的颜色 来表示的模型。常见的h s i h h u e ( 色度) 、i u i n t e n s i t y ( 亮度) 、s s a t u r a t i o n ( 饱 和度) 颜色模型系统就是视觉颜色模型中的一种。 h s i 颜色模型系统如图2 2 所示，它是用一个描述亮度的属性和两个描述颜色 属性的值来表示彩色图像的n 引。 亮 度 _ 一 所有色相 饱和度s 图2 2h s i 表色系模型 -。 、， i ， o ， 0 ，l euib 暴于视频的火灾柃测方法研究及实现 i ：表示光照强度或称为亮度，它确定像素的整体亮度。在圆柱体的底面，其亮 度值为o ，整个底面为黑色：在圆柱体的顶面，其亮度值为1 ，整个顶面为白色。圆 柱体的圆心轴表示从黑到白不同深浅的灰色。 h ：表示色调，由角度表示，反映该颜色最接近的光谱波长。定义0 度为红色，1 2 0 度为绿色，2 4 0 度为蓝色。色度从定义0 度变化至j 2 4 0 度覆盖了所有可见光谱的颜色， 在2 4 0 度至1 j 3 6 0 度的范围内，是人眼可见的非光谱色( 紫色) 。 s ：表示饱和度，是色环的原点( 圆心) 到彩色点的半径长度。在环的外围圆周上 是纯的，或者称为饱和的颜色，其饱和度为l 。在中心点处，称为中性色的灰色， 饱和度为0 。 h s i 表色系可以与r g b 色系互相转换。r g b 色系转换至j j h s i 色系的计算公式如 下1 引： ，= 亍( r + g + b ) ( 2 1 ) s = 1 一! ；m i n ( r ，g ，b ) ( 2 2 ) -ih 秒g 召 ( 2 3 )l z 3 ， 【2 n 一秒 g b 舯肚一州面面羔等薪) ”( 2 4 ， m a t l a b 程序见附录b ： h s i 色系转换至i j r g b 色系的计算公式为： f 0 0 h 1 2 0 0 f 1 2 0 0 h 2 4 0 0 尺=三431+端cos(60 】 o 日) 召= 去( 1 咽 ( 2 5 ) g = 矗i r b g = 去【l + 墅c o s ( 1 羔8 0 署】3 。o 一日) 。 r = 去( 1 咽 ( 2 6 ) b ：嚣i r g 硕十学位论文 f 2 4 0 0 h 3 6 0 0 曰=三43【1+些cos篙(300 】 o 一日) 。 g = 去( 1 咽 ( 2 7 ) r ：矗i b g 2 1 1 3 工业颜色模型系统( v u v ) 工业颜色模型系统主要侧重在实际应用技术，其中包括彩色显示系统、彩色 传输系统以及电视传输系统的专用颜色模型。常见的y u v 表色系即为工业颜色模 型系统中的一种。y u v 表色系是常用于多媒体技术中的一种颜色模型。该模型一 般用于彩色点的颜色显示。 2 2 腐蚀和膨胀 如果因为噪声和其它因素的影响，图像提取的目标区域中可能还含有错误分 割的小区域和孤立点，但这些小区域都很小，一般采用数学形态学中的腐蚀和膨 胀算法加以剔除。膨胀和腐蚀对图像的处理效果是相反的，但两种操作并不具有 互逆性。开运算和闭运算正是根据腐蚀和膨胀的不可逆性演变而来的。 2 2 1 基本概念 ( 1 ) 腐蚀 腐蚀是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意 义的物体。一般意义的腐蚀概念定义为 1 2 3 1 3 3 ： e = x b = k ，j ，) i x j ( 2 8 ) 这里肋对象和b 为结构元素。式( 2 8 ) 的意义为：由b 对旆蚀所产生的二值图 象e 是满足以下条件的点( t y ) 的集合：如果b 的原点平移到点 ，y ) ，那么b 将完全包 含于x 中。 ( 2 ) 膨胀 膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过 程。可以用来填补物体中的空洞。一般意义的膨胀概念定义为： d = xo b = ! x ，y ) b x ynx a j ( 2 9 ) 符号意义同式( 2 8 ) ，式( 2 9 ) 的意义为：由b 对x 膨胀所产生的二值图象d 是满 足以下条件的点 ，y ) 的集合：如果b 的原点平移到点( x ，y ) ，那么它与x 的交集非空。 2 2 2 开闭运算 基于视频的火灾榆测方法研究及实现 先腐蚀后膨胀的过程称为开运算。用来消除小物体、在纤细点处分离物体、 平滑较大物体的边界的同时并不明显改变其面积。公式如下： o p e n ( x ，b ) = x 口= x 。b = 占) o b ( 2 1 0 ) 符号意义同式( 2 8 ) ，图2 3 是开运算原理示意图： 图像区域 易鼍直 o 结构元素开运算结果 图2 3 开运算 可以看到在凸角点周围，图像的集合结构无法容纳给定结构元素，从而凸角 点被开运算删除。原图经过开运算后，能够去除孤立的小点、毛刺和小桥，消除 小物体、平滑较大物体的边界，同时并不明显改变其面积。 先膨胀后腐蚀的过程称为闭运算。用来填充物体内细小空洞、连接邻近物体、 平滑其边界的同时并不明显改变其面积。公式如下： c l o e ( x ，b ) = x 口= x b = ( xob ) o b ( 2 1 1 ) 符号意义同式( 2 8 ) ，图2 4 是开运算原理示意图： l i 鬃赢 图像区域结构元素闭运算结果 图2 4 闭运算 通过图2 4 可以看到，原图经过运算后，断裂的地方被弥合了。所以，闭运算 的功能是用来填充物体内细小空洞、连接邻近物体、平滑其边界，同时不明显改 变其面积。 2 3 人工神经网络和火灾图像探测技术 火灾图像探测是一种特殊类型的信号检测，由摄像头采集的火灾参数是事先 未知的或不能确定的信号，它随火灾特征而变化，同时周围的环境变化和电子噪 声等都有可能引起它的变化，而且这些变化往往与火灾参数变化特征基本相似， 实际上火灾图像探测是一种非结构性问题，表现如下： ( 1 ) 人知道怎样识别，但难于用数学语言给出定量描述； o 硕十学位论文 ( 2 ) 存在实际样本可供学习； ( 3 ) 识别是一种联想过程。 因此，火灾探测与其它典型的信号检测相比是一种十分困难的信号检测问题， 它要求信号处理算法能够适应各种环境情况的变化，自动调整参数以达到既能快 速探测火灾又能有很低的误报警率。对于火灾探测这类问题，人的识别能力最强， 而人的判断是由其大脑的神经网络来完成的，因此联想到采用类似人的神经网络 的处理方法实现火灾图像探测也就十分自然。 人工神经网络可以处理许多非线性、不完整的数据。它不仅在正常情况下可 以给出问题的最优解，而且在数据、资料不充分的情况下仍可以正常运行，并给 出满意的结果。神经网络就是一种黑箱建模工具一一所谓黑箱模型就是在对所研 究现实系统一无所知的情况下，将现实系统视为“黑匣子 ，而仅借助于输入和 输出数据，透过数学技巧来决定系统模式。如图2 5 所示： 输入_ - - - - 输入一 - - - - - - - - - - 输出 - - - - - - - - - - - - - _ - - - - 卜 输出 - - - - - - - - _ 卜 图2 5 现实系统和神经网络模型 火灾的燃烧过程是一个非线性动力学系统，其稳定性是直接通过燃烧火焰状 态的变化来反映的。火灾燃烧状态变化受到可燃物的数量、种类和燃烧区域的风 速等诸多因素制约，具有很强的模糊性和随机特性，由此可见，火灾信号是一类 典型的非线性信号，用人工神经网络方法可以提高火灾探测的可靠性。 与传统的阈值型方法相比，神经网络火灾探测方法可以利用多种探测信号进 行火灾探测，并且自动提取判别规则，将这些规则以权值的形式“记忆”下来。 目前进行的研究工作大都是利用多种常规火灾探测器信号( 如传感器) ，用神经 网络方法进行处理，这就存在着信号之间的同步和匹配问题：火灾探测的准确性 要求几种火灾探测器同时安装在规定范围的区域内，这不仅大大增加了火灾探测 费用、更增大了实现的可行性的难度，而且探测器数目的急剧增加在一定程度上 反而降低了系统的可靠性。为了提高火灾探测的质量，不仅要采用新的信号处理 方法，而且要有新型的探测技术。而图像是一种包含强度、形体、位置等信息的 信号。火灾中的燃烧过程是一个典型不稳定过程。由于可燃物、环境和气候的影 幕于视频的火灾榆测方法研究及实现 响，火灾燃烧过程要比一般动力装置中的燃烧过程更为复杂。同时，火灾现场存 在各种干扰因素，如阳光、照明灯等。图像型火灾探测方法立足于早期火灾火焰 的基本特性，可以排除各种干扰，使火灾探测快速、可靠。 火灾图像探测方法利用图像这一复合信号作为探测火灾的依据，用神经网络 方法对信号进行处理。由于人工神经网络所用的输入信息都从图像中提取而不用 多种探测信号协同工作，因此克服了以往存在着的信号同步和匹配问题n 4 1 。 2 3 1 人工神经网络的特点 人工神经网络技术就是用大量简单的处理单元来代替人脑神经细胞( 神经 元) ，并把这些处理单元按照某种方式互相连接组成网络来模拟人脑的一门科学。 它是在现代神经科学研究成果的基础上提出的，揭示了存在于大脑的大规模并行 处理及分布表征的特性，它按照生物神经系统的同样方式处理真实世界的客观事 物，是模拟人类形象思维的一种重要方法，其最终目的就是试图模拟人脑的信息 处理机制，来设计新一代的智能型计算机。因此，神经网络就具有一些与人脑处 理信息时相似的特点，这些特点明显优于其它的传统模式识别系统。 ( 1 ) 具有高度的并行性 人工神经网络是由大量的神经元广泛互连而组成的系统，这一结构特点决定 着人工神经网络具有高速信息处理的能力。人脑的每个神经元大约有1 0 3 一1 0 4 个树 突及相应的突触，一个人的大脑约形成1 0 1 4 一l o ”个突触用神经网络的术语来说， 即人脑具有1 0 1 4 1 0 ”个互相连接的存储潜力。虽然每个神经元的运算功能十分简 单，且信号传输速率也较低( 大约1 0 0 次秒) ，但由于各神经元之间的极度并行互 连功能，最终使得一个普通人的大脑在约1 秒内就能完成现行计算机至少需要数1 0 亿次处理步骤才能完成的任务。 ( 2 ) 分布式存储 存储与计算相结合在神经网络中，知识与信息的存储表现为神经元之间分布 式的物理联系。它分散地表示和存储于整个网络内的各个神经元及其连线上。每 个神经元及其连线只表示一部分信息，而不是一个完整的具体概念。只有通过各 神经元的分布式综合效果才能表达出特定的概念和知识。 ( 3 ) 具有良好的容错性、自适应性和联想记忆功能 由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大，使 得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不 清，神经网络仍然能够联想存在于记忆中的事物完整图像。只要输入的模式接近 于训练样本，系统就能给出正确的推理结论。 ( 4 ) 系统具有健壮性 这是由人工神经网络的结构特点和其信息存储的特点决定的，生物神经网络 不会因为个别神经元的损失而失去对原有模式的记忆，人工神经网络也有类似的 硕 学位论文 情况。由于某些原因，无论是网络的硬件实现还是软件实现中的某个或某些神经 元失效，整个网络仍然能继续工作。 ( 5 ) 具有高度的非线性处理能力 神经网络系统是由大量简单神经元构成的，每个神经元接受大量其它神经元 的输入，通过线性或非线性映射关系，产生输出，影响其它神经元。网络就是这 样互相制约、互相影响，实现从输入状态空间到输出状态空间的非线性映射，所 以神经网络可以很好地应用于分类和预测问题。神经网络是一种具有高度非线性 的超大规模连续时间动力学系统，它突破了传统的以线性处理为基础的数字电子 计算机的局限，标志着人类的智能信息处理能力的一大飞跃。 综上所述，神经网络用于图像识别时具有以下优点：神经网络的信息存储于 连接权值中，网络具有较高的容错性，图像识别中常常存在噪声或输入图像的部 分损失，因此，神经网络可以较好地解决图像识别的问题：神经网络的自组织和自 学习功能，大大减少传统图像识别方法所需的约束条件，使其对图像识别问题显 示出极大的优越性n 引。 2 3 2 人工神经网络的基本模型 人工神经网络是由一些简单的处理单元( 神经元) 组成的大规模并行网络，它 是在现代神经生物学和认知科学对人类信息处理研究的基础上提出的，是对人类 的神经系统的简化、抽象和模拟的模型，在信息处理机制上与传统的数字计算机 有着根本的不同。它具有大规模并行模拟处理、连续时间动力学和网络全局等特 点；信息的存贮方式体现在神经元之间联接权值上，存储区与操作区合二为一； 神经网络具有很强的自适应性、学习能力、容错能力和并行处理能力，使信号处 理过程更接近于人类思维活动。 人工神经网络的基本要素是神经元，它有三个基本要素：一组连接( 对应于生 物神经元的突触) ，连接强度由各个连接上的权值表示，权值为正时表示激活，为 负表示抑制；一个求和单元，用于求取各个输入信号的加权和：一个激活函数， 起线性或非线性映射作用，可将神经元的输出限制在一定的范围之内。此外，还 有一个闽值，如图2 6 所示n 引。 人工神经元的内部阈值为o j ，若用x o = - 1 的固定偏置输入表示，其连接系数取 w o j = o j ，神经元模型的输入输出关系为： s j = w x l 一嘭= 而( x 0 2 1 ，w o j 2 e ) i = lj = o y ( 尼) = f ( s ，) ( 2 1 2 ) 式( 2 1 2 ) 中，x ，为输入信号，w ，为连接权系数；以) 为输出激活函数；y ( k ) 为 神经元的输出。 基于视频的火灾榆测方法研究及实现 图2 6 人工神经网络模型 神经元处理信号是通过首先完成输入信号与神经元联接权值的内积运算，然 后将其结果通过激活函数，再经过阈值函数判决，以决定该神经元