基于YCbCr颜色空间和BP神经网络的火焰图像检测

曲 娜, 王建辉, 陈琦华

(1. 东北大学 信息科学与工程学院, 辽宁 沈阳 110819; 2. 沈阳航空航天大学 安全工程学院, 辽宁 沈阳 110136)

随着社会经济的不断发展, 高层和超高层建筑的不断增多, 火灾探测的难度越来越大, 火灾造成的损失也日趋严重. 根据《中国消防年鉴》, 2013年中国共统计火灾38.8万起, 死亡2 113人, 受伤1 637人, 直接财产损失48.5亿元. 如果能尽早地发现火灾, 及时地控制住火灾的发展和蔓延, 对于进一步预防火灾事故的发生至关重要, 火灾死伤人数和财产损失将会有大幅度地下降.

传统的火灾探测设备比较适合相对封闭的地方或空间狭小的区域,对于开阔区域和高大空间建筑,可能会因为探测器和火源的距离较远导致烟雾颗粒浓度、温度等参数值难以达到报警阈值而延误报警时间. 传统的火灾探测设备也有一些基于红外线和紫外线的探测方法,可以探测高大空间建筑火灾, 但此类探测设备价格相对较贵而且容易受到干扰而产生误报.随着视频监控的普及, 人工智能和模式识别技术的不断发展,基于视频的火灾探测方法越来越受到重视. 针对火焰图像的火灾检测主要依据火焰颜色、火焰形状和动态特征等特点, 利用神经网络、支持向量机、马尔科夫模型、专家系统等方法检测火灾. 文献[1]通过火灾出现时着火的面积不断扩大、火焰的边缘部分不断闪烁等特点, 提出一种通过BP神经网络检测火灾的系统. 文献[2]提出一种使用隐马尔科夫模型探测火焰的算法和基于计算机视觉的实时火焰探测算法. 文献[3]提出一种多特征融合的火焰探测算法. 算法融合了火焰的动态和静态特征, 使用可信度理论探测火焰. 文献[4]提出一种使用统计颜色模型探测火焰的算法. 文献[5]提出基于视觉传感器和支持向量机的视频火灾探测系统. 文献[6]提出一种基于视觉特征概率密度函数的模糊火焰检测方法. 文献[7]使用火焰的颜色和时空信息特点, 利用协方差矩阵和支持向量机来识别火焰. 文献[8]提出使用图像处理和PIR传感器探测火灾火焰的方法. 文献[9]提出一种探测汽车停车场等大空间的火焰和烟气方法. 文献[10]使用运动评估器区分火的运动特征和其它运动类型. 提出2个新的光流估计OMT和NSD. 文献[11]提出了新颖的室内火灾探测和室外火灾探测方法. 室内探测器是基于深度和振幅的图像, 室外探测器采用了视觉火焰探测器, 而不是快速变化的深度检测. 文献[12]通过视频采集火灾图像,分析火焰颜色、形状变化和运动等, 形成多专家系统探测火灾. 文献[13]采用火灾的各种时空特征,如颜色、闪烁和时空能源等建立火灾行为模型, 从而探测火灾.文献[14]提出了检测烟雾多重特征分析的方法, 由3个阶段组成. 在第1阶段, 基于YUV颜色空间进行分割候选烟雾区域. 本文利用YCbCr颜色空间与BP神经网络相结合的方法来实现可对火灾图像进行识别的目的.

1 YCbCr颜色空间

YCbCr颜色空间中的Y指亮度信息,Cb、Cr都指色彩信息,其中Cb是蓝色分量,Cr是红色分量.采用YCbCr颜色空间的步骤如下[15-16].

1) 格式转化.进行神经网络训练之前,所输入的原始火焰图像都是RGB颜色空间的图像.需要将其转化为以YCbCr颜色空间为图像.利用式(1)将RGB图像转化为YCbCr图像,各分量取值范围为0～255.

2) 阈值分割.图像中亮度分量取值为16～235,2个色差分量的取值为16～240.

3) 滤波.在摄像机所拍摄的图像中,椒盐噪声通常对其破坏较大.中值滤波对椒盐噪声的处理效果较好,通过对数据排序的方法更能保持图像的清晰度.

4) 特征区域提取.利用MATLAB的bwlabel函数来实现.

5) 二值特征提取.利用MATLAB的regionprops函数提取火焰图像的二值特征.

2 BP神经网络

2.1 BP神经网络结构

BP神经网络是一种按误差逆传播算法训练的多层前馈网络,主要是由输入层、隐含层和输出层3个部分组成.文中将Y、Cb、Cr3个分量做为神经网络的输入,即输入节点数为3,输出节点数为1,隐含层为1层,如图1所示.

利用式(2)计算隐层的节点数.

(2)

式中:n为输入的节点数;m为输出节的点数;c为1～10的常数.通过反复实验,当c取8时,即隐层节点数为10时,正确率最高且速度较快.

图1 BP神经网络模型Fig.1 BP neural network model

2.2 BP神经网络构建

BP神经网络的构建第一步要对神经网络进行初始化. 设n是输入层的节点个数,l是隐含层的节点个数,m是输出层的节点个数,ωij是输入层到隐含层的权重,ωjk是隐含层到输出层的权重,aj是输入层到隐含层的偏置,bk是隐含层到输出层的偏置,δ是学习速率,g(x)是激励函数. 其中激励函数为g(x)取Sigmoid函数.i=1,…,n;j=1,…,l;k=1,…,m.

第二步是计算隐含层的输出,设Hj是隐含层的输出值,则

(3)

计算输出层的输出,设Ok是输出层的输出,则

(4)

计算误差,求误差的公式为

(5)

Yk是期望输出.令Yk-Ok=ek,那么E可转化为

(6)

利用式(7)来更新权值,

(7)

利用式(8)更新阈值,

(8)

3 火焰图像识别

3.1 火灾图像的训练

利用100张样本图像对BP神经网络模型进行训练,训练时各分量如表1和表2所示.

表1 输入层到隐层的权值和阈值

表2 隐含层到输出层的权值和阈值

3.2 样本识别结果

利用10组火灾样本图像和10组干扰样本图像验证模型的有效性.输入火灾样本图像如图2所示,运行结果如图3所示,说明识别结果正确.输入干扰样本图像如图4所示,运行结果如图5所示,说明识别结果正确.

图2 火灾样本图像Fig. 2 Image of the fire sample ≫TestFireDetectionSmall Fire

图4干扰样本图像
Fig.4Theinterferencesampleimage

≫TestFireDetection No Fire
≫

图5干扰样本运行结果
Fig.5Runningresultoftheinterferencesample

4 结 论

利用YCbCr颜色空间提取发生火灾时火焰的亮度分量和红、蓝2个颜色分量作为火灾探测参量,利用BP神经网络建立火灾探测模型,输入节点数为3,隐层节点数为10,输出层节点数为1.通过MATLAB仿真验证了该方法检测火灾的有效性.与传统检测烟雾、温度等火灾参量的方法相比,该方法的准确率更高,适合更多场合的应用.