《電子技術應用》
您所在的位置：首頁 > 人工智能 > 设计应用 > 基于深度学习的视频火焰识别方法
基于深度学习的视频火焰识别方法
2020年信息技术与网络安全第12期
蔡春兵，吴翠平，徐鲲鹏
中国矿业大学(北京) 化学与环境工程学院，北京100083
摘要： 针对传统视频火灾检测方法依靠人工经验提取火焰特征，误报率高、鲁棒性差的特点，提出一种基于深度学习的视频火焰识别方法。该方法充分利用火焰的运动特征和颜色信息，先使用改进的五帧差法和自适应混合高斯建模法进行运动目标提取；再采用RGB-HSV混合颜色空间模型筛选出图像中可能的火焰像素区域；最后将以上两个步骤结合起来进行疑似火焰区域提取，并将疑似火焰区域图像传入预训练的AlexNet卷积神经网络模型进行火与非火的精确识别。通过对多种场景下火焰视频的测试结果表明，提出的方法具有较高的召回率、准确率和较低的误报率。
中圖分類號： TP391.4
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2020.12.008
引用格式： 蔡春兵，吳翠平，徐鯤鵬. 基于深度學習的視頻火焰識別方法[J].信息技術與網(wǎng)絡安全，2020，39(12)：44-51.
Video flame recognition method based on deep learning
Cai Chunbing，Wu Cuiping，Xu Kunpeng
College of Chemical and Environmental Engineering，China University of Mining and Technology(Beijing)， Beijing 100083，China
Abstract： Aiming at the characteristics of traditional video fire detection methods that rely on manual experience to extract flame features, with high false alarm rate and low accuracy, a video flame recognition method based on deep learning is proposed. This method makes full use of the motion characteristics and color information of the flame. Firstly, the improved five-frame subtraction method and the adaptive Gaussian mixture model are used to extract the moving objects. Then, the RGB-HSV mixed color space model is used to filter out the possible flame areas in the image. Finally, the above two steps are combined to extract the suspected flame area, and the extracted image of the suspected flame area is fed into the pre-trained AlexNet convolutional neural network model for accurate recognition. The test results of flame video in many scenarios show that the proposed method has higher recall rate, accuracy rate, and lower false alarm rate.
Key words : flame recognition；computer vision；deep learning；convolution neural network

0 引言

    傳統(tǒng)的氣體型、感溫型、感煙型和感光型等火災探測器[1]，依靠火災中的CO、CO2、溫度、煙霧微粒、熱和輻射等物理特征來探測火災發(fā)生。因其通常與火源距離較遠，導致可靠性與實時性都不足。視頻火災探測技術無需靠近火源，可實現(xiàn)大視野、遠距離監(jiān)控，廣泛應用于大型工廠、森林和煤礦等大空間和室外開放空間的火災探測。

    火焰具有明顯的視覺特征，傳統(tǒng)視頻火災探測算法通常根據(jù)火焰的顏色、形狀和紋理等靜態(tài)特征，以及閃爍頻率、面積增長、形態(tài)變化和移動方向等動態(tài)特征進行識別。CHEN T H等人[2]結合RGB色彩分割和火焰運動特性進行火焰像素的判定。KO B C[3]等人通過檢測運動區(qū)域和火焰顏色判斷來提取候選火焰區(qū)域，并對候選區(qū)域提取特征，用于訓練支持向量機SVM分類器，實現(xiàn)對火與非火的判定。MEI Z[4]等人通過幀間差分法和火焰顏色模型確定候選著火區(qū)域，然后提取火災候選區(qū)域特征組成的特征向量，用于訓練BP神經(jīng)網(wǎng)絡模型來識別火災。候選區(qū)域的特征提取對后續(xù)分類器性能的好壞起到?jīng)Q定性的作用，傳統(tǒng)視頻火焰探測需要人工設計復雜的特征提取方法，在識別率和泛化性能上都有一定的局限性。

    深度學習為傳統(tǒng)自然語言處理、計算機視覺等領域帶來了革命性進步，也必然促進視頻火災探測技術獲得突破性進展。深度學習算法可自動提取圖像特征，克服了傳統(tǒng)視頻火災探測需依靠人工經(jīng)驗提取特征的缺陷。FRIZZI S等人[5]訓練了9層網(wǎng)絡結構的卷積神經(jīng)網(wǎng)絡，實現(xiàn)了火災的識別。SON G等人[6]用AlexNet作為基礎架構，訓練了火災分類模型。WU H等人[7]分別訓練了區(qū)域檢測網(wǎng)絡和區(qū)域分類網(wǎng)絡，實現(xiàn)對火災的判定。上述方法都直接在原始圖片上使用卷積神經(jīng)網(wǎng)絡進行特征提取，這樣大量的無關特征也將被傳入全連接網(wǎng)絡進行訓練，使得分類性能不佳。

    通常，火焰只占據(jù)圖像的一部分，可首先提取火焰疑似區(qū)域，再將疑似區(qū)域傳入深度學習模型進行特征提取和精確識別。通過結合傳統(tǒng)方法和深度學習算法的優(yōu)點，提出一種基于深度學習的視頻火焰識別方法。

    本文的主要工作如下：

    (1)利用改進的五幀差法和自適應混合高斯混合建模法(Adaptive Gaussian Mixture Model，AGMM)進行運動目標提取，并結合RGB-HSV混合顏色空間模型，提取疑似火焰區(qū)域。

    (2)制作火與類火數(shù)據(jù)集，訓練AlexNet卷積神經(jīng)網(wǎng)絡模型對疑似火焰區(qū)域進行精確識別。

    (3)在實際數(shù)據(jù)上進行測試，并與文獻中其他算法進行對比，以評價算法的召回率、準確率和誤報率。




本文詳細內容請下載:http://ihrv.cn/resource/share/2000003226




作者信息:

蔡春兵，吳翠平，徐鯤鵬

(中國礦業(yè)大學(北京) 化學與環(huán)境工程學院，北京100083)

此內容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉載。