本發(fā)明涉及一種檢測方法，尤其是一種基于bp神經(jīng)網(wǎng)絡的視頻圖像火災火焰檢測方法，屬于火災火焰檢測的技術領域。
背景技術：
早期，人們使用各種電子探測器，采集數(shù)據(jù)，判斷火災是否發(fā)生。然而因其信息單一，且極容易受到環(huán)境溫度、濕度、腐蝕性等的影響，容易發(fā)生誤檢、漏檢等情況，其可靠性、靈敏度、可持續(xù)性等皆有待提高?；馂穆铀俣葮O快，傳統(tǒng)的火災探測系統(tǒng)完全不能滿足火災預防要求。隨著計算機視覺技術的發(fā)展，火災圖像識別技術受到了人們的高度關注與研究?；馂膱D像技術針對性地克服了傳統(tǒng)火災檢測系統(tǒng)的主要弱點，結合高度發(fā)展的圖像采集卡與計算機處理能力，使得可視化火災檢測技術能結合火焰的大量動靜態(tài)特征，極大的加強了火災識別的可靠性、實時性，對火災檢測預防具有重要的突破。
馬宗方等提出了基于支持向量機的圖像型火災探測算法。向量機因其內部嚴格的數(shù)學模型，使其在一定情況下具有計算量小，精度高的特點。然而目前相應的數(shù)學模型并不能精確地描述火焰燃燒時的運動特征。
但現(xiàn)有的視頻火災火焰識別技術仍然存在如下不足：1、數(shù)學模型復雜，計算量大；2、火焰識別的準確度不高。
技術實現(xiàn)要素：
本發(fā)明的目的是克服現(xiàn)有技術中存在的不足，提供一種基于bp神經(jīng)網(wǎng)絡的視頻火災火焰檢測方法，其能提升火焰識別的速度且能有效實現(xiàn)會火焰的檢測，檢測精度高。
按照本發(fā)明提供的技術方案，一種基于bp神經(jīng)網(wǎng)絡的視頻圖像火災火焰檢測方法，所述火災火焰檢測方法包括如下步驟：
步驟1、提供待檢測的視頻圖像，并提取視頻圖像中的火焰圖像區(qū)域；
步驟2、對提取的火焰圖像區(qū)域，進行火焰特征提取，所述提取的火焰特征包括面積增長率、圓形度以及火焰尖角；
步驟3、將上述提取的面積增長率、圓形度以及火焰尖角作為蟻群神經(jīng)網(wǎng)絡的輸入，并利用蟻群神經(jīng)網(wǎng)絡判斷火焰的概率。
步驟1中，采用背景建模法以及混合高斯模型提取視頻圖像中的火焰區(qū)域。
本發(fā)明的優(yōu)點：通過混合高斯模型的背景建模分割火焰圖像，分析火焰的顏色和面積增長率、圓形度、火焰尖角等幾何特征，在背景光線變化等干擾環(huán)境中能有效識別火焰。與傳統(tǒng)火焰檢測方法相比確保檢測正確率的同時，降低了誤檢率。
附圖說明
圖1為本發(fā)明的流程圖。
具體實施方式
下面結合具體附圖和實施例對本發(fā)明作進一步說明。
如圖1所示：為了能提升火焰識別的速度且能有效實現(xiàn)會火焰的檢測，本發(fā)明的火災火焰檢測方法包括如下步驟：
步驟1、提供待檢測的視頻圖像，并提取視頻圖像中的火焰圖像區(qū)域；
具體實施時，在攝像機所拍攝的視頻序列中，相較于背景中靜態(tài)的物體，火焰燃燒具有明顯的運動特性。對于運動目標的檢測有許多方法，本發(fā)明采用背景建模法，并使用混合高斯模型，在各種光照情況的擾動下均有不錯的區(qū)分度。
在攝像頭拍攝的視頻圖像的rgb顏色空間中，x表示單一像素(pixel)點值，則概率密度函數(shù)可以用k個高斯函數(shù)描述：
其中：k是分布數(shù)，令k＝3；第k個分布的均值矩陣、協(xié)方差矩陣和權重系數(shù)依次是uk、σk和ωk。xn為樣本n取值為自然數(shù)
隨機選取一組在不同時刻不同光照干擾下的圖像序列，組成一個實驗圖像向量f＝{f1,f2,…,fn}，采用最大期望方法初始化樣本序列的分布參數(shù)，然后重復迭代直到收斂得到每個像素的分布參數(shù)θ＝[ω1,ω2,ω3,u1,u2,u3,∑1,∑2,∑3]。
二值化當前圖像及模板圖像，建立像素矩陣θ及θ’，依次相減每個像素值，取其偏差的絕對值。|e|＝θ-θ′，對角化后按照閾值公式e′≤5e12篩選可疑區(qū)域。
步驟2、對提取的火焰圖像區(qū)域，進行火焰特征提取，所述提取的火焰特征包括面積增長率、圓形度以及火焰尖角；
具體地，圖像火焰的特征分為顏色特征、物理幾何特征。物理幾何特征又可細分為，邊緣特征，紋理特征等。根據(jù)火焰的特征參數(shù)識別火焰，在當前計算機視覺領域中發(fā)展迅速。本發(fā)明實施例中，采用面積增長率、圓形度和火焰尖角作為火焰識別的特征。
首先對于面積增長率，火焰開始燃燒的極短時間內，隨著火焰的燃燒程度，其面積逐漸變大，相比于靜態(tài)的物體，其變化率具有很高的區(qū)分度。由于是同一視頻流上的圖像(相鄰兩幀的火焰空間物理位置并不會相差太大)，火焰區(qū)域的匹配，只需獲得經(jīng)過前述的預處理得到二值化圖像即可，白色區(qū)域為火焰區(qū)域，通過計算其面積的變化的比值可進行疑似火焰的判斷。用火災面積增長率gi作為判據(jù)。可由下式計算火災面積增長率gi：
式(3)為兩時刻火焰圖像區(qū)的面積差值，s(ri)t為t時刻的面積，s(ri)t0為t0時刻的面積，ri為該時刻的火焰半徑估計平均值相鄰兩亮點之間的空間單位距離為單位長度1。其余亮點的距離由勾股定理求得。周長可由邊界算法求得，具體為本技術領域人員所熟知，此處不再贅述。
對于圓形度計算：憑據(jù)火災火焰形狀的不規(guī)整，而部分干擾源(路燈、車燈等)的形狀規(guī)整程度高，故而將圓形度，作為火焰判別依據(jù)。圓形度的定義如式(4)，具體為：
其中：ck、ak、pk依次為，第k個單位的圓形度，面積和周長，n為單位個數(shù)，若物體外形越接近圓，則ck越大，反之，若其輪廓越復雜，則ck越小，ck的值介于0和1之間。擬定一個閾值c0，當ck＞c0時，則認為該圖圓外形輪廓較為規(guī)則，認定非火焰；當ck＜c0時，則該圖像外形輪廓非常不規(guī)則，滿足火焰輪廓特征。
火焰的運動特性很明顯的有尖角：火焰的尖角數(shù)，在時域上無規(guī)律可循，因此，采取邊緣抖動的特性，可鑒定可疑火源。分析早期火焰，噪聲干擾下時的尖角數(shù)目，和疑似物體的邊沿變化規(guī)律，能夠區(qū)分其他干擾。為了提高火焰判斷的準確性，依舊采用多組數(shù)據(jù)求均值的方法。隨機從各組圖像序列中取出一幀，在單位時限內取得5組火焰尖角數(shù)實驗集，取其期望值
步驟3、將上述提取的面積增長率、圓形度以及火焰尖角作為蟻群神經(jīng)網(wǎng)絡的輸入，并利用蟻群神經(jīng)網(wǎng)絡判斷火焰的概率。
本發(fā)明實施例中，假設bp神經(jīng)網(wǎng)絡所有權值和閾值共有m個，設定權值區(qū)間[wmin,wmax]，均勻劃分成s等份，設立集合
當所有螞蟻完成選擇后，認為一次算法完成，根據(jù)信息素更新公式(式(6))，調整所有的元素的信息素，反復迭代此過程。
當所有螞蟻收斂至同一路徑即認為最優(yōu)解的產(chǎn)生，或達到最大循環(huán)次數(shù)ncmax時，算法結束。