文獻(xiàn)標(biāo)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(xué)習(xí)的視頻火焰識別方法[J].信息技術(shù)與網(wǎng)絡(luò)安全，2020，39(12)：44-51.
0 引言
傳統(tǒng)的氣體型、感溫型、感煙型和感光型等火災(zāi)探測器[1]，依靠火災(zāi)中的CO、CO2、溫度、煙霧微粒、熱和輻射等物理特征來探測火災(zāi)發(fā)生。因其通常與火源距離較遠(yuǎn)，導(dǎo)致可靠性與實時性都不足。視頻火災(zāi)探測技術(shù)無需靠近火源，可實現(xiàn)大視野、遠(yuǎn)距離監(jiān)控，廣泛應(yīng)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(zāi)探測。
火焰具有明顯的視覺特征，傳統(tǒng)視頻火災(zāi)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(jìn)行識別。CHEN T H等人[2]結(jié)合RGB色彩分割和火焰運動特性進(jìn)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(xùn)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(zāi)候選區(qū)域特征組成的特征向量，用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型來識別火災(zāi)。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(shè)計復(fù)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(xué)習(xí)為傳統(tǒng)自然語言處理、計算機視覺等領(lǐng)域帶來了革命性進(jìn)步，也必然促進(jìn)視頻火災(zāi)探測技術(shù)獲得突破性進(jìn)展。深度學(xué)習(xí)算法可自動提取圖像特征，克服了傳統(tǒng)視頻火災(zāi)探測需依靠人工經(jīng)驗提取特征的缺陷。FRIZZI S等人[5]訓(xùn)練了9層網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了火災(zāi)的識別。SON G等人[6]用AlexNet作為基礎(chǔ)架構(gòu)，訓(xùn)練了火災(zāi)分類模型。WU H等人[7]分別訓(xùn)練了區(qū)域檢測網(wǎng)絡(luò)和區(qū)域分類網(wǎng)絡(luò)，實現(xiàn)對火災(zāi)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(luò)進(jìn)行特征提取，這樣大量的無關(guān)特征也將被傳入全連接網(wǎng)絡(luò)進(jìn)行訓(xùn)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(xué)習(xí)模型進(jìn)行特征提取和精確識別。通過結(jié)合傳統(tǒng)方法和深度學(xué)習(xí)算法的優(yōu)點，提出一種基于深度學(xué)習(xí)的視頻火焰識別方法。
本文的主要工作如下：
(1)利用改進(jìn)的五幀差法和自適應(yīng)混合高斯混合建模法(Adaptive Gaussian Mixture Model，AGMM)進(jìn)行運動目標(biāo)提取，并結(jié)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(xùn)練AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型對疑似火焰區(qū)域進(jìn)行精確識別。
(3)在實際數(shù)據(jù)上進(jìn)行測試，并與文獻(xiàn)中其他算法進(jìn)行對比，以評價算法的召回率、準(zhǔn)確率和誤報率。
本文詳細(xì)內(nèi)容請下載:http://www.xxav2194.com/resource/share/2000003226
作者信息:
蔡春兵，吳翠平，徐鯤鵬
(中國礦業(yè)大學(xué)(北京) 化學(xué)與環(huán)境工程學(xué)院，北京100083)