基于证据理论和神经网络的烟雾图像检测
周凤
摘 要： 烟雾图像检测对于预防火灾具有重要的研究意义，烟雾受到空气和自身扩散的作用，变化过程十分复杂，导致传统方法的检测效果差，为了解决该难题，提出证据理论和神经网络的烟雾图像检测方法。研究了当前烟雾图像检测状态，找到引起当前方法检测效果差的原因，提取烟雾图像特征，并采用神经网络得到烟雾图像检测结果，最后根据证据理论对神经网络的烟雾图像检测结果进行融合，并通过烟雾图像检测实验进行可行性验证，该方法烟雾图像检测正确率超过95%，获得了令人满意的烟雾图像检测结果。
关键词： 烟雾图像； 烟雾检测； 证据理论； 火灾报警； 神经网络
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）07?0055?04
Smoke image detection based on evidence theory and neural network
ZHOU Feng
（Suihua University， Suihua 152061， China）
Abstract： The smoke image detection has great research significance to prevent fire disaster. The smoke influenced by the air and its diffusion has a complicated variation process， so the traditional method has poor detection effect. In order to solve the problem， the smoke image detection method based on evidence theory and neural network is put forward. The detection status of the current smoke image is studied to find out the reason causing poor detection effect of the current method. And then the smoke image feature is extracted. The neural network is used to obtain the smoke image detection results. The smoke image detection results produced by the neural network are fused according to the evidence theory. The feasibility of the method was verified with smoke image detection experiment. The image detection accuracy of the method can reach up to more than 95%， and the method has achieved a satisfied smoke image detection result.
Keywords： smoke image； smoke detection； evidence theory； fire alarm； neural network
0 引 言
火災威胁着人们的生命和财产安全，为尽早发现火灾，采取相应的防范措施，可以通过对火灾进行检测，减少火灾带来的经济损失[1?2]。当前火灾检测的方法众多，有的采用感光传感器、感温传感器等进行，但是这些传感器如何部署至关重要，再加上传感器自身检测精度不足，它们的实际应用范围有限。根据火灾烟雾图像对火灾发生态势进行检测，成本低、检测效果好，已经成为当前火灾检测的一个重要研究方向[2?5]。
传统烟雾检测方法主要基于光度法实现，该方法有一个致命的缺陷，即只有当烟雾浓度达到一定程度时才能检测到火灾的发生[6]。近年来，有学者提出采用火灾发生视频图像进行火灾检测，通过提取火灾图像的颜色、运动信息等实现火灾状态的识别，取得了不错的火灾检测效果[7?8]。颜色属于静态特征，而运动信息属于动态特征，它们有自己的优势，而且它们的劣势也十分明显，因此单一的静态特征或者动态特征均难以对火灾进行准确检测，检测结果的可信度低[9]。一些研究人员发现静态特征和动态特征可以实现优势互补，建立了基于混合特征的烟雾检测方法，比单一静态特征或者动态特征的检测结果更优，但如何将静态特征和动态特征的检测结果进行融合，当前研究人员都是凭自己的经验进行，检测结果的可解释性差[10?11]。证据理论可以对各种结果进行有效融合，并且能够对融合结果进行说明和分析，可解释性好，为此被一些研究人员用于火灾的检测中[12]。火灾烟雾图像检测实际就是一种火灾烟雾状态识别问题，即对火灾所处的状态进行分析和识别，当前有学者采用支持向量机建立火灾烟雾图像检测的识别模型，但学习速度很慢，火灾烟雾图像检测实时性差，而火灾检测对实时性要求高，影响火灾检测的实际应用价值[9]。
为了解决当前火灾烟雾图像检测效果差的难题，提出证据理论和神经网络的烟雾图像检测方法。分别提取火灾烟雾图像的静态特征和动态特征，并采用神经网络根据静态特征和动态特征进行烟雾图像检测，采用证据理论对静态特征和动态特征的检测结果进行融合，得到烟雾图像检测结果。实验结果表明，本文方法不但可以提高烟雾图像检测的正确率，而且火灾检测的实时性好，在火灾检测中具有广泛的应用前景。
1 证据理论和神经网络
1.1 证据理论
针对问题的不确性和不完备性，Dempster提出了证据理论，根据识别框架和信任分配函数构建一种信任关系，然后通过信任函数和似然函数确定置信区间。设第[i]个信息源的先验信息为[PpLi≤pi≤pHi=Ci，]那么置信度[Ci]表示命题[pLi≤pi≤pHi]成立的打赌概率，证据理论的工作步骤为：
（1） 根据最小担保原则建立基本信任分配函数[mi，]并可以得到：
[BetPA=B∈ΘmBA?BB， ?A∈Θ] （1）
基本分配函数的求解方程定义如下：
[pH-pL1-0×mi0，1+mipL，pH=CimipL，pH+mi0，1=1] （2）
解得：
[mipH，pL=1-1-Ci1-pH+pLmi0，1=1-Ci1-pH+pL] （3）
第[i]个信息源可信度为[ωi，]那么修正后的[mi]為：
[m′ipH，pL=ωi×mipH，pLm′i0，1=ωi×mi0，1+1-ωi] （4）
（2） [Ai]为第[i]个信息源支持的命题，当有[n]个命题，根据Dempster合成规则估计基本信任分配函数[m（A），]计算公式为：
[mA=?Ai=A 1≤i≤nm′iAi1-K，A≠?0，A=?] （5）
[K=?Ai=Θ 1≤i≤nm′iAi] （6）
（3） 令集合[P=PH1，PL1，PH2，PL2，…，PHi，PLi，]元素排序后集合为[P=P1，P2，…，P2n，]依据Pignistic转换获得打赌概率为：
[BetPi0≤P≤x=BetPi-1x=Pi-1+Aj?Pi-1，Pi≠?mAjx-Pi-1PHj-PLj] （7）
式中[x∈Pi-1，Pi]。
根据概率密度函数[fx=dBetPdx]统计先验信息的均值[μ]和方差[ν]分别为：
[μ=01xfxdxν=01x-μ2fxdx] （8）
1.2 神经网络
BP神经网络具有强大的非线性处理能力，而且并行的运行效率高，鲁棒性和通用性强，可以通过误差反向传播提高问题求解的精度，基本结构如图1所示。
BP神经网络的输入和输出向量分别为[x=（x1，x2，…，xn）T]和[y=（y1，y2，…，ym）T，][x∈Rn，]隐层有[h]个节点，隐层和输入层、输出层间的权值分别为[w，][v，]则输出层的结果为：
[x′j=fi=1nwijxi-θj，j=1，2，…，h-1，hyk=fj=1hvjkx′j-θ′k，k=1，2，…，m-1，m] （9）
式中[f（?）]为Sigmoid函数。
2 证据理论和神经网络的烟雾图像检测
2.1 烟雾可疑区域检测
（1） 火灾烟雾两行的亮点数为[f（n）]和[f（n-1），]若[x=f（n-1）f（n）>1，]说明不是可疑区域，否则为可疑区域[S1，]计算公式为：
[S1=fire flame， disturbance， x≤1 x>1] （10）
（2） 从火灾烟雾图像背景区域得到可疑区域[S2：]
[T=A-A?b] （11）
[S2=Th（A）&Th（T）] （12）
式中Th为二值化操作。
（3） 对图像实现颜色空间转换，得到可疑烟雾[S3]。
（4） 综合[S1，S2，S3]能够得到整个烟雾可疑区域[S，]具体如下：
[S=S1&S2&S3] （13）
2.2 提取特征
火灾与时间长短成正相关关系，烟雾的面积同样也呈正相关，采用烟雾面积增长率[G（t，t0）]作为静态特征，[G（t，t0）]具体如下：
[G（t，t0）=size（T）t-size（T）t0t-t0] （14）
式中：[size（T）t]和[size（T）t0]为第[t，t0]帧的烟雾面积。
根据光流方向将可疑区域划分为4个部分：
[I1： π4≤θj≤3π4I2： -3π4<θj<-π4I3： 3π4<θj≤π?-π<θj≤-3π4I4： -π4≤θj<π4] （15）
将烟雾运动方向作为动态特征，即有[Fi=（Ui，Di，][Li，Ri），]具体为：
[Ui=ku∈I1kuk∈Cik，Di=kd∈I2kdk∈CikLi=kl∈I3klk∈Cik，Ri=kr∈I4krk∈Cik] （16）
式中：[ku，kd，kl，kr]为[S]在[I1，I2，I3，I4]方向上的点。
2.3 烟雾图像检测的过程
（1） 检测烟雾图像的可疑区，并得到静态特征和动态特征。
（2） 采用神经网络分别对静态特征和动态特征进行检测，统计它们的检测正确率。
（3） 根据检测正确率构造基本信任函数值。
（4） 根据基本信任函数进行结果判决，得到火灾烟雾图像的检测结果。
证据理论和神经网络的烟雾图像检测流程如图2所示。
3 结果与分析
为了分析本文方法的烟雾图像检测性能，进行了大量的模拟火灾点火实验，得到100幅图像，对烟雾图像进行检测，结果如图3所示，在Matlab 2014平台上实现仿真实验。
选择动态特征+神经网络，静态特征+神经网络、文献[10]、文献[11]的检测方法进行对照实验，统计它们的实验结果，火灾烟雾图像检测率和误检率如图4和图5所示。
从图4可知，动态特征和静态特征的火灾检测正确率低，使得火灾烟雾图像检测结果不可信；从图5可以发现，动态特征和静态特征的火灾误检率高，这是因为它们不能全面、准确地描述火灾烟雾变化趋势。
相对于文献[10]以及文献[12]的火灾烟雾图像检测方法，本文方法的火灾烟雾图像检测结果更可靠，同时从表1的平均检测时间可以发现，本文方法的检测时间也要小于文献[10]以及文献[12]，提高了火灾烟雾图像检测的实时性，而动态特征和静态特征的火灾烟雾图像检测时间虽然很短，但是检测结果差，不能满足火灾防范的要求。
4 结 语
烟雾图像检测结果有利于火灾的预防，在火灾发生过程中，烟雾外界的作用变化复杂，传统方法无法获得满意的检测结果，为解决传统烟雾图像检测过程中存在的一些不足，提出证据理论和神经网络的烟雾图像检测方法。首先分别提取反映烟雾变化的特征，然后采用神经网络对每个特征进行烟雾图像检测，并采用证据理论对单一特征的烟雾图像检测结果进行融合，在Matlab 2014平台上的实验结果表明，本文方法比当前烟雾图像检测方法的检测效果要优，具有较强的通用性，能够应用于实际的烟雾环境检测中。
参考文献
[1] 常太华，苏杰，田亮.一种基于DSP实现火焰检测的方法[J].华北电力大学学报，2002，29（4）：48?50.
[2] 王磊，童子权.基于图像处理技术的火焰检测算法研究[J].电子测量技术，2010（4）：52?55.
[3] 练秋生，李党.融合多种特征的烟雾图像检测算法[J].光学技术，2009，35（4）：523?528.
[4] 杨猛，趙春晖，潘泉，等.基于小波分析的烟雾多特征融合和空间精度补偿森林火情检测算法[J].中国图象图形学报，2009，14（4）：694?700.
[5] 文方，陈慕君，刘佳.基于模糊神经网络的火灾报警系统[J].机械制造与自动化，2009，38（6）：93?94.
[6] 袁非牛，张永明，刘士兴，等.基于累积量和主运动方向的视频烟雾检测方法[J].中国图象图形学报，2008，13（4）：808?813.
[7] 王莹，李文辉.基于多特征融合的高精度视频火焰检测算法[J].吉林大学学报（工学版），2010，21（3）：769?775.
[8] 许宏科，房建武，文常保.基于亮度与火焰区域边缘颜色分布的火焰检测[J].计算机应用研究，2010，27（9）：100?103.
[9] 吴爱国，杜春燕，李明.基于混合高斯模型与小波变换的火灾烟雾探测[J].仪器仪表学报，2008，29（8）：1622?1626.
[10] 郑璐，陈俊.基于运动和颜色的视频烟雾检测算法[J].计算机工程与设计，2010，31（21）：4650?4653.
[11] 夏文德，练秋生.基于视频处理的烟雾检测快速算法[J].电子技术，2007，34（11）：135?138.
[12] 曾鸣，冯义，刘达.基于证据理论的多模型组合电价预测[J].中国电机工程学报，2008，28（6）：84?89.
摘 要： 烟雾图像检测对于预防火灾具有重要的研究意义，烟雾受到空气和自身扩散的作用，变化过程十分复杂，导致传统方法的检测效果差，为了解决该难题，提出证据理论和神经网络的烟雾图像检测方法。研究了当前烟雾图像检测状态，找到引起当前方法检测效果差的原因，提取烟雾图像特征，并采用神经网络得到烟雾图像检测结果，最后根据证据理论对神经网络的烟雾图像检测结果进行融合，并通过烟雾图像检测实验进行可行性验证，该方法烟雾图像检测正确率超过95%，获得了令人满意的烟雾图像检测结果。
关键词： 烟雾图像； 烟雾检测； 证据理论； 火灾报警； 神经网络
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）07?0055?04
Smoke image detection based on evidence theory and neural network
ZHOU Feng
（Suihua University， Suihua 152061， China）
Abstract： The smoke image detection has great research significance to prevent fire disaster. The smoke influenced by the air and its diffusion has a complicated variation process， so the traditional method has poor detection effect. In order to solve the problem， the smoke image detection method based on evidence theory and neural network is put forward. The detection status of the current smoke image is studied to find out the reason causing poor detection effect of the current method. And then the smoke image feature is extracted. The neural network is used to obtain the smoke image detection results. The smoke image detection results produced by the neural network are fused according to the evidence theory. The feasibility of the method was verified with smoke image detection experiment. The image detection accuracy of the method can reach up to more than 95%， and the method has achieved a satisfied smoke image detection result.
Keywords： smoke image； smoke detection； evidence theory； fire alarm； neural network
0 引 言
火災威胁着人们的生命和财产安全，为尽早发现火灾，采取相应的防范措施，可以通过对火灾进行检测，减少火灾带来的经济损失[1?2]。当前火灾检测的方法众多，有的采用感光传感器、感温传感器等进行，但是这些传感器如何部署至关重要，再加上传感器自身检测精度不足，它们的实际应用范围有限。根据火灾烟雾图像对火灾发生态势进行检测，成本低、检测效果好，已经成为当前火灾检测的一个重要研究方向[2?5]。
传统烟雾检测方法主要基于光度法实现，该方法有一个致命的缺陷，即只有当烟雾浓度达到一定程度时才能检测到火灾的发生[6]。近年来，有学者提出采用火灾发生视频图像进行火灾检测，通过提取火灾图像的颜色、运动信息等实现火灾状态的识别，取得了不错的火灾检测效果[7?8]。颜色属于静态特征，而运动信息属于动态特征，它们有自己的优势，而且它们的劣势也十分明显，因此单一的静态特征或者动态特征均难以对火灾进行准确检测，检测结果的可信度低[9]。一些研究人员发现静态特征和动态特征可以实现优势互补，建立了基于混合特征的烟雾检测方法，比单一静态特征或者动态特征的检测结果更优，但如何将静态特征和动态特征的检测结果进行融合，当前研究人员都是凭自己的经验进行，检测结果的可解释性差[10?11]。证据理论可以对各种结果进行有效融合，并且能够对融合结果进行说明和分析，可解释性好，为此被一些研究人员用于火灾的检测中[12]。火灾烟雾图像检测实际就是一种火灾烟雾状态识别问题，即对火灾所处的状态进行分析和识别，当前有学者采用支持向量机建立火灾烟雾图像检测的识别模型，但学习速度很慢，火灾烟雾图像检测实时性差，而火灾检测对实时性要求高，影响火灾检测的实际应用价值[9]。
为了解决当前火灾烟雾图像检测效果差的难题，提出证据理论和神经网络的烟雾图像检测方法。分别提取火灾烟雾图像的静态特征和动态特征，并采用神经网络根据静态特征和动态特征进行烟雾图像检测，采用证据理论对静态特征和动态特征的检测结果进行融合，得到烟雾图像检测结果。实验结果表明，本文方法不但可以提高烟雾图像检测的正确率，而且火灾检测的实时性好，在火灾检测中具有广泛的应用前景。
1 证据理论和神经网络
1.1 证据理论
针对问题的不确性和不完备性，Dempster提出了证据理论，根据识别框架和信任分配函数构建一种信任关系，然后通过信任函数和似然函数确定置信区间。设第[i]个信息源的先验信息为[PpLi≤pi≤pHi=Ci，]那么置信度[Ci]表示命题[pLi≤pi≤pHi]成立的打赌概率，证据理论的工作步骤为：
（1） 根据最小担保原则建立基本信任分配函数[mi，]并可以得到：
[BetPA=B∈ΘmBA?BB， ?A∈Θ] （1）
基本分配函数的求解方程定义如下：
[pH-pL1-0×mi0，1+mipL，pH=CimipL，pH+mi0，1=1] （2）
解得：
[mipH，pL=1-1-Ci1-pH+pLmi0，1=1-Ci1-pH+pL] （3）
第[i]个信息源可信度为[ωi，]那么修正后的[mi]為：
[m′ipH，pL=ωi×mipH，pLm′i0，1=ωi×mi0，1+1-ωi] （4）
（2） [Ai]为第[i]个信息源支持的命题，当有[n]个命题，根据Dempster合成规则估计基本信任分配函数[m（A），]计算公式为：
[mA=?Ai=A 1≤i≤nm′iAi1-K，A≠?0，A=?] （5）
[K=?Ai=Θ 1≤i≤nm′iAi] （6）
（3） 令集合[P=PH1，PL1，PH2，PL2，…，PHi，PLi，]元素排序后集合为[P=P1，P2，…，P2n，]依据Pignistic转换获得打赌概率为：
[BetPi0≤P≤x=BetPi-1x=Pi-1+Aj?Pi-1，Pi≠?mAjx-Pi-1PHj-PLj] （7）
式中[x∈Pi-1，Pi]。
根据概率密度函数[fx=dBetPdx]统计先验信息的均值[μ]和方差[ν]分别为：
[μ=01xfxdxν=01x-μ2fxdx] （8）
1.2 神经网络
BP神经网络具有强大的非线性处理能力，而且并行的运行效率高，鲁棒性和通用性强，可以通过误差反向传播提高问题求解的精度，基本结构如图1所示。
BP神经网络的输入和输出向量分别为[x=（x1，x2，…，xn）T]和[y=（y1，y2，…，ym）T，][x∈Rn，]隐层有[h]个节点，隐层和输入层、输出层间的权值分别为[w，][v，]则输出层的结果为：
[x′j=fi=1nwijxi-θj，j=1，2，…，h-1，hyk=fj=1hvjkx′j-θ′k，k=1，2，…，m-1，m] （9）
式中[f（?）]为Sigmoid函数。
2 证据理论和神经网络的烟雾图像检测
2.1 烟雾可疑区域检测
（1） 火灾烟雾两行的亮点数为[f（n）]和[f（n-1），]若[x=f（n-1）f（n）>1，]说明不是可疑区域，否则为可疑区域[S1，]计算公式为：
[S1=fire flame， disturbance， x≤1 x>1] （10）
（2） 从火灾烟雾图像背景区域得到可疑区域[S2：]
[T=A-A?b] （11）
[S2=Th（A）&Th（T）] （12）
式中Th为二值化操作。
（3） 对图像实现颜色空间转换，得到可疑烟雾[S3]。
（4） 综合[S1，S2，S3]能够得到整个烟雾可疑区域[S，]具体如下：
[S=S1&S2&S3] （13）
2.2 提取特征
火灾与时间长短成正相关关系，烟雾的面积同样也呈正相关，采用烟雾面积增长率[G（t，t0）]作为静态特征，[G（t，t0）]具体如下：
[G（t，t0）=size（T）t-size（T）t0t-t0] （14）
式中：[size（T）t]和[size（T）t0]为第[t，t0]帧的烟雾面积。
根据光流方向将可疑区域划分为4个部分：
[I1： π4≤θj≤3π4I2： -3π4<θj<-π4I3： 3π4<θj≤π?-π<θj≤-3π4I4： -π4≤θj<π4] （15）
将烟雾运动方向作为动态特征，即有[Fi=（Ui，Di，][Li，Ri），]具体为：
[Ui=ku∈I1kuk∈Cik，Di=kd∈I2kdk∈CikLi=kl∈I3klk∈Cik，Ri=kr∈I4krk∈Cik] （16）
式中：[ku，kd，kl，kr]为[S]在[I1，I2，I3，I4]方向上的点。
2.3 烟雾图像检测的过程
（1） 检测烟雾图像的可疑区，并得到静态特征和动态特征。
（2） 采用神经网络分别对静态特征和动态特征进行检测，统计它们的检测正确率。
（3） 根据检测正确率构造基本信任函数值。
（4） 根据基本信任函数进行结果判决，得到火灾烟雾图像的检测结果。
证据理论和神经网络的烟雾图像检测流程如图2所示。
3 结果与分析
为了分析本文方法的烟雾图像检测性能，进行了大量的模拟火灾点火实验，得到100幅图像，对烟雾图像进行检测，结果如图3所示，在Matlab 2014平台上实现仿真实验。
选择动态特征+神经网络，静态特征+神经网络、文献[10]、文献[11]的检测方法进行对照实验，统计它们的实验结果，火灾烟雾图像检测率和误检率如图4和图5所示。
从图4可知，动态特征和静态特征的火灾检测正确率低，使得火灾烟雾图像检测结果不可信；从图5可以发现，动态特征和静态特征的火灾误检率高，这是因为它们不能全面、准确地描述火灾烟雾变化趋势。
相对于文献[10]以及文献[12]的火灾烟雾图像检测方法，本文方法的火灾烟雾图像检测结果更可靠，同时从表1的平均检测时间可以发现，本文方法的检测时间也要小于文献[10]以及文献[12]，提高了火灾烟雾图像检测的实时性，而动态特征和静态特征的火灾烟雾图像检测时间虽然很短，但是检测结果差，不能满足火灾防范的要求。
4 结 语
烟雾图像检测结果有利于火灾的预防，在火灾发生过程中，烟雾外界的作用变化复杂，传统方法无法获得满意的检测结果，为解决传统烟雾图像检测过程中存在的一些不足，提出证据理论和神经网络的烟雾图像检测方法。首先分别提取反映烟雾变化的特征，然后采用神经网络对每个特征进行烟雾图像检测，并采用证据理论对单一特征的烟雾图像检测结果进行融合，在Matlab 2014平台上的实验结果表明，本文方法比当前烟雾图像检测方法的检测效果要优，具有较强的通用性，能够应用于实际的烟雾环境检测中。
参考文献
[1] 常太华，苏杰，田亮.一种基于DSP实现火焰检测的方法[J].华北电力大学学报，2002，29（4）：48?50.
[2] 王磊，童子权.基于图像处理技术的火焰检测算法研究[J].电子测量技术，2010（4）：52?55.
[3] 练秋生，李党.融合多种特征的烟雾图像检测算法[J].光学技术，2009，35（4）：523?528.
[4] 杨猛，趙春晖，潘泉，等.基于小波分析的烟雾多特征融合和空间精度补偿森林火情检测算法[J].中国图象图形学报，2009，14（4）：694?700.
[5] 文方，陈慕君，刘佳.基于模糊神经网络的火灾报警系统[J].机械制造与自动化，2009，38（6）：93?94.
[6] 袁非牛，张永明，刘士兴，等.基于累积量和主运动方向的视频烟雾检测方法[J].中国图象图形学报，2008，13（4）：808?813.
[7] 王莹，李文辉.基于多特征融合的高精度视频火焰检测算法[J].吉林大学学报（工学版），2010，21（3）：769?775.
[8] 许宏科，房建武，文常保.基于亮度与火焰区域边缘颜色分布的火焰检测[J].计算机应用研究，2010，27（9）：100?103.
[9] 吴爱国，杜春燕，李明.基于混合高斯模型与小波变换的火灾烟雾探测[J].仪器仪表学报，2008，29（8）：1622?1626.
[10] 郑璐，陈俊.基于运动和颜色的视频烟雾检测算法[J].计算机工程与设计，2010，31（21）：4650?4653.
[11] 夏文德，练秋生.基于视频处理的烟雾检测快速算法[J].电子技术，2007，34（11）：135?138.
[12] 曾鸣，冯义，刘达.基于证据理论的多模型组合电价预测[J].中国电机工程学报，2008，28（6）：84?89.
