文/郑昕然

模式识别就是通过利用计算机网络技术来对图像、物体以及物理对象以及过程进行有效识别，并借此对其进行描述和分类。通过该技术能够有效保障最终识别结果符合实际状况，提升识别工作的效率和质量。在进行模式识别工作的过程当中，工作人员必须要结合实际的研究对象以及周边环境等多方面的内容，选择最合适的理论和方法。以建立在图像处理技术之上的火灾识别方法为例，通过该方法能够有效识别火灾图像之中是否存在火源。

1 以人工神经网络为基础的火灾图像识别方法

1.1 人工神经网络

人工神经网络主要是由多种处理单元链接起来所形成的，在人工神经网络之中，最基础的处理单元本称作神经元，神经元主要有三个基本组成元素组成，分别是：连接、求和单元以及激活函数。其中连接主要指的时将生物神经元突触连接起来。激活函数主要就是将系统的线性映射以及非线性映射完成，并且其能够合理有效的对神经元的输出进行限制，求和单元的主要功能就是将每一个输入信号的加权和求出来。

1.2 在BP神经网络算法基础之上的火灾识别方法

BP神经网络在运行的过程当中需要经历训练阶段和预测阶段这两个阶段。

训练阶段：在训练阶段之中无论是样本输出还是输入，所有相关信息都会被输入、输出到BP神经网络中。通过对节点链接权值、阈值进行有效学习和修正，同时采用数值计算法对参数进行有效优化，有效保证输出能够达到期望值。

预测阶段：在此阶段中，主要工作就是预测位置样本，同时通过BP神经网络算法对权值进行修正。

为测试BP神经网络算法火灾识别方法的效率，本文筛选出9幅矿灯图像、9幅白炽灯图像以及9幅车灯图像，一共50幅火灾图像。同时从训练好的神经网络之中选择25个样本作为神经网络的输入。在这25个样本之中有10幅火灾图像、5幅白炽灯图像、5幅矿灯图像以及5幅车灯图像，其中采集工作的效率为25f/s，从表1BP神经网络部分识别结果可以得出，其对于火灾有着较好的识别结果，能够有效将多种干扰源和火焰图像区分开来。这其中的主要原因就是因为经过改进之后的火灾图像识别方法具备着自学习、自适应等多方面的功能，能够有效提高火灾的识别效率，大大降低火灾的漏检几率。

2 基于改进最小二乘支持向量机的火灾图像识别方法

2.1 最小二乘支持向量机

最小二乘支持向量机主要是通过采用SVM算法之中的不等式来对灯饰进行约束，借此有效将二次规划问题简化，达到提高训练效率的最终目的。

2.2 以FR-LSSVM为基础的火灾图像识别方法

以FR-LSSVM为基础的火灾图像识别方法对于小样本模式分类来说，一般采用的时基于快速留一法超参数的选择，这是在最小二乘支持向量机的基础之上进行的。通过基于快速留一法超参数的选择能够有效解决最小二乘向量机存在的小样本、非线性建模如何选择核函数参数以及惩罚因子两个超参数的问题。除此之外，该方法在有效解决最优化问题的过程当中，主要采用的是共轭梯度法，这一方法不仅操作简单、数据信息存储量比较少，同时效率非常高，能够快速有效的将一些规模较大的复杂问题解决。共轭梯度法需要对搜索方向以及步长因子进行计算。通过以最小二乘支持向量机超参数选取、快速留一法为核心基础，有机结合共轭梯度法，借此对样本的留一预测误差平方和进行优化，从有效明确超参数，并在此基础之上建立FR-LSSVM模型。

BP神经网络和LS-SVM这两种方法的识别率相对来说比较低，而FR-LSSVM 以及标准SVM这两种方法的识别率要高于其他两种方法。FR-LSSVM以及LS-SVM这两种方法的训练时间最短，另外两种方法需要的训练时间相对来说比较长，并且BP神经网络方法不仅需要较长的训练时间，同时对于火灾的识别率也相对较低。要想有效解决这一点，就必须要对BP神经网络方法之中的权值进行有效修正。除此之外，虽然标准SVM法要比LS-SVM法工作效率更高，但是标准SVM法的培训时间和识别时间也要比后者更长。FRLSSVM是一种算法稳定、识别效率高、错误率较低的方法，它非常适合建设非线性小样本模型，通过这一方法进行火灾识别能够有效提高该工作的效率和质量。但是该方法对于图像有着非常高的要求标准，如果图像存在不清晰、目标不完整以及存在噪音等多方面情况的话，那么该方法将无法进行有效识别。

表1：BP神经网络部分识别结果

3 结束语

火灾的发生将会给我国造成非常严重的经济损失，同时也不利于我国和谐社会的构建，因此我国有识之士必须要对基于图像处理技术的火灾识别方法的应用进行不断研究分析，借此有效降低火灾带来的负面影响。