赵丽宏 付雪 肖博宇 张延文

摘  要：为解决森林火灾烟雾检测过程中受外界干扰且由于烟雾存在多种静、动态特性导致识别难度高的问题，提出一种基于卷积神经网络的火灾烟雾视频探测算法提取可疑区域特征并进行模式分类，进而检测出火灾烟雾。实验结果表明：该算法在各种视频场景下均具有良好的烟雾识别性能，并能与灭火装置通信对初期林火进行扑灭，为森林火灾探测扑救装备的智能化、高效化提供了新思路。

关键词：CNN;运动目标检测;数据增强;森林火灾

中图分类号：TP391              文献标志码：A

近年来，森林火灾频发使森林面积锐减，严重破坏了森林结构，导致森林生态系统失去平衡，研究火灾高效检测方法已刻不容缓。火灾初期是由阴燃过渡到火焰阶段的，检测烟雾可有效监测火情。Toreyin提出基于能量的烟雾检测法，但在环境亮度持续变化时，这种方法效果不佳，Yuan认为现场燃烧生热而导致烟雾自下而上运动，是烟雾区别于其他物体的主要动态特征，但此法不适用于漂移现象。该文提出了一种基于CNN的视频火灾烟雾探测算法，对所获取视频图像进行运动目标检测以确定可疑烟雾区域，自动提取可疑区域的特征并进行模式分类，进而检测出火灾烟雾。

1 运动目标检测

图像中心像素点的6个纹理直方图各自所占权重为wk，权重之和为1。由于采集到的第一帧图像往往干扰因素少，所以将第一帧图像看作初始背景模型。将当前桢像素点的纹理直方图Vt依次与初始模型比较，计算它们相似度Pk，满足下式的前b个直方图为背景模型，后6-b个为前景模型。

（1）

式中，wk，t+1为更新后t+1时刻第k个纹理直方图所占权重 ，T为权值判断阈值。

计算Vt与b个背景直方图的相似度进而确定它为背景的概率PB。

（2）

式中，PB为Vt是背景的概率，Pk 为当前帧与前模型的相似度，wk，t为t时刻第k个纹理直方图所占权重。

应用基于图像块的LBP纹理建模法检测可疑烟雾区域，可以有效地降低光照产生的影响，并且将检测速度提高到160 ms/帧，满足及时性要求。

2 基于CNN进行的特征提取与分类

CNN接收可疑烟区图像后，通过卷积层、池化层、完全连接层进行处理，每一层的输出结果表征输入图像的不同特征，随着处理层的深入，表征的特征也趋于复杂化，最终映射到目标上即可检测烟雾。将网络的顺向过程称为前馈传播，将误差运算和权重更新的过程称为反馈传播。

设计CNN模型由12层组成，包括输入层input，5个卷积层C1、C3、C5、C6、C7，3个池化层S2、S4、S8，2个全连接层FC9、FC10以及进行二分类后的输出层。为方便检测，将输入图像大小固定为227×227×3。输入可疑烟区图像后，卷积层C1用48个能作为烟雾低级特征标识的11×11×3的卷积核进行卷积操作。激活映射的大小Bs为：

（3）

式中，Bi为输入图像大小（其他卷积层输入为上一层的输出），Bh为卷积核大小，s为步幅。通常還需对激活映射利用ReLU函数进行非线性化处理，以此来提高网络的训练速度。

C3利用5×5的卷积核对S2进行步幅为1的处理时，为保留更多低级特征信息及保持图像维度，通常进行零填充，此操作后的激活映射大小为：

（4）

式中，p为零填充个数，Bi为输入图像大小（其他卷积层输入为上一层的输出），Bh为卷积核大小，s为步幅。

CNN中各项参数都是人为随机初始化设定的，卷积核的权重无法反应烟雾的静态或动态特征，所以加入反馈传播。其每进行一个周期，都包括误差计算即找出卷积核中影响检测的参数，以及权重更新即更改参数以期得到最优的检测效果。

3 实验结果分析

在前馈传播过程中，为弥补数据集稀缺的不足，在训练过程中采用微调达到数据增强，在参数随机初始化和微调后，损失函数值和准确率与迭代次数的关系如图1所示。

3.1 不同类型烟雾测试效果

将4种类型图像输入CNN模型测试其识别率、误测率及准确率，结果见表1。

可疑烟区图像经5个卷积层、3个池化层及2个全连接层的CNN处理后，对4种烟雾识别率均在98%左右，且误测率也较低，同时能达到99%左右的准确率，相比于以往的GoogLeNet及其他特征识别与分类方法更适合森林火灾烟雾探测。

4 结语

该文提出的基于卷积神经网络的视频火灾烟雾探测法，并用建立的模型对多类型烟雾进行测试。首先，应用背景减除法结合LBP纹理建模提取可疑烟雾区域。其次，将可疑烟区图像预处理后输入CNN模型，其间先采用微调来优化训练过程，然后经过各层处理及最后的二分类进行烟雾与否的判别。最后对损失函数值及准确率随迭代次数的关系进行实验，同时测试CNN模型对不同类型烟区识别率、误报率和准确率来判别其性能。实验结果表明：该文设计的系统能够对阴燃阶段烟雾准确识别，在森林防火领域有较好的前景。

参考文献

[1]JIA Y， YUAN J， WANG J， et al. A Saliency-Based Method for Early Smoke Detection in Video Sequences[J].Fire Technology，2017， 52（5）：1-22.

[2]章毓晋.图像工程（中册）：图像分析[M].北京：清华大学出版社， 1999.

[3]赵小禹.基于帧差法的矿用皮带机运动检测[J].煤炭工程， 2011， 1（1）： 103-105.

[4]姜超.视频序列中运动目标提取与跟踪技术的研究[D].大连：大连理工大学，2009.