仓储火灾图像识别的文献综述
仓储火灾图像识别的文献综述
吕现伟 周贝朵 北京物资学院 101149
【文章摘要】
物流产业在社会中发挥着重要的作用,仓储作为物流系统中的重要一环,其安全性越来越受到重视。火灾是仓储中最常见的灾害,及时的探测到火灾是仓储安全运行的重要保障。
【关键词】
火灾;图像;模式识别
0 引言
火灾是仓储中最常见的灾害,但仓储环境的特殊性限制了传统火灾探测设备的探测效果,而采用仓储图像监控设备探测火灾也存在装置采集数据量大、在事故回溯时采用有线方式向上位机传输数据等缺点,不利于系统的扩展。因此,需利用火焰图像识别对仓储图像采集装置进行改进,增加装置对火灾的识别功能并减少上传时的数据量,进而达到无线传输的带宽要求。
1 图像识别的相关理论和方法
1.1 图像识别系统
模式识别技术产生于上世纪20 年代,
伴随着计算机的出现及其迅速发展,模式识别于60 年代初发展为一门新兴学科。模式识别技术通过对可以表征事物本身的多种信息进行分析、处理,从而完成对事物的辨别、分类和解释。模式识别技术的应用范围十分广泛,它可以用于指纹识别、语音识别、车牌识别、文字识别、人脸识别、故障检测等各种领域,其中图像识别是模式识别技术应用的一个重要方面。
一个图像识别系统可以分为三个组成部分。第一,图像的采集;第二,图像的预处理、分割和特征提取;第三,分类或识别。从本质上来说,对于火灾图像的识别过程就是判断装置采集图像中的目标前景区域是否符合火灾火焰的各个特征。然而,由于实际的仓储环境较为复杂,存在着众多的干扰,例如灯光、移动的货物等,
这对于各个特征阈值的确定产生了不利的影响,因此仅仅通过火灾火焰某一个阈值来进行火灾判别是不可行的。并且,在识别的过程中,识别的最终结果也不是各个特征值的简单数学运算值,因此,对仓储采集图像中的火灾火焰识别是一个非结构化的问题,需要非线性的结合多种特征,才能达到仓储安全监控的要求。与传统方法相比,人工神经网络更适合解决这类非结构化问题。
1.2 基于图像特征的识别方法
韩殿元在研究基于视频的火灾探测技术时,将采集到的图像由RGB
空间转移至YCbCr 色彩空间,并且以Cb(蓝色浓度偏移量),Cr (红色浓度偏移量)为坐标轴绘制火焰样本。通过建立椭圆方程以及二维正态分布函数,同时使用L-M 算法对其进行优化,最终将火焰识别问题转化为直观的数学问题,取得了较好的判定结果。熊国良、苏兆熙等对火灾发生时火焰的圆形度、频率、尖角、质心运动、面积增长等特性作了详细的介绍,并提供了提取这些特征的算法(基于Matlab),这对提取火灾图像特征提供了重要的借鉴意义。林宏、刘志刚等在对林火烟雾的识别中提出了基于林火烟雾静态、动态特征的识别方法。在基于静态特征的识别方法中,使用了Lab 颜色空间的着火点颜色模型,通过概率计算提取火灾发生的疑似像素。在动态识别过程中,首先计算自适应阈值,再据此构建自适应背景,用当前帧和背景图像进行差分提取移动区域,这种方法可以解决背景发生变化和噪声对识别效果的影响。王媛彬针对火灾火焰识别算法复杂的特点,采用了基于图像特征的火焰识别方法。首先通过颜色模式进行预判,删除不符合火焰颜色特征的图像,再对剩余的图像进行预分割,得到火灾的可疑区域,
然后提取纹理和形状特征,最后经分析判断是否存在火焰,经过试验,证明该识别方法对火灾火焰的成功探测率较高。
1.3 基于神经网络的识别方法
本质上说,图像火灾识别技术就是判断采集图像中的目标前景区域是否符合火灾火焰的各个特征。但是,在实际中并不能明确各个特征的判定阈值,同时,
识别的结果通常也不是各个特征值的简单数学运算值,不能仅仅依据提取到图像的特征直观的对火灾火焰进行识别,针对这种特征值对于结果具有非线性特点的问题,通过人工神经网络往往能使问题得到很好的解决。众多学者将人工神经网络应用至图像识别领域,取得了较为理想的效果。赵建华等将神经网络应用至火灾烟雾识别,其中,将三种不同波长的激光的三对消光系数作为神经网络的输入,将是否为火灾烟雾作为网络的输出,经过实验仿真,证明该方法是处理烟雾识别行之有效的方法。田华、石圣羽等依据图像的不变矩特性,利用BP 神经网络解决了图像的模式识别问题,并验证了该方法的有效性。王阿明、刘天放等研究了一种小波神经网络模型,同时给出了相应的计算公式以及算法,通过仿真模拟发现该模型可以克服传统BP 网络的一系列缺点,其收敛速度和网络性能均得到了明显的提高, 适用于图像的模式识别问题,具有较好的应用前景。张利国、于玲等在对图像模式识别的研究中引入了遗传算法,通过使用图像的参数模型将图像的模式识别问题转化为对参数的局部优化,并通过实验证明,将遗传算法用于神经网络的优化,可以提高图像模式识别的速度和准确率。王煦法、杨奕若等根据模式识别的特点,修正了传统遗传算法的选择策略与操作方法,提出了一种具有尺度和旋转不变性的新的遗传算法,它适用于在全图像空间中对已知模式进行识别,实验结果表明,该算法可以在有噪声干扰的情况下保持较好的自适应性。洪流、张荫锡对运动目标的一次性非完整图像的基本特征进行了介绍,然后根据其识别准则,论述了针对该目标图像的二值图像模式的识别方法,
结果表明,这种基于人工神经网络的方法能够提高近场图像探测装置对目标的抗干扰和自动识别能力。
2 结论
仓储作为物流过程中的重要环节,越来越受到人们的重视。仓储安全是仓储正常运行的必备条件,任何意外的安全事故都会造成财产的重大损失并阻碍物流的顺畅运行,本文在详细分析目前仓储安全实际需求基础上,将图像识别技术有效应用到图像处理中,大大减少了仓储图像采集装置向上位机传送的图像数据量,有效节省了能源。
【参考文献】
[1] 王媛彬, 马宪民. 基于图像特征的火灾火焰识别方法[J]. 消防科学与技术, 2012, 02: 126-128.
[2] 熊国良, 苏兆熙, 刘举平, 等. 火焰特性识别的Matlab 实现方法[J]. 计算机工程与科学,2013,07:131- 136.
[3] 刘亮亮. 基于视频监控的火灾图像识别研究[D].
华北电力大学(北京),2007: 2.
[4] 赵建华, 方俊, 疏学明. 基于神经网络的火灾烟雾识别方法[J]. 光学学报,2003, 09: 1086-1089.