[发明专利]基于字典与BP神经网络的烟雾图像分割与识别方法

说明书

本发明公开了一种基于字典与BP神经网络的烟雾图像分割与识别方法，包括步骤：一、图像处理器对输入图像进行增强处理；二、图像处理器将增强处理后的图像与烟雾字典矩阵作比较计算得到疑似烟雾区域；三、图像处理器对所得到的疑似烟雾图像进行多尺度小波分解，计算多尺度小波分解后所得各层图像的灰度共生矩阵的统计量，采用计算所得的各层图像的灰度共生矩阵的统计量构造纹理特征向量，再将纹理特征向量输入到烟雾识别BP神经网络中，得到烟雾识别结果。本发明方法步骤简单，实现方便，烟雾识别效率高、准确率高。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于字典与BP神经网络的烟雾图像分割与识别方法。

背景技术

火灾的危害不言而喻，不论起火地点在哪，其带来的危害总是难以估计的。早期的烟雾检测均借助于不同类型的传感器，但该方法响应速度慢、灵敏度低。而基于视频的烟雾检测则可很好的避免上述问题，且具有不受使用场景和空间距离限制的特点，因此利用基于视频的烟雾检测方法越来越受到国内外学者的关注。利用视频进行烟雾检测时烟雾形状、颜色变化较大，运动规律不易寻找，这给基于视频的烟雾检测带来了许多的挑战。

许多学者充分利用了烟雾的颜色特征、纹理特征等进行了烟雾本质特征的研究。在疑似烟雾提取方面，李诚等人在2018年第44卷第1期的《计算机工程》上发表的论文《城镇森林交界域视频烟雾检测算法》中，提出利用vibe方法提取前景区域，并通过颜色模型及累计帧差法来提取疑似烟雾区域，最后通过深度学习模型识别目标是否为烟雾，该方法可有效的对目标做出是否为烟雾的判断，但该方法通过vibe法对目标区域进行运动区域提取，其提取的运动区域不够完整，且容易出现Ghost区域。刘凯等人在2019年第32卷第2期的《传感技术学报》上发表的论文《基于YUV颜色空间和多特征融合的视频烟雾检测》中，利用高斯混合模型对运动区域进行检测，并通过YUV颜色空间烟雾像素过滤的方法确定疑似烟雾区域，最后通过Real AdaBoost分类器对疑似烟雾区域进行判断，但当有小范围的烟雾产生时，通过高斯混合模型进行运动区域检测易产生漏检。陈肖楠等人在2018年第37卷第1期的《消防科学与技术》上发表的论文《基于纹理相关性的飞机货舱视频烟雾检测方法》中，中通过四帧差分法提取运动区域，并直接提取运动区域的纹理特征进行判断是否为烟雾，但该方法在使用过程中有过多的阈值，如选取不当，依旧会使烟雾区域提取不够完整。

在烟雾纹理在烟雾纹理特征提取方面，应用较为广泛的有GLCM、Wavelet等，如刘凯等人在2019年第32卷第2期的《传感技术学报》上发表的论文《基于YUV颜色空间和多特征融合的视频烟雾检测》中，采用离散小波变换和均匀局部二值模式提取疑似烟雾区域特征，最后通过Real AdaBoost分类器对疑似烟雾区域进行判断。朱磊在2018年第37卷第2期的《消防科学与技术》上发表的论文《基于图像增强与多特征的森林火灾烟雾检测算法》中，通过计算所得图像的分形特征和图像灰度共生矩阵的统计特征作为纹理特征向量输入到支持向量机中进行烟雾识别。林成忠等人在2018年第40卷第7期的《计算机工程与科学》上发表的论文《基于稠密光流和边缘特征的烟雾检测算法》中，将所得疑似烟雾图像的相邻三帧图像池化为上、中、下三部分，并提取三部分光流矢量特征和边缘方向直方图作为图像的特征向量，最后将特征向量输入到支持向量机中进行烟雾检测。但在实际运用中现有方法中仍存在较多的误检，其主要原因就是烟雾与其他似烟物质(如：云彩、水雾等)的特征相似，难以区分。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于字典与BP神经网络的烟雾图像分割与识别方法，其方法步骤简单，实现方便，烟雾识别效率高、准确率高。

为解决上述技术问题，本发明采用的技术方案是：一种基于字典与BP神经网络的烟雾图像分割与识别方法，该方法包括以下步骤：

步骤一、图像处理器对输入图像进行增强处理，具体过程为：