本发明涉及一种检测方法，尤其是一种基于bp神经网络的视频图像火灾火焰检测方法，属于火灾火焰检测的技术领域。
背景技术：
早期，人们使用各种电子探测器，采集数据，判断火灾是否发生。然而因其信息单一，且极容易受到环境温度、湿度、腐蚀性等的影响，容易发生误检、漏检等情况，其可靠性、灵敏度、可持续性等皆有待提高。火灾蔓延速度极快，传统的火灾探测系统完全不能满足火灾预防要求。随着计算机视觉技术的发展，火灾图像识别技术受到了人们的高度关注与研究。火灾图像技术针对性地克服了传统火灾检测系统的主要弱点，结合高度发展的图像采集卡与计算机处理能力，使得可视化火灾检测技术能结合火焰的大量动静态特征，极大的加强了火灾识别的可靠性、实时性，对火灾检测预防具有重要的突破。
马宗方等提出了基于支持向量机的图像型火灾探测算法。向量机因其内部严格的数学模型，使其在一定情况下具有计算量小，精度高的特点。然而目前相应的数学模型并不能精确地描述火焰燃烧时的运动特征。
但现有的视频火灾火焰识别技术仍然存在如下不足：1、数学模型复杂，计算量大；2、火焰识别的准确度不高。
技术实现要素：
本发明的目的是克服现有技术中存在的不足，提供一种基于bp神经网络的视频火灾火焰检测方法，其能提升火焰识别的速度且能有效实现会火焰的检测，检测精度高。
按照本发明提供的技术方案，一种基于bp神经网络的视频图像火灾火焰检测方法，所述火灾火焰检测方法包括如下步骤：
步骤1、提供待检测的视频图像，并提取视频图像中的火焰图像区域；
步骤2、对提取的火焰图像区域，进行火焰特征提取，所述提取的火焰特征包括面积增长率、圆形度以及火焰尖角；
步骤3、将上述提取的面积增长率、圆形度以及火焰尖角作为蚁群神经网络的输入，并利用蚁群神经网络判断火焰的概率。
步骤1中，采用背景建模法以及混合高斯模型提取视频图像中的火焰区域。
本发明的优点：通过混合高斯模型的背景建模分割火焰图像，分析火焰的颜色和面积增长率、圆形度、火焰尖角等几何特征，在背景光线变化等干扰环境中能有效识别火焰。与传统火焰检测方法相比确保检测正确率的同时，降低了误检率。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
如图1所示：为了能提升火焰识别的速度且能有效实现会火焰的检测，本发明的火灾火焰检测方法包括如下步骤：
步骤1、提供待检测的视频图像，并提取视频图像中的火焰图像区域；
具体实施时，在摄像机所拍摄的视频序列中，相较于背景中静态的物体，火焰燃烧具有明显的运动特性。对于运动目标的检测有许多方法，本发明采用背景建模法，并使用混合高斯模型，在各种光照情况的扰动下均有不错的区分度。
在摄像头拍摄的视频图像的rgb颜色空间中，x表示单一像素(pixel)点值，则概率密度函数可以用k个高斯函数描述：
其中：k是分布数，令k＝3；第k个分布的均值矩阵、协方差矩阵和权重系数依次是uk、σk和ωk。xn为样本n取值为自然数
随机选取一组在不同时刻不同光照干扰下的图像序列，组成一个实验图像向量f＝{f1,f2,…,fn}，采用最大期望方法初始化样本序列的分布参数，然后重复迭代直到收敛得到每个像素的分布参数θ＝[ω1,ω2,ω3,u1,u2,u3,∑1,∑2,∑3]。
二值化当前图像及模板图像，建立像素矩阵θ及θ’，依次相减每个像素值，取其偏差的绝对值。|e|＝θ-θ′，对角化后按照阈值公式e′≤5e12筛选可疑区域。
步骤2、对提取的火焰图像区域，进行火焰特征提取，所述提取的火焰特征包括面积增长率、圆形度以及火焰尖角；
具体地，图像火焰的特征分为颜色特征、物理几何特征。物理几何特征又可细分为，边缘特征，纹理特征等。根据火焰的特征参数识别火焰，在当前计算机视觉领域中发展迅速。本发明实施例中，采用面积增长率、圆形度和火焰尖角作为火焰识别的特征。
首先对于面积增长率，火焰开始燃烧的极短时间内，随着火焰的燃烧程度，其面积逐渐变大，相比于静态的物体，其变化率具有很高的区分度。由于是同一视频流上的图像(相邻两帧的火焰空间物理位置并不会相差太大)，火焰区域的匹配，只需获得经过前述的预处理得到二值化图像即可，白色区域为火焰区域，通过计算其面积的变化的比值可进行疑似火焰的判断。用火灾面积增长率gi作为判据。可由下式计算火灾面积增长率gi：
式(3)为两时刻火焰图像区的面积差值，s(ri)t为t时刻的面积，s(ri)t0为t0时刻的面积，ri为该时刻的火焰半径估计平均值相邻两亮点之间的空间单位距离为单位长度1。其余亮点的距离由勾股定理求得。周长可由边界算法求得，具体为本技术领域人员所熟知，此处不再赘述。
对于圆形度计算：凭据火灾火焰形状的不规整，而部分干扰源(路灯、车灯等)的形状规整程度高，故而将圆形度，作为火焰判别依据。圆形度的定义如式(4)，具体为：
其中：ck、ak、pk依次为，第k个单位的圆形度，面积和周长，n为单位个数，若物体外形越接近圆，则ck越大，反之，若其轮廓越复杂，则ck越小，ck的值介于0和1之间。拟定一个阈值c0，当ck＞c0时，则认为该图圆外形轮廓较为规则，认定非火焰；当ck＜c0时，则该图像外形轮廓非常不规则，满足火焰轮廓特征。
火焰的运动特性很明显的有尖角：火焰的尖角数，在时域上无规律可循，因此，采取边缘抖动的特性，可鉴定可疑火源。分析早期火焰，噪声干扰下时的尖角数目，和疑似物体的边沿变化规律，能够区分其他干扰。为了提高火焰判断的准确性，依旧采用多组数据求均值的方法。随机从各组图像序列中取出一帧，在单位时限内取得5组火焰尖角数实验集，取其期望值
步骤3、将上述提取的面积增长率、圆形度以及火焰尖角作为蚁群神经网络的输入，并利用蚁群神经网络判断火焰的概率。
本发明实施例中，假设bp神经网络所有权值和阈值共有m个，设定权值区间[wmin,wmax]，均匀划分成s等份，设立集合
当所有蚂蚁完成选择后，认为一次算法完成，根据信息素更新公式(式(6))，调整所有的元素的信息素，反复迭代此过程。
当所有蚂蚁收敛至同一路径即认为最优解的产生，或达到最大循环次数ncmax时，算法结束。