论文部分内容阅读
森林系统是星球可再生自然资源及陆地生态系统的主要部分,在人类的发展历史中不可或缺,是增进国民经济增长的不可或缺的物质基础。森林火灾是森林最恐怖的灾害,它不仅烧毁森林植被,损害林内生物,还降低森林更新能力,引发土壤贫瘠、损坏森林涵养水源、污染空气等问题,致使生态环境失去平衡。森林火灾损害严峻、熄灭艰难,因此防患于未然尤其重要。烟雾是森林火灾发生的预兆,视频监控已经成为森林火灾监控的重要手段。然而从目前应用看,视频监控系统仍以人工监控为主,并辅之以半自动识别,而发展中的自动监控技术因识别率低、误报率高等问题导致该技术仍没有成熟应用。作为自动监控技术之一的人工神经网络一直以来是此方面研究的热点,但由于发生森林火灾的视频影像数据集合量小,限制了神经网络复杂结构的选择。BP神经网络因其结构简单,训练数据集小,收敛速度较快,适合自动化烟雾识别报警;而BP神经网络是一个高度非线性网络,其在结构上未考虑线性因素对目标识别的影响,导致BP神经网络在诸多应用中识别率较低。为此本文提出了BPNN-DIOC神经网络,开展基于BPNN-DIOC网络的森林火灾烟雾识别研究。研究内容如下:1)首先在继承BP神经网络优势前提下,在BP上加入了输入层到输出层的直接映射,形成线性和非线性模型结合的神经网络,即BPNN-DIOC;然后针对神经网络容易产生过拟合现象,进而泛化性不好问题,分析经典LM算法对其进行改进,通过在损失函数上加入一个正则项,提高网络的泛化性;最后通过UCI数据集对网络性能进行测试,利用UCI数据库中不同应用的数据集进行训练,基于统计方法综合评估该网络的有效性。仿真结果显示,BPNN-DIOC网络整体上提高了分类性能,且减少了网络的隐含层神经元个数。2)对视频烟雾图像进行了运动目标提取。一般运动物体的提取方法有光流法,帧间差分法,背景差分法。本文对比了常用于运动目标提取的方法优缺点,改进背景差分法即混合高斯模型法。针对烟雾的特点采用了混合高斯模型法实现对烟雾图像运动目标提取。3)森林火灾烟雾属性与特征分析。本文首先根据烟雾特性,基于RGB彩色空间对烟雾颜色分析,排除干扰性较强的物体。然后分析了烟雾凸形度特征、烟雾运动的面积增长特性、形状不规则特性和使背景模糊特性,提取了森林火灾烟雾图像特征,作为BPNN-DIOC网络数据输入。4)烟雾识别效果验证。针对烟雾实例设计了BPNN-DIOC森林火灾烟雾识别网络,将BP神经网络与BPNN-DIOC网络识别效果做对比。实验结果显示:BPNN-DIOC网络能够在视频出现烟雾、云和雾气时,较准确的区分开进行有效预警,鲁棒性较强。警报准确率可达到94.80%,该方法具有一定的可行性。