Journal of IKEEE (전기전자학회논문지)

Institute of Korean Electrical and Electronics Engineers (한국전기전자학회)
권호 표지
DOI QR코드

DOI QR Code

Fase Positive Fire Detection Improvement Research using the Frame Similarity Principal based on Deep Learning

딥런닝 기반의 프레임 유사성을 이용한 화재 오탐 검출 개선 연구

  • Lee, Yeung-Hak (Dept. of Computer Engineering, Andong National University) ;
  • Shim, Jae-Chnag (Dept. of Computer Engineering, Andong National University)
  • Received : 2019.03.13
  • Accepted : 2019.03.21
  • Published : 2019.03.31
Download PDF
⟨ Previous Next ⟩

Abstract

Fire flame and smoke detection algorithm studies are challenging task in computer vision due to the variety of shapes, rapid spread and colors. The performance of a typical sensor based fire detection system is largely limited by environmental factors (indoor and fire locations). To solve this problem, a deep learning method is applied. Because it extracts the feature of the object using several methods, so that if a similar shape exists in the frame, it can be detected as false postive. This study proposes a new algorithm to reduce false positives by using frame similarity before using deep learning to decrease the false detection rate. Experimental results show that the fire detection performance is maintained and the false positives are reduced by applying the proposed method. It is confirmed that the proposed method has excellent false detection performance.

화염 및 연기 감지 알고리즘 연구는 다양한 모양, 빠른 확산 및 색상으로 인해 컴퓨터 비전에서 어려운 과제이다. 일반적인 센서 기반 화재 감지 시스템의 성능은 환경 요인(실내 및 화재발생 위치)에 따라 크게 제한된다. 이러한 문제를 해결하기위해 딥러닝 방법을 적용하였으며, 이것은 물체의 형상을 특징으로 추출하므로 비슷한 형상이 프레임내에 존재하면 오탐으로 검출 될 수 있다. 본 연구는 화재 오탐 검출 개선을 위해 딥런닝 사용 전과 후에 프레임 유사성을 이용하여 오탐을 줄이는 새로운 알고리즘을 제안한다. 실험결과 제안된 방법을 적용하여 화재 검출 성능은 유지를 하면서 오탐 부분이 최소 30% 까지 감소하는 결과를 얻을 수 있었다. 제안된 방법의 오탐 검출 성능이 뛰어나다는 것을 확인하였다.

Keywords

JGGJB@_2019_v23n1_242_f0001.png 이미지

Fig. 1. The architecture of proposed algorithm. 그림 1. 제안된 알고리즘 구조도

JGGJB@_2019_v23n1_242_f0002.png 이미지

Fig. 2. The Architecture of Faster R-CNN. 그림 2. Faster R-CNN 구조도

JGGJB@_2019_v23n1_242_f0003.png 이미지

Fig. 3. Example of Labeling area for dataset image. 그림 3. 영상 데이터의 라벨링 영역 예

JGGJB@_2019_v23n1_242_f0004.png 이미지

Fig. 4. Example of the frame sequences of test videos. 그림 4. 테스트 비디오의 연속 프레임 예

JGGJB@_2019_v23n1_242_f0005.png 이미지

Fig. 5. The frame sequence result of the Faster R-CNN, (a) the result of true positive, (b) the result of false positive. 그림 5. Faster R-CNN의 연속 프레임 결과 (a) true positive 결과, (b) false positive 결과

JGGJB@_2019_v23n1_242_f0006.png 이미지

Fig. 6. The result of frame compare, (a) In case of fire, (b) In case of non-fire. 그림 6. 프레임 비교 결과, (a) 화재가 발생한 경우, (b) 화재가 발생하지 않은 경우.

JGGJB@_2019_v23n1_242_f0007.png 이미지

Fig. 7. The result of adapted proposal algorithm using video files, (a) good result, (b) bad result. 그림 7. 제안된 알고리즘이 적용된 비디오 파일 실험 결과, (a) 좋은 검출 결과, (b) 나쁜 검출 결과

JGGJB@_2019_v23n1_242_f0008.png 이미지

Fig. 8. The example of videos to test for proposed algorithm. 그림 8. 제안된 알고리즘을 적용한 다른 비디오 영상 예

Table 1. Faster R-CNN results for video images (Frames). 표 1. Faster R-CNN video 테스트 결과

JGGJB@_2019_v23n1_242_t0001.png 이미지

Table 2. Proposed algorithm results for video images (Frames). 표 2. 제안된 알고리즘을 적용한 video 테스트 결과

JGGJB@_2019_v23n1_242_t0002.png 이미지

References

  1. B. C. Ko, S. J. Han, and J. Y. Nam, "Modeling and Formalization of Fuzzy Finite Automata for Detection of Irregular fire Flames," IEEE Transaction on Circuits and System Video Technology, vol. 21, no. 12, pp. 1903-1912, 2011. DOI: 10.1109/TCSVT.2011.2157190
  2. H. Yamagishi and J. Yamaguchi, "A Contour Fluctuation data Processing Method for Fire Flame Detection using a Color Camera," IEEE 26th Annual Conference on IECON of the Industrial Electronics Society, p. 824, 2000. DOI: 10.1109/IECON.2000.972229
  3. T. Celik and H. Ozkaramanli, "Automatic Fire Detection in Video Sequences," Proceeding of European Signal Processing Conference, Italy, 2016.
  4. T. Chen, P. Wu, and Y. Chiou, "An Early Fire-Detection Method Based on Image processing," 2004 International Conference on Image Processing, pp. 1707-1707, 2004. DOI: 10.1109/ICIP.2004.1421401
  5. C. B. Liu and N. Ahuja, "Vision Based Fire Detection," 2004 International Conference on Pattern Recognition, p. 34, 2004. DOI: 10.1109/ICPR.2004.1333722
  6. F. N. Yuan, G. X. Liao, Y. M. Zhang, "Feature Extraction for Computer Vision Based Fire Detection," Journal of University Science and Technology of China, pp. 39-43, 2006.
  7. T. B. Ugur and Y. Dedeoglu, "Computer Vision based Method for Real-time Fire Flame Detection," Pattern Recognition Letters, Vol. 27, no. 1, pp. 49-58, 2006. DOI: 10.1016/j.patrec.2005.06.015
  8. N. Dedeoglu and B. U. Toreyin, "Real-time Fire and Flame Detection in Video," ICASSP'05, pp. 669-672, 2005.
  9. T. B. CelikT and Y. Dedeoglu, and A. E. Cetin, "Wavelet Based Real-time Smoke Detection in Video," EUSIPO 2005, 2005. DOI: 10.1109/ICASSP.2005.1415493
  10. C. Yu, Z. Mei, and X. Zhang, "A Real-time Video Fire Flame and Smoke Detection Algorithm," Procedia Engineering, Vol. 62, pp. 891-898, 2013. DOI: 10.1016/j.proeng.2013.08.140
  11. S. Frizzi, R. Kaabi, M. Bouchouicha, J. Ginoux, E. Moreau, and F. Fnaiech, "Convolutional Neural Network for Video Fire and Smoke Detection," IECON 2016, 2016. DOI: 10.1109/IECON.2016.7793196
  12. Y. LeCun, L. Bottou, Y. Bengio, and P. Hsffner, "Gradient-based Learning Applied to Document Recognition," Proceeding of IEEE, vol. 86, no. 11, pp. 2278-2324, 1998. DOI: 10.1109/5.726791
  13. A. Krizhevsky, I. Sutskever, and G. E. Hinton, "ImageNet Classification with Deep convolutional neural Network: Advanced in Neural Information Processing System 25," 26th Annual Conference on Neural Information Processing Systems, pp. 1106-1114, 2012.
  14. G. E. Hinton, N. Srivastava, A. Krizhevsky, S. Ilya, and R. Salakhutdinov, "Improving neural networks by preventing co-adaptation of feature detectors," Clinical Orthopedics and Related Research 2012, 2012.
  15. H. S. Kim and J. S. Park, "Intensity-based efficient Video Quality As-sessment for Variable bitrate Streaming," Korean Institute of Next Generation Computing, vol. 11, no. 5, pp. 63-71, 2015.