《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 其他 > 設(shè)計應(yīng)用 > 基于支持向量機的火災(zāi)探測技術(shù)
基于支持向量機的火災(zāi)探測技術(shù)
來源:微型機與應(yīng)用2010年第24期
張正榮1,,2,,李國剛1,2
(1.華僑大學 信息科學與工程學院,,福建 泉州362021,;2.華僑大學 嵌入式重點實驗室,,福建 廈
摘要: 針對目前火災(zāi)探測方面的不足,提出了基于支持向量機的火災(zāi)探測技術(shù),?;贖SI顏色模型提取出火災(zāi)火焰疑似區(qū)域,在圖像處理技術(shù)基礎(chǔ)上獲得早期火災(zāi)火焰的五個主要特征,,采用支持向量機技術(shù)進行火災(zāi)識別,。Matlab仿真實驗證明,基于支持向量機的火災(zāi)探測技術(shù)識別率高,,克服了神經(jīng)網(wǎng)絡(luò)過學習,、容易陷入局部極小點等不足,。該技術(shù)的研究在火災(zāi)探測領(lǐng)域具有重要的理論意義和實用價值。
Abstract:
Key words :

摘  要: 針對目前火災(zāi)探測方面的不足,,提出了基于支持向量機的火災(zāi)探測技術(shù),。基于HSI顏色模型提取出火災(zāi)火焰疑似區(qū)域,,在圖像處理技術(shù)基礎(chǔ)上獲得早期火災(zāi)火焰的五個主要特征,,采用支持向量機技術(shù)進行火災(zāi)識別。Matlab仿真實驗證明,,基于支持向量機的火災(zāi)探測技術(shù)識別率高,,克服了神經(jīng)網(wǎng)絡(luò)過學習、容易陷入局部極小點等不足,。該技術(shù)的研究在火災(zāi)探測領(lǐng)域具有重要的理論意義和實用價值,。
關(guān)鍵詞: 圖像分割;支持向量機,;特征提取,;火災(zāi)識別

    火災(zāi)帶給人類的損失是巨大的,若能在火災(zāi)發(fā)生初期就進行識別報警,,則可以極大地降低損失,。傳統(tǒng)的感溫感煙式火災(zāi)探測技術(shù)容易受環(huán)境因素(如空間高度和廣度、空氣流速,、粉塵,、濕度等)的影響,誤報率高,。而圖像型火災(zāi)探測具有非接觸式探測的特點,,成為近年來火災(zāi)探測技術(shù)新的研究領(lǐng)域。現(xiàn)有的圖像型火災(zāi)探測技術(shù)[1]大多基于模糊神經(jīng)網(wǎng)路,、BP神經(jīng)網(wǎng)絡(luò)等算法,。由于神經(jīng)網(wǎng)路算法存在過學習、收斂速度慢且易陷入局部極小點等缺陷,,降低了火災(zāi)探測的靈敏度與穩(wěn)定性,。而支持向量機SVM[2](Support Vector Machine)采用結(jié)構(gòu)風險最小化原理兼顧訓練誤差和泛化能力,能較好地解決小樣本,、非線性,、高維數(shù)和局部極小點等實際問題,成為機器學習領(lǐng)域的一個研究熱點,,并在字符識別,、圖像分類、遙感圖像分析等領(lǐng)域得到了成功的應(yīng)用,。
    本文在數(shù)字圖像處理基礎(chǔ)上,,將SVM應(yīng)用于火災(zāi)探測中,,通過仿真實驗可以看出,該技術(shù)克服了以往火災(zāi)探測技術(shù)的缺陷, 具有較高的識別率,。
1 基于HSI顏色模型的彩色圖像分割
    彩色圖像的色彩信息非常豐富,,可以作為圖像分析處理的重要依據(jù)和條件。本文研究的是具有鮮明顏色特征的火災(zāi)火焰圖像,,基于彩色圖像的分析處理更是正確識別火災(zāi)的關(guān)鍵所在,。因此,在圖像灰度化之前,,應(yīng)該對彩色圖像進行分割,,以便更好地劃分火焰區(qū)域與背景區(qū)域。本文采用基于HSI顏色模型提取火災(zāi)火焰疑似區(qū)域,。
    HSI顏色模型[3,,4]是圖像處理中比較常用的顏色模型,其中H,、S,、I分別表示色調(diào)、飽和度,、亮度或強度,。HSI顏色模型在接近人眼對景物的認知方面優(yōu)于RGB模型,因而它更符合人描述和解釋顏色的方式,。其中色調(diào)H反應(yīng)了該顏色最接近的光譜波長,。定義0°為紅色、120°為綠色,、240°為藍色,240°~300°范圍內(nèi)是人類可見的非光譜色(紫色),。大量實驗研究表明,,火災(zāi)火焰顏色大都分布在紅色和黃色范圍內(nèi),且飽和度S較高,。在HSI顏色模型里,,紅色和黃色色調(diào)在0°~60°之間。通過多次反復(fù)實驗,,本文選取0°<H<60°,,S>0.6為參考值提取火災(zāi)火焰疑似區(qū)域,得到了較好的效果,。
    本文通過視頻采集卡得到的是RGB圖像,,故先要進行RGB 到HSI空間轉(zhuǎn)換,轉(zhuǎn)換公式如下:
H分量:

    本文采用的基于HSI火災(zāi)火焰彩色圖像分割的算法步驟為:
    (1)利用公式,,計算每個像素點的H,、S,、I值;
    (2)根據(jù)每個像素點的RGB值確定H的最終值,;
    (3)將H,、S值在設(shè)定閾值范圍內(nèi)的像素點保留,其他像素點置為0,。
    疑似火焰區(qū)域提取出來后,,對疑似區(qū)域進行灰度化、二值化,、膨脹操作以及作邊緣檢測,、中值濾波等處理,為后續(xù)提取火災(zāi)火焰特征打下堅實的基礎(chǔ),。
2 火災(zāi)火焰特征提取
    通過分析對比大量火災(zāi)火焰與常見干擾的視頻圖像資料,,本文選取火災(zāi)火焰以下幾個特征[5,6]:
    (1)火焰尖角數(shù)目:邊緣抖動是火災(zāi)火焰的一個重要特征,。相比于常見的干擾物體(如蠟燭,、照明燈、電筒),,不穩(wěn)定火焰邊緣抖動的一個明顯表現(xiàn)就是火焰尖角數(shù)多而且呈現(xiàn)出不規(guī)則變化,。本文采用邊界鏈碼計算火焰尖角個數(shù)。
    (2)火焰圖像形狀的相似度:火災(zāi)火焰相對于干擾物體具有形狀變化的無規(guī)律性,,但這種無規(guī)律性從空間分布來說具有一定程度的相似性,。通過前后兩幅圖像區(qū)域的面積變化情況可計算出相鄰幀圖像的相似度。連續(xù)幀變化圖像的相似度用下式表示:
  
    (3)火焰閃爍頻率:可燃物燃燒時產(chǎn)生的火焰通常是閃爍的,,這種閃爍具有一定的規(guī)律性,。許多學者對不同尺寸、不同形狀的房間進行了多種材料的火災(zāi)試驗,,得出火焰閃爍頻率分布在3~25 Hz之間,,主要頻率在8~13 Hz范圍內(nèi)。研究發(fā)現(xiàn),,相對于干擾物體,,火焰閃爍頻率與距接收器件的距離無關(guān),環(huán)境變化對其影響也不大,,因此可以把火焰閃爍頻率作為判斷火災(zāi)發(fā)生的判據(jù),。火焰的閃爍特性在圖像中表現(xiàn)為圖像的灰度級直方圖隨時間的變化規(guī)律,,本文通過計算灰度直方圖的變化率來表征火焰的閃爍頻率,。表1所示為火災(zāi)火焰圖像序列與照明燈圖像序列的閃爍頻率的統(tǒng)計。

    (4)圓形度:圓形度表征了物體形狀的復(fù)雜程度,。根據(jù)火災(zāi)火焰形狀不規(guī)整,,而大部分干擾源(如手電筒,、白熾燈等)的形狀規(guī)整程度較高的特點,本文使用圓形度概念作為火災(zāi)判據(jù)之一,,而且火焰圓形度的測量受探測器安裝位置的影響不大,。圓形度計算公式為:

其中ci為第i個圖元的圓形度,Ai為第i個圖元的面積,,Li為第i個圖元的周長,,n為圖元編號。本文將圓形度除以4π,,使圓形度最小值為1,,以便于觀測。
    (5)火焰顏色特征:火災(zāi)火焰的顏色與溫度相關(guān),。隨著火焰焰心到外焰溫度的不斷升高,,其顏色從白色到黃色再到紅色移動,而燈光,、太陽光這類干擾源的顏色變化不明顯,,在圖像中則表現(xiàn)為像素值的變化不明顯,故可作為火災(zāi)判據(jù),。實驗中用圖像像素方差值來反應(yīng)這種變化,。算法實現(xiàn)步驟如下:
    ①讀取圖像中疑似火焰的部分的像素值;
    ②求出這組像素值的數(shù)學期望,;
    ③求出像素方差值,。
3 基于支持向量機的火災(zāi)識別
    支持向量機[2,7](SVM)是由Vapnik首先提出的,,其主要思想是:通過某種事先定義的非線性映射,,將輸入向量映射到一個高維特征空間,在這個空間中構(gòu)成一個超平面作為決策曲面,,使得被識別的樣本中正例和反例之間的隔離邊緣最大化,。它克服了神經(jīng)網(wǎng)絡(luò)學習過程中易過學習、欠學習的缺點,,對于小樣本、高維數(shù),、非線性的分類問題效果顯著,。
    SVM是基于核函數(shù)的學習算法,其學習性能由核函數(shù)決定,。核函數(shù)的類型主要包括:
    
    采用不同的函數(shù)作為支持向量機的核函數(shù),,可以構(gòu)造實現(xiàn)輸入空間不同類型的非線性決策面的支持向量機。針對特定的實際問題,,需要通過反復(fù)實驗來確定選擇核函數(shù)使SVM的學習性能最優(yōu),。
    基于SVM的火災(zāi)識別,,包括以下幾個步驟:
    (1)對火災(zāi)圖像進行疑似火焰區(qū)域檢測,提取疑似區(qū)域中的火災(zāi)信息特征分量,;
    (2)通過提取的特征分量選定訓練樣本和測試樣本,;
    (3)選取合適的核函數(shù)和懲罰因子,利用訓練樣本建立SVM分類模型,;
    (4)將測試樣本輸入分類模型,,得到的分類準確率即為火災(zāi)識別率。
    本文在Matlab平臺上安裝了libsvm-2.89工具箱,,利用工具箱和Matlab仿真函數(shù)進行仿真實驗,。選用不同場景下采集到的火災(zāi)火焰圖像150幅,干擾圖像(包括照明燈,、蠟燭和電筒)150幅,,構(gòu)成300個樣本數(shù)據(jù)庫。將火災(zāi)圖像編號為1.1~1.150,,干擾圖像編號為2.1~2.150,。首先利用圖像在HSI彩色空間的彩色信息分割得到火災(zāi)火焰疑似區(qū)域。圖1為實驗中火災(zāi)火焰圖像的分割結(jié)果圖,。


    然后對疑似區(qū)域進行特征提取,,得到300組特征分量。部分樣本數(shù)據(jù)如表2所示,。實驗中,,選取火災(zāi)火焰圖像和干擾圖像各自前120幅作為訓練樣本,剩余60幅作為測試樣本,,自定義火災(zāi)圖像類別標簽為1,,干擾圖像類別標簽為0。

    為了比較不同核函數(shù)的性能,,分別采用線性核函數(shù),、多項式核函數(shù)、徑向基核函數(shù)和Sigmoid核函數(shù)訓練SVM,,建立SVM模型,。最后將測試樣本輸入模型,得出識別率,。識別結(jié)果如表3所示,。

    由表3可得出,利用徑向基核函數(shù)訓練的SVM分類器識別率最高,,達到了94.1%,。圖2所示為利用徑向基核函數(shù)訓練的SVM實驗結(jié)果圖,實驗中運用交叉驗證方法選擇最佳參數(shù)c與g(c為懲罰因子,g為核函數(shù)參數(shù)),。
    本文還比較了BP神經(jīng)網(wǎng)絡(luò),、RBF神經(jīng)網(wǎng)絡(luò)與SVM識別火災(zāi)的算法,如表4所示,。

    由表4比較得出,,SVM識別火災(zāi)效果最好,這也證明了SVM對于小樣本,、非線性的問題效果顯著,,克服了神經(jīng)網(wǎng)絡(luò)過學習、陷入局部最小點等缺點,。
    基于SVM的火災(zāi)探測技術(shù)克服了傳統(tǒng)火災(zāi)探測算法的缺陷,,提高了火災(zāi)識別率,可靠性高,,該技術(shù)的研究在火災(zāi)探測領(lǐng)域中具有重要的理論意義和實用價值,。
參考文獻
[1] 姚暢,錢盛友.基于神經(jīng)網(wǎng)絡(luò)的多傳感器火災(zāi)報警系統(tǒng)[J].計算機工程與應(yīng)用,,2006,,42(3):219-221.
[2] 唐發(fā)明.基于統(tǒng)計學習的支持向量機算法研究[D].武漢:華中科技大學,2005:16-27.
[3] 楊旭強,,馮勇,,劉洪臣.一種基于HSI顏色模型的目標提取方法[J].光學技術(shù),2006,,32(2):290-292.
[4] 劉亮亮.基于視頻監(jiān)控的火災(zāi)圖像識別研究[D].保定:華北電力大學,,2007:21-30.
[5] 李杰.基于數(shù)字圖像處理的森林火災(zāi)識別方法研究[D].北京:北京林業(yè)大學,2009:24-25.
[6] 周軍盈,,杜嘯曉.圖像識別技術(shù)在火災(zāi)探測中的應(yīng)用[J].消防科學與技術(shù),,2007,25(4):417-420.
[7] 肖靚.基于支持向量機的圖像分類研究[D].上海:同濟大學,,2006:49-54.

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。