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(jī)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(jī)技術(shù)進(jìn)行火災(zāi)識別,。Matlab仿真實(shí)驗(yàn)證明,基于支持向量機(jī)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(xué)習(xí),、容易陷入局部極小點(diǎn)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(shí)用價值,。
關(guān)鍵詞: 圖像分割,;支持向量機(jī);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(jìn)行識別報(bào)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(bào)率高,。而圖像型火災(zāi)探測具有非接觸式探測的特點(diǎn),成為近年來火災(zāi)探測技術(shù)新的研究領(lǐng)域?,F(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(xué)習(xí),、收斂速度慢且易陷入局部極小點(diǎn)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(jī)SVM[2](Support Vector Machine)采用結(jié)構(gòu)風(fēng)險最小化原理兼顧訓(xùn)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(diǎn)等實(shí)際問題,,成為機(jī)器學(xué)習(xí)領(lǐng)域的一個研究熱點(diǎn),,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(shí)驗(yàn)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(jìn)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(qiáng)度,。HSI顏色模型在接近人眼對景物的認(rèn)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(lán)色,,240°~300°范圍內(nèi)是人類可見的非光譜色(紫色),。大量實(shí)驗(yàn)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(shí)驗(yàn),,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(jìn)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(jì)算每個像素點(diǎn)的H、S,、I值,;
(2)根據(jù)每個像素點(diǎn)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(diǎn)保留,,其他像素點(diǎn)置為0。
疑似火焰區(qū)域提取出來后,,對疑似區(qū)域進(jìn)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(jiān)實(shí)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(jì)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(jì)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(xué)者對不同尺寸,、不同形狀的房間進(jìn)行了多種材料的火災(zāi)試驗(yàn),,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)?;鹧娴拈W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(jì)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(jì),。
(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(diǎn),,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(jì)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(shí)驗(yàn)中用圖像像素方差值來反應(yīng)這種變化,。算法實(shí)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(xué)期望;
③求出像素方差值,。
3 基于支持向量機(jī)的火災(zāi)識別
支持向量機(jī)[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(xué)習(xí)過程中易過學(xué)習(xí),、欠學(xué)習(xí)的缺點(diǎn),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(xué)習(xí)算法,,其學(xué)習(xí)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(jī)的核函數(shù),可以構(gòu)造實(shí)現(xiàn)輸入空間不同類型的非線性決策面的支持向量機(jī),。針對特定的實(shí)際問題,,需要通過反復(fù)實(shí)驗(yàn)來確定選擇核函數(shù)使SVM的學(xué)習(xí)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(jìn)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(xùn)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(xùn)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(zhǔn)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(jìn)行仿真實(shí)驗(yàn),。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(shí)驗(yàn)中火災(zāi)火焰圖像的分割結(jié)果圖,。
然后對疑似區(qū)域進(jìn)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(shí)驗(yàn)中,選取火災(zāi)火焰圖像和干擾圖像各自前120幅作為訓(xùn)練樣本,,剩余60幅作為測試樣本,,自定義火災(zāi)圖像類別標(biāo)簽為1,干擾圖像類別標(biāo)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(xiàng)式核函數(shù),、徑向基核函數(shù)和Sigmoid核函數(shù)訓(xùn)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(xùn)練的SVM分類器識別率最高,,達(dá)到了94.1%。圖2所示為利用徑向基核函數(shù)訓(xùn)練的SVM實(shí)驗(yàn)結(jié)果圖,,實(shí)驗(yàn)中運(yùn)用交叉驗(yàn)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(xué)習(xí),、陷入局部最小點(diǎn)等缺點(diǎn)。
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(shí)用價值,。
參考文獻(xiàn)
[1] 姚暢,,錢盛友.基于神經(jīng)網(wǎng)絡(luò)的多傳感器火災(zāi)報(bào)警系統(tǒng)[J].計(jì)算機(jī)工程與應(yīng)用,2006,,42(3):219-221.
[2] 唐發(fā)明.基于統(tǒng)計(jì)學(xué)習(xí)的支持向量機(jī)算法研究[D].武漢:華中科技大學(xué),,2005:16-27.
[3] 楊旭強(qiáng),馮勇,,劉洪臣.一種基于HSI顏色模型的目標(biāo)提取方法[J].光學(xué)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(xué),,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(xué),,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(xué)與技術(shù),,2007,,25(4):417-420.
[7] 肖靚.基于支持向量機(jī)的圖像分類研究[D].上海:同濟(jì)大學(xué),2006:49-54.