袁斌

摘 要： 針對(duì)火災(zāi)圖像特征提取方法使用的特征單一造成火災(zāi)誤報(bào)率高的問題，在最小二乘支持向量機(jī)超參數(shù)選取在快速留一法的基礎(chǔ)上，結(jié)合共軛梯度算法，提出改進(jìn)的最小二乘支持向量機(jī)的火災(zāi)圖像處理方法，構(gòu)建了FR?LSSVM模型。通過(guò)對(duì)比采用BP神經(jīng)網(wǎng)絡(luò)、最小二乘法支持向量機(jī)、FR?LSSVM和標(biāo)準(zhǔn)支持向量機(jī)的實(shí)驗(yàn)結(jié)果可以得出，改進(jìn)算法具有更好的穩(wěn)定性、更快的運(yùn)算速度和更高的識(shí)別率，有利于提高火災(zāi)識(shí)別的有效性，進(jìn)而保護(hù)人們的生命財(cái)產(chǎn)安全。

關(guān)鍵詞： 圖像處理； 火災(zāi)識(shí)別； 快速留一法； 共軛梯度； BP 神經(jīng)網(wǎng)絡(luò)； 最小二乘支持向量機(jī)

中圖分類號(hào)： TN911.73?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）13?0043?04

Abstract： Since the traditional fire image feature extraction method has high false alarm rate due to its single feature， an improved fire image processing method based on least square support vector machine （LSSVM） is proposed in combination with the conjugate gradient algorithm and parameter selection of least square support vector machine based on the fast leave?one?out method， and the FR?LSSVM （Fletcher Reeves?least squares support vector machine） model is constructed. The experimental results of BP neural network， LSSVM， FR?LSSVM and standard support vector machine are compared to obtain that the improved algorithm has higher stability， faster operating speed and higher recognition rate， can improve the effectiveness of fire identification， and further protect people′s life and property safety.

Keywords： image processing； fire disaster recognition； fast leave?one?out method； conjugate gradient； BP neural network； least square support vector machine

0 引 言

模式識(shí)別是通過(guò)計(jì)算機(jī)技術(shù)對(duì)圖像、客觀物體、各種物理對(duì)象與過(guò)程進(jìn)行描述、分類的科學(xué)，在最小錯(cuò)誤概率的情況下，使識(shí)別后的結(jié)果最大程度地符合實(shí)際情況，提高識(shí)別的準(zhǔn)確度，達(dá)到利用機(jī)器對(duì)物理對(duì)象自動(dòng)分類、識(shí)別的目的[1?2]。在進(jìn)行模式識(shí)別時(shí)，需要根據(jù)研究對(duì)象和應(yīng)用場(chǎng)合選擇需要采用的理論與方法[3]。

本文研究基于圖像處理技術(shù)的火災(zāi)識(shí)別方法的目的是從火災(zāi)圖像中判別是否存在火源，它屬于兩類識(shí)別問題[4?5]。這種對(duì)不同火災(zāi)圖像進(jìn)行分類識(shí)別的情況被稱為基于特征的模式識(shí)別，把區(qū)分類別定義為“分類”，把對(duì)不確定樣本的分類過(guò)程定義為“識(shí)別”，把在識(shí)別過(guò)程中度量某類目標(biāo)影像都具有的且有代表性和實(shí)際意義的核心特征集合稱為“模式”。本文在最小二乘支持向量機(jī)超參數(shù)選取在快速留一法的基礎(chǔ)上，結(jié)合共軛梯度算法，提出改進(jìn)的最小二乘支持向量機(jī)的火災(zāi)圖像處理方法，并構(gòu)建FR?LSSVM模型。

1 基于人工神經(jīng)網(wǎng)絡(luò)的火災(zāi)圖像識(shí)別

1.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種模仿人腦神經(jīng)運(yùn)行的信息處理系統(tǒng)，人工神經(jīng)算法能夠處理大規(guī)模的數(shù)據(jù)，具有非線性和自適應(yīng)的特點(diǎn)，是一種仿人腦運(yùn)轉(zhuǎn)的理論模型。人工神經(jīng)網(wǎng)絡(luò)是由許多通過(guò)某種恰當(dāng)方式連起來(lái)的許多處理單元構(gòu)成的 [6?7]，其最基本的處理單元稱為神經(jīng)元，包括3個(gè)基本重要的組成元素：連接、求和單元、激活函數(shù)。其中連接是指將生物神經(jīng)元的突觸進(jìn)行連接；激活函數(shù)負(fù)責(zé)完成系統(tǒng)的線性映射和非線性映射，與此同時(shí)，將神經(jīng)元的輸出限定在某一特定范圍里；求和單元的作用主要是求取各輸入信號(hào)的加權(quán)和。人工神經(jīng)元網(wǎng)絡(luò)的基本模型如圖1所示。

在解決最優(yōu)化問題時(shí)，最普遍的方法是共軛梯度法，這是由于該方法操作簡(jiǎn)單、數(shù)據(jù)存儲(chǔ)量少、收斂速度快，能夠很好地解決大規(guī)模的復(fù)雜問題，共軛梯度法需要計(jì)算搜索方向和步長(zhǎng)因子。本文在最小二乘支持向量機(jī)超參數(shù)選取在快速留一法的基礎(chǔ)上，結(jié)合共軛梯度算法優(yōu)化全樣本的留一預(yù)測(cè)誤差平方和，進(jìn)而確定超參數(shù)并構(gòu)造FR?LSSVM模型。

在應(yīng)用網(wǎng)格搜索法時(shí)，在[C∈[0，1]]和[D∈[0，2]]區(qū)間內(nèi)，留一最小誤差平方和與[C，D]有著錯(cuò)綜復(fù)雜的關(guān)系，只有將步長(zhǎng)設(shè)置的非常小時(shí)，才能夠得到高精度的最優(yōu)超參數(shù)值，這無(wú)形中降低了效率。

3 仿真實(shí)驗(yàn)結(jié)果與分析

本文通過(guò)對(duì)比FR?LSSVM、LS?SVM、標(biāo)準(zhǔn)SVM和BP神經(jīng)網(wǎng)絡(luò)對(duì)火焰圖像處理結(jié)果的分析說(shuō)明FR?LSSVM的優(yōu)越性能。

在圖像特征數(shù)據(jù)庫(kù)中選取81個(gè)含有早期火點(diǎn)及干擾的樣本對(duì)模型性能進(jìn)行檢測(cè)，其中，每個(gè)樣本都是7維的。每次在這81組數(shù)據(jù)中先取出一組數(shù)據(jù)用來(lái)預(yù)測(cè)分類，然后優(yōu)化選擇剩余的80組數(shù)據(jù)的超參數(shù)。在每次構(gòu)建FR?LSSVM模型時(shí)，初始點(diǎn)均選[C0=1]，[D0=1]，通過(guò)共軛梯度法搜索可得[C]和[D]的均值分別為0.14和0.24，[C]和[D]的均方差分別為0.031和0.028，因此，優(yōu)選后的超參數(shù)更加穩(wěn)定。選取60個(gè)樣本用來(lái)訓(xùn)練，20個(gè)樣本用來(lái)測(cè)試，4種方法的結(jié)果對(duì)比如表2所示。

由表2可得，BP神經(jīng)網(wǎng)絡(luò)和LS?SVM方法的識(shí)別率都相對(duì)較低，而FR?LSSVM和標(biāo)準(zhǔn)SVM的識(shí)別率比這兩種方法的識(shí)別率要高。FR?LSSVM和LS?SVM所需的訓(xùn)練時(shí)間較短，而標(biāo)準(zhǔn)SVM和BP神經(jīng)網(wǎng)絡(luò)所需的訓(xùn)練時(shí)間則相對(duì)較長(zhǎng)，而且BP神經(jīng)網(wǎng)絡(luò)不僅是訓(xùn)練時(shí)間長(zhǎng)，識(shí)別率也很低，若想改變這一現(xiàn)象，需要修正BP神經(jīng)網(wǎng)絡(luò)的權(quán)值。雖然標(biāo)準(zhǔn)SVM的識(shí)別率比LS?SVM高，但是需要大量的訓(xùn)練和識(shí)別時(shí)間。FR?LSSVM超參數(shù)的算法具有算法穩(wěn)定、所需時(shí)間短、不確定性低的優(yōu)點(diǎn)，非常適合構(gòu)建非線性的小樣本模型，能夠提高識(shí)別的速度和精度。若圖像不清晰，提取目標(biāo)不完整或提取目標(biāo)里有噪聲都可能導(dǎo)致識(shí)別率降低。

為了進(jìn)一步測(cè)試本文提出算法的環(huán)境適應(yīng)性和檢測(cè)可靠性，在模擬巷道里進(jìn)行實(shí)驗(yàn)，結(jié)果如表3～表6所示。各測(cè)試視頻的圖像像素選320×240，采集幀率選25 f/s。

從表3～表6可以看出，測(cè)試結(jié)果與表2相同，檢測(cè)率最高的是FR?LSSVM，第二高的是標(biāo)準(zhǔn)SVM，而BP和LS?SVM的檢測(cè)率低于FR?LSSVM和標(biāo)準(zhǔn)SVM。FR?LSSVM所需的檢測(cè)時(shí)間最短，其中，檢測(cè)率會(huì)受到探測(cè)距離、火源大小以及視頻幀數(shù)的影響。

4 結(jié) 語(yǔ)

本文針對(duì)火災(zāi)識(shí)別方法問題進(jìn)行研究，在分析研究圖像特征的基礎(chǔ)上，結(jié)合火災(zāi)圖像的小樣本和非線性問題并融合借鑒了支持向量機(jī)在高維方面的特點(diǎn)，提出改進(jìn)的最小二乘支持向量機(jī)的火災(zāi)圖像處理方法。通過(guò)共軛梯度法對(duì)超參數(shù)進(jìn)行尋優(yōu)操作，構(gòu)建FR?LSSVM模型。通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)、LS?SVM和標(biāo)準(zhǔn)SVM、FR?LSSVM仿真實(shí)驗(yàn)結(jié)果的對(duì)比分析，可以看出相比于傳統(tǒng)算法，改進(jìn)后的FR?LSSVM方法能夠更加有效地識(shí)別出火焰圖像和干擾圖像，并且顯著提高了學(xué)習(xí)效率、速度和精度。

參考文獻(xiàn)

[1] 王瑜，苑津莎，尚海昆，等.組合核支持向量機(jī)在放電模式識(shí)別中的優(yōu)化策略[J].電工技術(shù)學(xué)報(bào)，2015，30（2）：229?236.

WANG Yu， YUAN Jinsha， SHANG Haikun， et al. Optimization strategy research on combined?kernel support vector machine for partial discharge pattern recognition [J]. Transactions of China electrotechnical society， 2015， 30（2）： 229?236.

[2] 孫茜，封皓，曾周末.基于圖像處理的光纖預(yù)警系統(tǒng)模式識(shí)別[J].光學(xué)精密工程，2015，23（2）：334?341.

SUN Qian， FENG Hao， ZENG Zhoumo. Recognition of optical fiber pre?warning system based on image processing [J]. Optics and precision engineering， 2015， 23（2）： 334?341.

[3] 潘海洋，楊宇，鄭近德，等.基于徑向基函數(shù)的變量預(yù)測(cè)模型模式識(shí)別方法[J].航空動(dòng)力學(xué)報(bào)，2017，32（2）：500?506.

PAN Haiyang， YANG Yu， ZHENG Jinde， et al. Variable predictive model based RBF class discriminate method [J]. Journal of aerospace power， 2017， 32（2）： 500?506.

[4] 朱思思，丁德紅，陳朝迎，等.基于圖像處理的森林火災(zāi)識(shí)別方法研究[J].紅外技術(shù)，2016，38（5）：440?446.

ZHU Sisi， DING Dehong， CHEN Chaoying， et al. The research of forest fire recognition method based on image processing [J]. Infrared technology， 2016， 38（5）： 440?446.

[5] 王媛彬.基于圖像特征的煤礦火災(zāi)檢測(cè)與識(shí)別研究[D].西安：西安科技大學(xué)，2013.

WANG Yuanbin. Research on fire detection and recognition in coal mine based on image features [D]. Xian： Xian University of Science and Technology， 2013.