張瑩 郭紅梅 尹文剛 趙真 冉青

摘要：通過分析以往震后獲取的圖像信息發(fā)現(xiàn)，部分信息存在與地震發(fā)生時間不吻合、不屬于地震影響范圍或與地震災(zāi)情無關(guān)等異常。通過將圖像分類算法運(yùn)用到震后災(zāi)情圖像信息的異常檢測中，提出了一種基于SIFT特征與SVM分類的地震災(zāi)情圖像信息異常檢測模型，以2013年蘆山7.0級地震建筑物破壞災(zāi)情圖像為例對模型進(jìn)行驗證。結(jié)果表明：該模型對圖像信息異常的檢測效果較好，可進(jìn)一步補(bǔ)充和完善地震應(yīng)急救援的災(zāi)情信息源，為政府抗震救災(zāi)科學(xué)決策提供災(zāi)情信息支撐。

關(guān)鍵詞：地震災(zāi)情圖像信息;異常檢測;SIFT;SVM;蘆山地震

中圖分類號：P315.941 ??文獻(xiàn)標(biāo)識碼：A ??文章編號：1000-0666（2019）02-0265-08

0 引言

地震災(zāi)害作為一種突發(fā)性自然災(zāi)害，震后獲取到的災(zāi)情信息是開展地震應(yīng)急救援工作的基礎(chǔ)（胡素平，帥向華，2012）。受災(zāi)民眾是地震災(zāi)害的目擊者和直接參與者，對受災(zāi)情況比較清楚（劉文，2017），通過移動終端設(shè)備，利用微博、微信等社交網(wǎng)絡(luò)平臺不斷向外界提供大量以文字、圖像等為載體的災(zāi)情信息，是最直接有效的信息源。在海量災(zāi)情信息中，圖像相比文字等信息能更加快速、直觀地反映災(zāi)區(qū)實際受災(zāi)情況（曹彥波等，2017，2018）。但是，分析以往震后獲取到的圖像信息，發(fā)現(xiàn)部分圖像信息存在與地震發(fā)生時間不吻合、不屬于地震影響范圍或與地震災(zāi)情無關(guān)等問題。

本文將圖像分類算法運(yùn)用到震后圖像災(zāi)情信息的異常檢測中，設(shè)定與地震發(fā)生時間不吻合、不屬于地震影響范圍或與地震災(zāi)情無關(guān)的圖像信息為異常信息。首先對獲取地震事件有效圖像信息量過程進(jìn)行建模，預(yù)篩出與地震發(fā)生時間吻合且屬于地震影響范圍內(nèi)的圖像集，進(jìn)一步判斷與地震災(zāi)情相關(guān)的圖像集。然后構(gòu)建基于尺度不變特征變換（Scale Invariant Feature Transform，簡稱SIFT）與以支持向量機(jī)（Support Vector Machne，簡稱SVM）分類的地震災(zāi)情圖像信息異常檢測算法模型，并以2013年蘆山7.0級地震建筑物破壞災(zāi)情圖像為例對模型進(jìn)行驗證。

1 獲取地震事件有效圖像信息量過程建模 ?地震發(fā)生后，可從社交網(wǎng)絡(luò)平臺（Social Network Site，簡稱SNS）上獲取海量與地震相關(guān)的圖像信息資源，形成SNS圖像池，將SNS圖像池具體表示為：

式中：P為SNS圖像池的向量集;X為圖像信息，共包含n行，表示該圖像池共有n張圖像，每一行為一條圖像的基本信息;共包含m列，表示該圖像池共有m類圖像信息，如第一列為圖像拍攝的時間信息，第二列為圖像拍攝的位置信息等。即SNS圖像池的每張圖像pi=（xi1，xi2，xi3，…，xim）都包含拍攝時間、位置等相對一致的信息量。

針對不同的地震事件ω，需對每張圖像pi=（xi1，xi2，xi3，…，xim）進(jìn)行篩選，提取所需的有效信息。首先將圖像的時間信息限定為地震發(fā)生以后，位置信息限定為地震影響范圍內(nèi)（根據(jù)地震烈度快速評估結(jié)果確定），根據(jù)ω限定向量值，基于網(wǎng)絡(luò)輔助信息預(yù)篩選出和地震事件相關(guān)的新圖像集P′，包含a張圖像。若圖像集P′中存在與地震災(zāi)情無關(guān)的噪聲信息，則需進(jìn)一步通過圖像信息異常檢測篩選出與災(zāi)情相關(guān)的圖像集P″，包含b張圖像，且a≥b，直到滿足設(shè)定的篩選條件為止。即由在得到包含b張有效圖像的圖像集P″后，將圖像集P″傳遞給地震應(yīng)急指揮中心，應(yīng)急指揮中心進(jìn)一步從得到的b張圖像中提取有效的信息量I（i1，i2，…，in），獲取包含i1：被困人員情況;i2：人員傷亡情況;i3：建筑物破壞情況;i4：生命線工程破壞情況;i5：次生災(zāi)害情況;i6：災(zāi)區(qū)環(huán)境特征等災(zāi)情信息，最大化地利用不同信息輔助地震應(yīng)急指揮中心進(jìn)行決策，具體過程如圖1所示。

第2期

張 瑩等：基于SIFT特征與SVM分類的地震災(zāi)情圖像信息異常檢測方法

在整個有效圖像信息量獲取過程中，如何在預(yù)篩選出的圖像集中進(jìn)一步判斷出與預(yù)設(shè)地震災(zāi)情密切相關(guān)的圖像集是研究的重點和難點。基于此，本文提出了一種基于SIFT特征與SVM分類的地震災(zāi)情圖像信息異常檢測模型。

2 地震災(zāi)情圖像信息異常檢測算法模型 ?圖像信息異常檢測算法的關(guān)鍵點在于自動進(jìn)行圖像標(biāo)注，其難點在于計算機(jī)能從像素中提取的底層視覺特征和用戶在特定情境下對圖像內(nèi)容的高層語義解讀之間存在語義鴻溝（傅衛(wèi)平等，2011）。為消除語義鴻溝，需利用一組人工標(biāo)注的訓(xùn)練數(shù)據(jù)在視覺特征和語義標(biāo)簽之間建立某種映射關(guān)系，再根據(jù)這種映射關(guān)系自動為待標(biāo)注的圖像添加相關(guān)標(biāo)簽。目前較為有效的解決方案是通過SIFT將描述得到的圖像特征加上以SVM為主的分類器。

本文將圖像分類算法運(yùn)用到地震災(zāi)情圖像信息的異常檢測中，提出基于SIFT特征與SVM分類的圖像信息的異常檢測算法模型，如圖2所示。

2.1 基于SIFT的地震事件圖像特征提取

SIFT是圖像處理領(lǐng)域的一種局部特征描述算法，該算法對圖像的尺度縮放、平移、旋轉(zhuǎn)變換，甚至亮度變化及仿射變換都具有相當(dāng)?shù)姆€(wěn)健性，適用于海量數(shù)據(jù)庫中的快速精準(zhǔn)匹配（汪松，2013）。本文將SIFT算法應(yīng)用于地震災(zāi)情圖像的識別和特征提取中，重點識別提取被困人員情況、人員傷亡情況、建筑物破壞情況、生命線工程破壞情況、次生災(zāi)害情況等災(zāi)情信息特征。為實現(xiàn)算法的訓(xùn)練，收集了大量已標(biāo)注為地震災(zāi)情信息的圖像，針對每張地震災(zāi)情圖像，通過以下4個步驟采用SIFT進(jìn)行特征提?。?/p>

（1）尺度空間極值檢測

式中：k為相鄰兩個尺度空間倍數(shù)的常數(shù)。

為檢測D（x，y，σ）的局部極值點，需將DOG尺度空間每個點與其相鄰尺度和相鄰位置的26個點逐個進(jìn)行比較，如圖3所示。

若像素（x， y）是一個可能的SIFT關(guān)鍵點，則它必須在周圍26個近鄰像素點中是極值點，所有的局部極值點構(gòu)成一個SIFT候選關(guān)鍵點的集合。

（2）關(guān)鍵點定位

通過尺度空間極值檢測得到地震災(zāi)情圖像的所有候選關(guān)鍵點，但還需通過兩步檢測才能確定關(guān)鍵點：首先關(guān)鍵點必須與周圍的像素有明顯的差異，即需要剔除對比度低的關(guān)鍵點;其次DOG算子有較強(qiáng)的邊緣響應(yīng)，需刪除不穩(wěn)定的邊緣響應(yīng)點。

（3）關(guān)鍵點大小和方向匹配

在完成關(guān)鍵點定位后，為使DOG算子具備旋轉(zhuǎn)不變性，采用梯度直方圖確定關(guān)鍵點的主方向，像素點（x， y）處梯度的模值和方向的計算公式（完文韜，楊成禹，2018）為：

對于地震災(zāi)情圖像的各關(guān)鍵點，模值的峰值代表該關(guān)鍵點處領(lǐng)域梯度的主方向，將其作為該關(guān)鍵點的方向。依次為每個關(guān)鍵點指定方向參數(shù)，使得DOG算子具備旋轉(zhuǎn)不變性。

（4）輸出SIFT描述符

為確保旋轉(zhuǎn)不變性，將坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵點的方向。以一個關(guān)鍵點為中心，取N×N的窗口，再將窗口切成M×M的子窗口（M ????2.2 基于Kmeans聚類算法的地震事件圖像標(biāo)簽庫 ?由SIFT算法提取后的每張地震災(zāi)情圖像都是大量SIFT關(guān)鍵點的集合，每一個關(guān)鍵點都是一個多維的特征向量，描述著圖像中物體的某一部分特征信息，如人、建筑物、生命線工程特征等。但每張圖像經(jīng)過SIFT算法所產(chǎn)生的關(guān)鍵點個數(shù)不盡相同，不便于計算機(jī)對災(zāi)情圖像的自動識別和判斷，因此本文采用Kmeans聚類算法對SIFT特征進(jìn)行聚類，將關(guān)鍵點的特征向量做分類處理。

SIFT特征向量X到第i個聚類中心的歐氏距離（崔紅艷，曹建芳，2016）為：

式中：xj是向量X的第j維;kij是第i個聚類中心的第j維。

利用Kmeans算法進(jìn)行多次迭代計算得到k個聚類中心，k值可通過多次試驗進(jìn)行選取測試，最終結(jié)合聚類速度和分類精度綜合考慮后確定（任恒怡等，2017）。

若輸入的地震災(zāi)情圖像有n個SIFT關(guān)鍵點，則需統(tǒng)計這n個關(guān)鍵點在k個聚類中心的分布情況，從而形成圖像對應(yīng)的特征向量。特征向量第j維的計算公式為（楊松等，2016）：

式中：Sij取值為0或1，取1時表示第i個SIFT關(guān)鍵點屬于第j個聚類中心。

通過上述算法可將一張具有n個SIFT關(guān)鍵點的圖像轉(zhuǎn)化成一個k維特征向量，表示該圖像的分類特征，經(jīng)過對大量已標(biāo)注的地震災(zāi)情圖像的訓(xùn)練，得到地震災(zāi)情異常圖像特征向量標(biāo)簽庫，作為進(jìn)行SVM分類的基礎(chǔ)。

2.3 基于SVM的圖像分類

SVM是解決小樣本、非線性識別的一種二分類器算法（李紅麗等，2018），主要通過各單一數(shù)據(jù)的特征向量判斷其標(biāo)簽，以此來確定樣本的類別，獲得良好的分類效果。本文分“離線圖像訓(xùn)練”和“在線圖像判別”兩部分進(jìn)行地震災(zāi)情圖像分類處理，如圖4所示。

首先，在本地采集歷史地震災(zāi)情圖像和與災(zāi)情無關(guān)的圖像，對采集的離線圖像做SIFT圖像特征提取和Kmeans特征聚類，整合出地震災(zāi)情異常圖像標(biāo)簽庫，對標(biāo)簽庫進(jìn)行學(xué)習(xí)訓(xùn)練，形成異常圖像SVM分類器集合。然后在社交網(wǎng)絡(luò)平臺采集在線圖像，通過將圖像的時間信息限定為地震發(fā)生后，位置信息限定為地震影響范圍內(nèi)，預(yù)篩選出和地震事件相關(guān)的圖像，進(jìn)行SIFT圖像特征提取和Kmeans特征聚類，最后利用異常圖像SVM分類器對其進(jìn)行判別，輸出與地震災(zāi)情相關(guān)的有效圖像，剔除無關(guān)的異常圖像。

2.4 模型應(yīng)用場景

基于SIFT特征與SVM分類的圖像信息異常檢測算法模型在地震事件中的應(yīng)用場景如圖5所示。

地震發(fā)生后，從微博、微信等社交網(wǎng)絡(luò)平臺，獲取海量受災(zāi)民眾通過手持移動通訊設(shè)備發(fā)送的相關(guān)圖像信息資源，基于SIFT特征與SVM分類的地震災(zāi)情圖像信息異常檢測算法模型，篩選出包含被困人員情況、人員傷亡情況、建筑物破壞情況、生命線工程破壞情況、次生災(zāi)害情況、災(zāi)區(qū)環(huán)境特征等災(zāi)情信息在內(nèi)的圖像，將其傳遞給地震應(yīng)急指揮中心，完善地震應(yīng)急救援的災(zāi)情信息源，為科學(xué)制定應(yīng)急方案提供有效支撐。

3 蘆山7.0級地震建筑物破壞災(zāi)情圖像異常檢測 ??以2013年蘆山7.0級地震建筑物破壞災(zāi)情圖像為例，從地震災(zāi)情數(shù)據(jù)庫中收集80張地震災(zāi)情圖像，從本地收集110張與地震災(zāi)情無關(guān)的圖像，進(jìn)行離線圖像訓(xùn)練，形成異常圖像SVM分類器集合。從微博、微信、新聞網(wǎng)站等網(wǎng)絡(luò)平臺收集到95張地震災(zāi)情圖像和122張與地震災(zāi)情無關(guān)的圖像。

根據(jù)圖像屬性信息，應(yīng)用C#的PropertyItem類提取拍攝時間及位置，存放在PohtoStore圖像集中：

再以時間信息DATE在2013年4月20日8時2分之后，位置信息LATITUDE、LONGITUDE到震中的距離不超過117 km（根據(jù)蘆山地震烈度快速評估結(jié)果確定）為篩選條件，從PohtoStore圖像集預(yù)篩選出和蘆山地震事件相關(guān)的圖像共205張，其中的92張為地震災(zāi)情圖像，113張為與地震災(zāi)情無關(guān)的圖像。用通過預(yù)篩選的圖像對異常圖像SVM分類器集合訓(xùn)練效果進(jìn)行檢驗。

在MATLAB環(huán)境下完成訓(xùn)練和分類過程，將190張離線圖像和205張通過預(yù)篩選的在線圖像分為訓(xùn)練集V和測試集T。在訓(xùn)練集V中，地震建筑物破壞災(zāi)情圖像的集合為V1，與地震建筑物破壞災(zāi)情無關(guān)圖像的集合為V2;在測試集T中，地震建筑物破壞災(zāi)情圖像的集合為T1，與地震建筑物破壞災(zāi)情無關(guān)圖像的集合為T2，分類結(jié)果如表1所示。

分析建筑物破壞圖像特征主要包括：

（1）幾何特征：建筑物雖然外形各不相同，但作為一種相對規(guī)則的人工地物，實際大多為矩形或由矩形組合構(gòu)成的多直角形狀，相鄰邊緣相垂直，排列較規(guī)整。在地震中建筑物發(fā)生不同程度的破壞后，邊緣輪廓傾斜錯落，其結(jié)構(gòu)和排列呈現(xiàn)出非規(guī)則性和紊亂性等特點。

（2）灰度特征：建筑物邊緣及不同建筑物連接處的灰度變化較大，而建筑物內(nèi)部灰度值相對較均勻，灰度分布離散性明顯。建筑物破壞引起表面反射率發(fā)生變化，圖像灰度值增加，分布離散性減弱。

（3）拓?fù)潢P(guān)系特征：建筑物作為面狀地物，具有多邊形的拓?fù)涮卣?，可用鏈狀獨立編碼表達(dá)拓?fù)潢P(guān)系。建筑物破壞后，多邊形出現(xiàn)斷邊，拓?fù)潢P(guān)系鏈狀編碼的獨立性受到影響，相互間的交互增多。

根據(jù)上?從表3可知，應(yīng)用SIFT特征與SVM分類的地震災(zāi)情圖像信息異常檢測算法模型對蘆山7.0級地震建筑物破壞災(zāi)情圖像信息進(jìn)行異常檢測的效果較好，該算法模型具有一定的可行性?？蛇M(jìn)一步用于對被困人員情況、人員傷亡情況、生命線工程破壞情況、次生災(zāi)害情況等其他災(zāi)情圖像信息的異常檢測中。

4 結(jié)論

本文針對震后微博、微信等社交網(wǎng)絡(luò)平臺中與地震相關(guān)的圖像信息資源與當(dāng)次地震發(fā)生時間不吻合、不屬于地震影響范圍或與地震災(zāi)情無關(guān)等異常，將圖像分類算法運(yùn)用到異常檢測中。通過對獲取地震事件有效圖像信息量過程進(jìn)行建模，構(gòu)建了基于SIFT特征與SVM分類的地震災(zāi)情圖像信息異常檢測算法模型，并以蘆山7.0級地震建筑物破壞災(zāi)情圖像為例對模型進(jìn)行驗證，結(jié)果表明該模型對圖像信息異常的檢測效果較好，可有效補(bǔ)充和完善用于地震應(yīng)急救援的災(zāi)情信息源，為政府抗震救災(zāi)科學(xué)決策提供災(zāi)情信息支撐。

隨著5G網(wǎng)絡(luò)和智能移動終端的快速發(fā)展和普及，未來網(wǎng)絡(luò)平臺的信息量將呈現(xiàn)井噴式增長。因此，需進(jìn)一步結(jié)合數(shù)據(jù)挖掘技術(shù)及PSO粒子群優(yōu)化等算法，提高地震災(zāi)情圖像信息異常檢測的效率和準(zhǔn)確度。在震后第一時間為地震應(yīng)急指揮中心提供更加準(zhǔn)確、可靠的災(zāi)情圖像信息。

參考文獻(xiàn)：

曹彥波，吳艷梅，許瑞杰，等.2017.基于微博輿情數(shù)據(jù)的震后有感范圍提取[J].地震研究，40（2）：303-310.

曹彥波.2018.基于新浪微博的2018年云南通海5.0級地震輿情時空特征分析[J].地震研究，41（4）：525-533.

崔紅艷，曹建芳.2016.基于改進(jìn)的分布式KMeans特征聚類的海量場景圖像檢索[J].計算機(jī)應(yīng)用與軟件，33（6）：195-199.

傅衛(wèi)平，秦川，劉佳等.2011.基于SIFT算法的圖像目標(biāo)匹配與定位[J].儀器儀表學(xué)報，32（1）：163-169.

胡素平，帥向華.2017.網(wǎng)絡(luò)地震災(zāi)情信息智能處理模型與地震烈度判定方法研究[J].震災(zāi)防御技術(shù)，7（4）：420-430.

李紅麗，許春香，馬耀鋒.2018.基于多核學(xué)習(xí)SVM的圖像分類識別算法[J].現(xiàn)代電子技術(shù)，41（6）：50-52.

劉文.2017.地震災(zāi)情信息采集與分類分析[J].科學(xué)與信息化，（29）：5-6.

任恒怡，賀松，陳文亮.2017.一種改進(jìn)的Kmeans聚類算法在圖像分割中的應(yīng)用[J].通信技術(shù)，50（12）：2704-2707.

湯海林.2013.基于SIFT的圖像特征提取算法研究[J].電腦開發(fā)與應(yīng)用，21（8）：54-56.

完文韜，楊成禹.2018.改進(jìn)的SIFT算法在圖像特征點匹配中的應(yīng)用[J].長春理工大學(xué)學(xué)報（自然科學(xué)版），41（1）：44-47.

汪松.2013.基于SIFT算法的圖像匹配方法研究[D].西安：西安電子科技大學(xué).

楊松，邵龍?zhí)?，宋維波，等.2016.一種基于SIFT特征的快速圖像匹配算法[J].計算機(jī)應(yīng)用與軟件，33（7）：186-189.