徐宏宇，續(xù) 婷

(沈陽航空航天大學 電子信息工程學院，沈陽 110136)

火災是一種突發(fā)性強，威脅人們生命財產安全和社會發(fā)展的災害，后果往往非常嚴重，因此準確識別火災和及時撲救就顯得非常重要?；馂膱D像的識別算法研究一直是圖像識別研究領域的重要組成部分，遺傳算法[1]、灰度共生矩陣算法[2]、小波算法、局部二值LBP[3]、KNN算法和蟻群算法等都是研究中的熱點，較常用的識別分類器有向量機SVM、神經(jīng)網(wǎng)絡、隨機森林等。Zhou[4]提出了一種端到端的雙流神經(jīng)網(wǎng)絡火災檢測模型，具有很好的實用性和通用性；馮麗琦等[5]利用火焰RGB顏色特征提取疑似火焰區(qū)域，濾波后提取紋理特征用SVM進行識別，有很好的分類效果；Li[6]提出了一種新的基于FAST-RCNN、R-FCN、SSD和YOLOv3等先進目標檢測CNN模型的圖像火災檢測算法，提高了精度和魯棒性；史海山[7]根據(jù)紅外圖像的火災信息完成了對火災信號的特征提取，設計了基于遺傳算法的人工神經(jīng)網(wǎng)絡識別算法方案，效果良好；Chen[8]利用SIFT算法提取火災特征描述子，通過火災顏色空間對局部噪聲特征點進行濾波，再將特征描述子轉化為特征向量，利用IV-SVM分類器建立火災快速識別模型。

根據(jù)以上分析，提出一種基于火焰顏色和紋理的優(yōu)化SVM火焰識別方法。算法首先根據(jù)火焰像素特有的亮度、色度等特征，分別在RGB顏色空間和YCbCr顏色空間[9]得到火災疑似區(qū)域，求取并集后得到最終的疑似區(qū)域；其次根據(jù)Uniform LBP提取火焰局部紋理特征；再把經(jīng)核主成分分析算法(KPCA)[10-11]降維后的特征向量輸入到量子遺傳算法優(yōu)化參數(shù)后的SVM中進行火焰識別。識別算法流程如圖1所示。

圖1 識別算法流程圖

1 火焰特征提取

1.1 基于顏色的疑似火焰區(qū)域檢測

RGB是依據(jù)人眼識別的顏色定義出的空間，YCbCr顏色空間可以充分利用火焰亮度和色度信息。本文基于RGB和YCbCr兩種顏色模型分別檢測，當滿足下列兩個顏色空間的條件時，可以將圖像中的絕大多數(shù)非火焰像素濾除。

(1)RGB空間規(guī)則

(1)

其中R、G、B分別代表圖像的紅色、綠色和藍色分量。如果圖像像素滿足公式(1)，則可以初步判斷為疑似火焰像素，進行下一個顏色空間判別。

(2)YCbCr空間規(guī)則

(2)

(3)

Y是YCbCr空間中顏色的亮度成分，Cb和Cr分別是藍色和紅色的濃度偏移量，I(x，y)表示轉換前的RGB圖像，Ymean指的是原RGB圖像亮度的均值，Crmean指的是紅色分量的均值。如果某點Y值大于Cb值，則保留原像素值，反之置為 0。接著對式(3)判斷，若滿足條件就保留R1像素值，否則記為0。同時經(jīng)過兩種顏色空間處理后可得到疑似火災區(qū)域。圖2為部分火災圖像疑似區(qū)域結果圖，上面一行均為原始火焰圖像，下面一行為經(jīng)過處理后的火災疑似區(qū)域，對比可以看出，這種方法能夠有效地從圖像中分割出火焰目標區(qū)域。

圖2 火災圖像及其疑似區(qū)域結果圖

圖3為部分非火災圖像疑似區(qū)域結果圖。第一行均為原始圖像，第二行為應用規(guī)則處理后的圖像。前兩組圖說明RGB-YCbCr規(guī)則應用良好，第二組中圖像右側沙發(fā)并沒有被提取出，說明算法可以排除一部分類似火焰顏色的干擾物。第三組圖中有關夕陽的部分被檢測出來，是因為其在顏色、亮度上與火焰相似，僅使用這種方法不能很好地判別。

圖3 非火災圖像及其疑似區(qū)域結果圖

綜上，根據(jù)兩種顏色空間可以初步提取出火災疑似區(qū)域，但對于部分在顏色、亮度上與火焰類似的圖像有誤提取的情況出現(xiàn)，需要另外的特征加以辨別。

1.2 局部紋理特征提取和選擇

1.2.1 Uniform LBP紋理特征

在圖4這組圖中，左邊是經(jīng)顏色規(guī)則過濾后的圖像，右邊是將左圖轉化為灰度圖像后對LBP紋理特征提取的轉化結果圖；上面一行是火災圖像及其火焰紋理特征圖，下面是類火焰圖像夕陽及其紋理特征圖。由圖4可知兩者存在較明顯差異?；鹧鎴D像的紋理較密集，呈面狀分布，夕陽圖像紋理特征主要以條狀分布為主，密度沒有火焰大。其他類火焰圖像如紅楓林、燈牌、煙霧等紋理也與火焰紋理不同，因此可以通過紋理特征進一步將其區(qū)分開來。

圖4 兩類圖像及其LBP紋理特征圖

一個3×3的LBP算子可以得到256個LBP特征，這個數(shù)值還會隨著鄰域的擴大呈指數(shù)性增加，對圖像紋理提取和分類識別產生負面作用，降低紋理表達的效果。Uniform LBP把原始LBP的256個特征值分為59個，一方面較好地描述圖像局部紋理，另一方面減少高頻噪聲帶來的影響。實驗中為了便于識別，統(tǒng)一將圖片大小調整為256×256后再提取紋理特征，把圖片劃分為16×16的小塊，對每個區(qū)域中的像素計算LBP值，得到直方圖后對數(shù)據(jù)進行歸一化處理，最后將所有直方圖連接成一個向量即得到整幅圖的紋理特征向量。這樣一來，向量維數(shù)大大上漲，且包含大量冗余特征，為了提高分類準確率需要對向量進行降維處理。

1.2.2 核主成分分析降維

一般來說，主成分分析(PCA)用于數(shù)據(jù)的線性降維，而核主成分分析(Kernel PCA,KPCA)可處理線性不可分的數(shù)據(jù)集。KPCA算法對于輸入矩陣X，采用非線性映射原理把X中的所有樣本變換到高維，甚至是無窮維特征空間，再對其進行PCA降維，通過切換維度空間降低計算難度，避免復雜運算。本文對特征重要性因子進行降序排列后選取特征重要性大于90%的433維特征向量。

2 火焰識別

2.1 支持向量機SVM

對于火災等非線性的數(shù)據(jù)，SVM引用核函數(shù)進行處理，這時它的優(yōu)化問題變?yōu)椋?/p>

(4)

其中C為懲罰參數(shù)，k(x,xi)為核函數(shù)，本文采用高斯徑向基核函數(shù)作為分類核函數(shù)。實驗表明核參數(shù)g和懲罰因子C取不同值時，其識別率也不同，這說明參數(shù)選擇對分類結果有很大的影響。為了得到更好的識別效果，就需要對這兩個參數(shù)進行尋優(yōu)操作。

2.2 量子遺傳算法優(yōu)化SVM

遺傳算法(Genetic Algorithm，GA)通過模擬生物進化中的優(yōu)勝劣汰求解出優(yōu)化問題的全局最優(yōu)解，該方法是當前應用最廣泛的優(yōu)化算法之一，但其缺點是易陷入局部最優(yōu)的陷阱。量子遺傳算法[12-14]是量子計算與遺傳算法相結合的產物，它將量子編碼、量子態(tài)、量子門、量子特性、概率幅等量子概念融合進遺傳算法當中，增加染色體變化的可能性，當種群規(guī)模不變時，候選解個數(shù)變?yōu)镚A算法的兩倍，使解空間變得豐富多元，提高了尋優(yōu)成功概率。和GA相比QGA，有以下幾點不同：

(1)QGA采用量子位進行編碼，不再采用單調的二進制位編碼；

(2)每一個量子位均是不確定的狀態(tài)，屬于0和1的疊加態(tài)，因此解碼操作有所不同；

(3)QGA不再單純地僅進行交叉變異操作，而是通過量子旋轉門更新染色體。

在量子計算中，量子比特|0>和|1>表示微觀粒子的兩種基本狀態(tài)，根據(jù)疊加原理，量子信息的疊加態(tài)表示為這兩個基本態(tài)的線性組合，即

|ψ〉=α|0〉+β|1〉

(5)

式子中α、β表示量子位狀態(tài)的概率幅，且滿足α2+β2=1。

由于量子編碼作用下的染色體不再是單一的純態(tài)，因此要通過量子旋轉門作用于量子染色體的基態(tài)使其相互干涉，改變量子比特相位以更新量子位的概率幅，從而達到基因變異的效果。量子旋轉門的設計對整個算法至關重要，使用量子旋轉門U更新種群時，對于每個量子染色體的每個量子位執(zhí)行如下操作：

(6)

表1 量子旋轉門參數(shù)設置

量子遺傳算法的算法流程圖如圖5所示：

圖5 量子遺傳算法流程圖

3 實驗數(shù)據(jù)與結果分析

實驗選取470幅圖像參與識別，其中火災圖像210幅，非火災圖像260幅。在非火災圖像集中，除普通生活場景外還包括大量類火焰干擾圖，例如燈牌、火災煙霧、日出、夕陽、紅楓林等。為了檢測本文所提出算法的有效性，實驗通過3種算法進行分析比較。在MATLAB編程環(huán)境下，采用相同的實驗數(shù)據(jù)，分別選取傳統(tǒng)支持向量機(SVM)、基于遺傳算法優(yōu)化的支持向量機(GA-SVM)和基于量子遺傳算法優(yōu)化的支持向量機(QGA-SVM)進行識別實驗，記錄各自算法采用十折交叉驗證后得到的分類準確率。

圖6分別給出了基于遺傳算法的優(yōu)化方法GA-SVM和基于量子遺傳算法的優(yōu)化方法QGA-SVM兩者的參數(shù)尋優(yōu)過程曲線。

圖6 不同算法參數(shù)尋優(yōu)過程曲線

圖7是不同的懲罰參數(shù)c和高斯核參數(shù)g對識別結果的影響，橫坐標表示不同懲罰參數(shù)c的取值，縱坐標表示不同核參數(shù)g的取值，圖中所標數(shù)字為當前c、g參數(shù)對應的分類準確率。

圖7 參數(shù)c、g對識別準確率的影響

從圖中可以看出，不同的c、g有可能對應相同的最佳分類準確率[15]，這種情況下要優(yōu)先選擇具有最小c的那組參數(shù)，這是因為過高的懲罰參數(shù)c會造成過學習狀態(tài)，從而造成測試不理想。

表2給出了3種算法尋找到的最優(yōu)參數(shù)c、g以及最優(yōu)參數(shù)對應的最優(yōu)適應度，最后一欄是算法運行5次的平均參數(shù)尋優(yōu)時間。

表2 不同算法參數(shù)尋優(yōu)結果比較

由表2可以得出，QGA-SVM算法的準確率是三者中最高的，證明了本文所提算法的有效性。從時間上來看，QGA-SVM算法的平均耗時略大于GA-SVM，但遠小于SVM，說明算法針對SVM在時效性上有了提高，應用于實際生活中可以更快更好的發(fā)現(xiàn)火災情況，及時作出反應。

ROC曲線分析和混淆矩陣是二分類問題中評判分類器性能的重要指標。AUC被定義為 ROC曲線下與坐標軸圍成的面積，它為分類算法的性能對比提供了數(shù)字化依據(jù)。實驗利用測試集的分類結果可以得到表3所示的評價指標。

表3 二分類分類器性能評價指標

實驗將測試集分別用SVM、邏輯回歸算法、樸素貝葉斯算法進行識別分類，得到各算法的ROC曲線和準確度等評價指標，如圖8和表4。

圖8 不同分類器的ROC曲線

表4 不同算法評價指標結果

對比結果可知，支持向量機分類準確率最高，精確度、靈敏度特異性等均取得最優(yōu)結果，AUC略小于邏輯回歸算法，但高于樸素貝葉斯。綜合來說，SVM相對于其他分類器擁有較好的分類效果。

4 結論

文中提出的算法綜合運用了火焰的顏色、亮度以及紋理特征，借助 SVM 分類器實現(xiàn)火焰識別，其中SVM的參數(shù)c和g是通過量子遺傳算法尋優(yōu)后得到的最佳參數(shù)。實驗結果表明，本文提出的算法可以有效識別出火焰與非火焰圖像，對于燈牌、火災煙霧、日出等干擾性比較強的圖像可以很好地進行分類，識別率達到90%以上，算法魯棒性較強。