王 云

（深圳市云海易聯(lián)電子有限公司，廣東 深圳 518000）

我國受森林火災影響的面積逐年增大，對快速、高效識別森林火災的需求也逐漸擴大。2022 年全國多地發(fā)生森林火災，導致數(shù)萬畝的土地被燒毀?；趫D像特征的林火識別技術具有時效性強、識別率高等優(yōu)勢，能夠盡快識別林火，防止林火規(guī)模擴大，目前已成為監(jiān)測和識別森林火災的主要方法之一，并成為一種預警解決方案。

同時，圖像識別技術在火災、消防、森林治理等相關研究中也發(fā)揮了重要作用。王寅凱等[1]提出一種加強森林管理的樹種識別和儲量估算新方法。在這種方法中，森林火災圖像由數(shù)碼相機收集。過去對森林火災圖像特征的研究主要集中在圖像的顏色、紋理和運動檢測方面，還沒有充分考慮類火干擾源（干擾森林火災圖像識別的紅色物體，例如橫幅、楓葉以及瓶子等）對森林火災識別的影響，因此需要進一步提高識別精度[2]。該文研究一種基于加權融合算法和紋理特征的森林火災系統(tǒng)識別方法，采用LBP（局部二元模式）和GLCM（灰度共現(xiàn)矩陣）模型形成森林火災圖像的14 維向量，并驗證該方法對森林火災識別具有較高的準確性。

1 試驗方法

森林火災精確識別主要包括4 個步驟：首先，基于加權融合RGB-YCbCr 色彩空間并提取預處理圖像和疑似火焰區(qū)域。其次，利用LBP和GLCM算法提取疑似火焰區(qū)域的紋理特征，形成14 維紋理特征向量[3]。再次，基于大量訓練圖像建立紋理特征數(shù)據(jù)庫，包括正常森林圖像、森林火災圖像和類火災干擾圖像。最后，通過支持向量機判斷圖像與數(shù)據(jù)庫中三類圖像的相似度，從而識別森林火災。森林火災圖像的紋理特征一般呈片狀或平面分布，中心區(qū)域紋理密集，連續(xù)性強[4]。根據(jù)森林火災火焰和類火干擾源之間的圖像紋理差異可以對森林火災圖像中的火焰進行分類和識別。

1.1 通過局部二值模型（LBP）提取紋理特征

該文將采用LBP模型描述森林火災圖像的紋理特征。LBP模型包括均勻模式、旋轉不變模式和旋轉不變均勻模式。均勻模式可以滿足減少LBP模型特征向量數(shù)量的要求，其計算方法如公式（1）所示。

式中：gc為中心像素的灰度值；gi為周邊像素的灰度值；P為周圍像素的個數(shù)；R為鄰域半徑，即中心像素與鄰域像素之間的歐氏距離。

旋轉不變模式可以解決LBP值因圖像旋轉或傾斜而變化的問題，使LBP值保持不變，其計算如公式（2）所示。

式中：ROR（x，j）為執(zhí)行旋轉操作，將x循環(huán)向右移動i位。旋轉不變均勻模式是將旋轉不變模式與均勻模式相結合得到的，其計算如公式（3）所示。

該試驗主要研究特征向量較少的和，并以為例。

1.2 通過灰度共現(xiàn)矩陣（GLCM）提取火災紋理特征

灰度共現(xiàn)矩陣主要通過計算圖像中相對位置2 個像素的灰度來獲取圖像的紋理特征?；叶裙铂F(xiàn)矩陣常用的統(tǒng)計特征包括角二階矩、對比度、反差矩和相關性。角二階矩是灰度共生矩陣值的平方和，它表示火的紋理厚度和灰度分布的均勻性，如公式（4）所示。

對比度是像素值和相鄰像素值之間的關系，可以進一步評估和測量森林火災圖像紋理的深度和清晰度，如公式（5）所示。

反差矩主要測量森林火災圖像局部區(qū)域的紋理變化程度和平滑度，如公式（6）所示。

相關度量空間灰度共現(xiàn)矩陣元素表示行或柱狀方向上的相似性，同時也可進一步表示森林火災灰度圖像的線性關系，如公式（7）所示。

式中：mx為矩陣C2中每個列元素的和；my為矩陣C2中每個行元素的和；μb1、μb2、σb1和σb2分別為mx和my的均值和標準差。

圖1 為通過加權融合算法提取的灰度圖像。從圖中可以看出，無火圖像的森林特征值基本為零，有類火的干擾圖像的森林特征值對比度更大，呈負相關。因此，這些特征值的變化趨勢可以作為森林火災識別和分類的標準。

圖1 灰度圖像

2 分類器

使用支持向量機算法構建一個判定函數(shù)，對3 個場景中的森林圖像進行識別和分類。SVM 算法的目的是構建一個能夠最大程度地對數(shù)據(jù)進行分類的判定函數(shù)。所有樣本數(shù)據(jù)對應如公式（8）所示。

式中：w為超平面的法向量；b為超平面的截距；C為懲罰參數(shù)。從現(xiàn)有樣本中提取帶有火焰的森林火災圖像和干涉圖像的LBP 直方圖分布特征和GLCM 特征，形成14 維向量：X=[L1、L2、L3、……、L10、a、C1、I、C2]。利用收集的數(shù)據(jù)建立訓練集和測試集，利用徑向基函數(shù)（RBF）內(nèi)核對森林火災火焰進行識別和分類。徑向基函數(shù)（RBF）內(nèi)核的定義如公式（9）所示。

式中：p為徑向基核函數(shù)的寬度。

利用徑向基函數(shù)核來識別森林火災且RBF 可以分析高維函數(shù)，其識別分類步驟包括以下2 個：1）訓練過程。提取目標圖像作為訓練集，基于目標森林火災圖像的LBP 直方圖特征和GLCM 紋理提取特征作為圖像特征輸入SVM 向量機進行分類器訓練。2）識別過程。利用訓練后的分類器提取并對識別圖像的LBP 和GLCM 特征進行分類。最后，通過準確的識別結果來評價該分類器的分類性能。

該文基于一種用于識別和分類森林火災的支持向量機，并結合比較卷積神經(jīng)網(wǎng)絡來驗證該算法的準確性和有效性。卷積神經(jīng)網(wǎng)絡是一種采用卷積計算、具有深度結構的前饋神經(jīng)網(wǎng)絡，是深度學習的代表性算法之一。卷積神經(jīng)網(wǎng)絡已經(jīng)廣泛應用于計算機視覺領域，該文利用其圖像識別能力對森林火災圖像中的火災進行識別。首先，該算法使用融合顏色空間規(guī)則提取可疑的火焰區(qū)域，其次，使用LBP-GLCM 方法提取紋理特征，最后，將紋理特征輸入支持向量機。作為一種比較算法，將提取的可疑火焰區(qū)域的圖像輸入卷積神經(jīng)網(wǎng)絡。

3 森林火災圖像識別效果分析

森林火災圖像識別由MATLAB R2019a 實現(xiàn)。實驗平臺的操作系統(tǒng)為Windows11，處理器為Intel Core?TM i5-9300H。從野外共采集1317 幅森林圖像，其中包括513 幅無火情的森林圖像、420 幅有火情的森林圖像和384 幅有火情干擾的森林圖像。森林圖像包括中國常見的各種樹木，例如樺樹、松樹以及柏樹等。森林火災圖像以近距離或高清晰度圖像為主，其色彩和紋理特征更明顯?；馉罡蓴_類型包括紅色垃圾、紅色條紋以及紅葉林等。3 個場景識別過程中的部分圖像如圖2 所示。其中，圖2（a）是一張沒有火光的正常森林圖像，經(jīng)過顏色提取處理后顯然沒有提取到火光區(qū)域。圖2（b）是有火的森林圖像，圖2（c）是森林中的紅色橫幅，在該研究中用于干擾圖像。從圖2 可知，基于加權融合算法的不同圖像之間的紋理特征向量差異很大。因此，可以根據(jù)不同類型圖像紋理特征的不同特點來識別森林火災，并將3 種類型圖像的紋理信息作為特征向量輸入支持向量機，且該算法對森林火災圖像中火焰的識別準確率達到93.15%。

圖2 試驗圖像樣本和提取結果

4 結論

該文提出一種基于加權融合和紋理特征的森林火災識別方法。通過加權融合RGB-YCbCr 色彩空間對疑似火災區(qū)域進行分割。然后，利用LBP 和GLCM 模型提取疑似火災區(qū)域的紋理特征，形成14維紋理特征向量，并利用支持向量機進行森林火災識別和分類。結果表明，該算法對森林火災圖像中火焰的識別準確率達到93.15%，處理速度為7.54 幀/s。當出現(xiàn)火樣干擾時，具有良好的魯棒性。建議進一步完善森林火災圖像數(shù)據(jù)庫，擴大訓練集，包括更多不同形狀、大小、顏色和燃燒程度的森林火災圖像；進一步縮短算法的訓練和測試時間，為圖像識別在森林防火中的應用提供新的理念。