基于視頻圖像的火災(zāi)探測方法研究

喬高林

摘要：傳統(tǒng)的火災(zāi)檢測手段存在傳播速度慢、信息量損失、穩(wěn)定性較差和實(shí)時(shí)信息無法存儲(chǔ)等缺陷。而基于圖像處理技術(shù)的火災(zāi)探測技術(shù)可以有效克服上述弊端，具有更廣闊的應(yīng)用前景。本文將粗糙集與支持向量機(jī)模型相結(jié)合，提取原始幀圖像的7種特征變量，利用不同的屬性約簡算法對其進(jìn)行屬性降維，利用上述兩種約簡結(jié)果作為支持向量機(jī)的輸入向量，對支持向量機(jī)訓(xùn)練后測試該分類模型的識別效率。實(shí)驗(yàn)結(jié)果表明：不同屬性約簡算法對分類器識別率的影響不同，基于屬性重要性的屬性約簡算法更適合該實(shí)驗(yàn)環(huán)境下的火焰識別。

關(guān)鍵詞：火災(zāi)檢測；粗糙集；支持向量機(jī)

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2015）14-0166-03

火災(zāi)的發(fā)生能夠給人們的生命和財(cái)產(chǎn)帶來巨大的損害。常見的火災(zāi)探測設(shè)備一般是基于可接觸性傳感器的使用，例如煙感探測、紅外探測、紫外探測設(shè)備等設(shè)備，但在實(shí)際應(yīng)用中，這些方式均存在其自身無法克服的缺陷，而基于圖像的火災(zāi)方法是一種非“接觸式”探測方法，能夠避免上述傳統(tǒng)探測方法的弊病，具有更廣泛的適用性。

常見的圖像型火災(zāi)火焰探測方法的基礎(chǔ)是圖像本身的特征變量，包括靜態(tài)特征及動(dòng)態(tài)特征，理論上來說增加判據(jù)的數(shù)量能在一定程度上提高辨識的準(zhǔn)確性，但由于每一種特征變量都需要從圖像中提取，過多的特征將大大增加計(jì)算的時(shí)間，而且分類器的訓(xùn)練也將花費(fèi)更多的時(shí)間，難以滿足實(shí)時(shí)性的要求。因此在輸入分類器之前確定更有參考性的特征變量是有必要的，我們選擇了粗糙集的屬性約簡理論對輸入向量進(jìn)行降維，減少了冗余計(jì)算。支持向量機(jī)能較好地解決小樣本、非線性、高維數(shù)等實(shí)際問題[2]。本文將支持向量機(jī)與粗糙集理論相結(jié)合，自適應(yīng)選擇火災(zāi)圖像的特征變量，降低分類器輸入維數(shù)，降低了訓(xùn)練和識別的時(shí)間，提高了火災(zāi)火焰識別的準(zhǔn)確性。

1 火災(zāi)圖像預(yù)處理及分割

常見圖像型火災(zāi)火焰識別算法流程如圖1所示。

復(fù)雜環(huán)境下攝像頭采集的視頻將受到諸如光線、陰影及隨機(jī)噪聲的影響，造成檢測難度加大。只有先對所采集的圖像進(jìn)行一系列預(yù)處理，才能有效的提取到圖像的特征信息。

1.1 圖像濾波

本文選用了常見的濾波方式進(jìn)行濾波實(shí)驗(yàn)，根據(jù)實(shí)驗(yàn)結(jié)果最終選擇了中值濾波作為濾波方法。該種濾波方式能夠有效避免掃描圖像時(shí)造成的干擾及去除脈沖干擾，無需考慮其統(tǒng)計(jì)特性，使用會(huì)非常方便。中值濾波的基本原理是將數(shù)字圖像中的任一點(diǎn)用同領(lǐng)域中各點(diǎn)的中值替代，使該點(diǎn)周圍的像素值接近真實(shí)值，達(dá)到剔除孤立噪聲的目的。 設(shè)有一個(gè)一維序列[{x1，x2，...，xn}]，取窗口長度為m（m為奇數(shù)）。對這個(gè)一維進(jìn)行中值濾波，就是從輸入序列中相繼抽出m個(gè)數(shù)，[xi-v，....，xi-1，x1，...，xi+1，...，xi+v]，其中i是窗口的中心位置，v=（m?1）/2，再將這m個(gè)點(diǎn)按其數(shù)值大小排序，取其序列號為正中間的那個(gè)數(shù)作為濾波輸出[3]。

2. 基于RS-SVM火焰識別分類器的實(shí)現(xiàn)

2.1 粗糙集與支持向量機(jī)

在數(shù)據(jù)與信息處理中，粗糙集理論與支持向量機(jī)之間存在著互補(bǔ)性，兩者的結(jié)合使用可以充分發(fā)揮兩者的優(yōu)勢，通過此法構(gòu)造的分類器具有良好的推廣能力，并且能夠比較好的抑制噪聲 [5]。具體分析如下：

1）粗糙集理論是利用已有的知識庫來近似的描述不確定的知識，在處理大量數(shù)據(jù)、消除冗余信息時(shí)效果良好；支持向量機(jī)理論具有較強(qiáng)的學(xué)習(xí)和適應(yīng)能力，分類器精度較高。

2）當(dāng)支持向量機(jī)的輸入信息過于龐大時(shí)將會(huì)導(dǎo)致分類器的訓(xùn)練速度大大變慢，而粗糙集能夠發(fā)現(xiàn)輸入信息各變量之間的關(guān)系，剔除其中冗余變量，簡化分類器的輸入信息。

3）實(shí)際應(yīng)用中，粗糙集方法對噪聲較敏感，容錯(cuò)和泛化能力相對較差，而支持向量機(jī)則具有很好的抗噪聲能力和泛化性能。

2.2 RS-SVM識別流程

基于RS-SVM的火災(zāi)識別算法的識別步驟：

1）選取不同場景下的視頻圖像作為實(shí)驗(yàn)樣本，提取出描述火災(zāi)的七種特征變量作為擬輸入向量；

2）依據(jù)特征樣本的數(shù)據(jù)規(guī)律構(gòu)造特征量歸類表，將擬輸入向量離散化；

3）運(yùn)用兩種約簡算法進(jìn)行屬性降維，確定最終輸入向量；

4）訓(xùn)練支持向量機(jī)模型，直到識別率滿足要求，得到RS-SVM分類模型。

2.3實(shí)驗(yàn)分析

1）用a1、a2、a3、a4、a5、a6、a7七個(gè)變量表示圖像的七種特征變量，分別是：紅綠面積分量比、圓形度、尖角數(shù)、面積變化率、相關(guān)系數(shù)、相似度、整體移動(dòng)特性。有火/無火表示識別結(jié)果，能夠構(gòu)造火災(zāi)樣本集如表1所示。

2）依據(jù)特征變量提取結(jié)果，能夠獲得該樣本集的特征量歸類表如表2。

3）分別應(yīng)用基于差別矩陣和基于屬性重要性的屬性約簡算法對離散化后的歸類表進(jìn)行屬性降維?；诓顒e矩陣的屬性約簡算法下a2、a4、a7為可約簡屬性；而基于屬性重要性的屬性約簡算法下a5、a7為可約簡屬性。

根據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)，支持向量機(jī)分類模型選用徑向基核函數(shù)，徑向基核函數(shù)的寬度[σ=0.2]，懲罰因子C確定為100。選用3個(gè)場景的視頻作為測試數(shù)據(jù)的來源以驗(yàn)證算法的性能，包括一段有火視頻、一段相應(yīng)環(huán)境下無火的干擾視頻和火焰、干擾同時(shí)存在的視頻對約簡結(jié)果進(jìn)行對比分析。

使用訓(xùn)練所得的兩個(gè)分類模型分別進(jìn)行火焰識別率的測試，檢測結(jié)果如表3所示。

本文同樣單純使用支持向量機(jī)模型，輸入七個(gè)特征變量進(jìn)行了識別實(shí)驗(yàn)，識別率略高于RS-SVM模型，但從識別速度上來說，單純的SVM模型明顯低于RS-SVM，這主要是因?yàn)榇植诩募s簡算法使分類器輸入量大大減小，造成訓(xùn)練和識別的時(shí)間也縮短了。實(shí)驗(yàn)結(jié)果表明，在該實(shí)驗(yàn)樣本和實(shí)驗(yàn)條件下，兩種約簡算法下識別率相當(dāng)，但由于基于屬性重要性的約簡算法處理后只保留了4個(gè)特征變量，分類器輸入信息的減小使計(jì)算量變小，因此基于屬性重要性的約簡算法更適合于該實(shí)驗(yàn)樣本的降維處理。粗糙集理論與基于支持向量機(jī)理論的結(jié)合能夠在保證識別率的同時(shí)大大縮短分類器模型訓(xùn)練和識別的時(shí)間。

3 結(jié)語

圖像型火災(zāi)探測克服了傳統(tǒng)檢測方式必須依靠“接觸性”傳感器的弊端，維解決大空間下火災(zāi)火焰的探測提供了新思路。本文從火焰圖像特征研究入手，在圖像預(yù)處理的基礎(chǔ)上使用了一種改進(jìn)的圖像分割方法進(jìn)行火焰區(qū)域提取，可以剔除圖像中快速移動(dòng)的目標(biāo)區(qū)域；引入了粗糙集理論的屬性約簡算法對分類器的輸入變量進(jìn)行降維，去除其中更多冗余變量，減小了支持向量機(jī)模型的輸入信息，縮短了訓(xùn)練和識別的時(shí)間。實(shí)驗(yàn)結(jié)果表明，本文所采用的識別策略要優(yōu)于傳統(tǒng)支持向量機(jī)的火災(zāi)識別，自適應(yīng)選擇火災(zāi)的識別判據(jù)，提高了大空間下圖像型火災(zāi)火焰探測算法的推廣能力。

參考文獻(xiàn)：

[1] 楊高波， 杜青松. MATLAB 圖像/視頻處理應(yīng)用及實(shí)例[M]. 北京： 電子工業(yè)出版社， 2013.

[2] 胡曉軍， 徐飛. MATLAB應(yīng)用圖像處理[M]. 西安： 西安電子科技大學(xué)出版社， 2011.

[3] 周寧寧. 融合MMTD的圖像復(fù)原方法研究[D]. 南京： 南京郵電大學(xué)， 2013.

[4] 曹哲. 基于視頻圖像的火焰識別和背景干擾濾除算法[D]. 西安： 西安電子科技大學(xué)，2009.

[5] 史軍. 基于粗糙集理論的屬性約簡算法研究[D].青島大學(xué)， 2009.