基于PSO-SVM的變電站視頻監(jiān)控火災(zāi)識(shí)別算法

（國(guó)網(wǎng)北京市電力公司，北京 100051）

蔡正梓，程海興，陳 茜，王冠男

變電站是電力系統(tǒng)中變換電壓、電流、分配電能的電力設(shè)備，其在電力系統(tǒng)中起著至關(guān)重要的作用，其包含變壓器、高壓斷路器等易燃易爆設(shè)備。配電設(shè)備老化、室內(nèi)溫度過(guò)高、變壓器嚴(yán)重過(guò)載等均會(huì)引起火災(zāi)的發(fā)生，不僅會(huì)對(duì)整個(gè)電力系統(tǒng)的運(yùn)行造成極大的危害[1]，而且也會(huì)給國(guó)家、企業(yè)等用戶帶來(lái)嚴(yán)重?fù)p失。因此，對(duì)變電站進(jìn)行全天候視頻監(jiān)控，在火災(zāi)發(fā)生的初期，精準(zhǔn)的識(shí)別火災(zāi)、及時(shí)向監(jiān)控人員預(yù)報(bào)火警，將火災(zāi)產(chǎn)生的損失及危害最大限度的降低，是保障生命財(cái)產(chǎn)安全的重要措施[2]。

近些年，由于變電站視頻監(jiān)控火災(zāi)的識(shí)別效果并不理想，存在火災(zāi)識(shí)別精度低，誤警率高等問(wèn)題，錯(cuò)失最佳救火時(shí)機(jī)，造成巨大的經(jīng)濟(jì)損失[3]。為此，海內(nèi)外的相關(guān)學(xué)者進(jìn)行了大量研究，如文獻(xiàn)[4]提出的改進(jìn)AFSA 算法的火災(zāi)識(shí)別算法，該算法雖對(duì)火焰的識(shí)別精度較高，但其在火焰像素與非火焰像素的訓(xùn)練過(guò)程中，需要收集巨大的訓(xùn)練樣本，學(xué)習(xí)速率不高，工作復(fù)雜度較高；文獻(xiàn)[5]提出的基于顏色和紋理特征的火災(zāi)識(shí)別算法，該算法雖可快速識(shí)別火焰，但其易受到類火焰、行人、障礙物等干擾，識(shí)別火焰精度不高。

支持向量機(jī)（support vector machine，SVM）是一種以達(dá)成風(fēng)險(xiǎn)最小化為準(zhǔn)則的機(jī)器學(xué)習(xí)算法[6]，分類效果好，但由于其在學(xué)習(xí)過(guò)程中，需要占據(jù)相當(dāng)大的內(nèi)存，故不但該算法的分類速度較慢，而且若不對(duì)SVM 參數(shù)實(shí)行優(yōu)化處理，易使預(yù)測(cè)精度偏低，采用具有快速尋優(yōu)能力的粒子群優(yōu)化算法（particle swarm optimization，PSO），可迅速找到SVM 的最優(yōu)參數(shù)值，提高SVM 的分類精度[7]。

因此，本文提出于PSO-SVM 的變電站視頻監(jiān)控火災(zāi)識(shí)別算法，提高識(shí)別火災(zāi)的精度，降低誤警率。

1 變電站視頻監(jiān)控火災(zāi)識(shí)別算法

1.1 變電站視頻監(jiān)控火災(zāi)圖像火焰可疑區(qū)域檢測(cè)

通常根據(jù)火焰像素在YCrCb 色彩空間里的不同分量值的區(qū)域與關(guān)系，作為檢測(cè)火焰像素的算法。某些相關(guān)學(xué)者將火焰像素顏色作為識(shí)別火焰像素的判斷依據(jù)，但由于變電站火災(zāi)視頻效果的限制，火焰面積在視頻中畫面變得非常小[8]，故依據(jù)火焰顏色判斷火焰像素，無(wú)法在火災(zāi)視頻中將火焰成功分割。

除了火焰顏色，火焰的亮度也是判斷火焰的一個(gè)關(guān)鍵性特征，在產(chǎn)生火焰的范圍，其明亮程度顯著高于其他范圍。因此，可將變電站視頻監(jiān)控火災(zāi)圖像中的火焰亮度、顏色兩種不同特征，放在YCrCb顏色空間內(nèi)同時(shí)參考。并根據(jù)火焰的不同明亮程度與顏色，作為識(shí)別變電站視頻監(jiān)控火災(zāi)圖像中火焰的判斷依據(jù)[9]。在分割火焰過(guò)程中，為避免紅顏色信息敏感性太強(qiáng)，產(chǎn)生漏分割現(xiàn)象，故不包含紅色分量的判斷依據(jù)公式為

式中：Y（x，y）表示圖像亮度分量；Cb（x，y），Cr（x，y）分別表示圖像藍(lán)色分量和紅色分量。常數(shù)用τ 描述，以最小虛警率作為τ 的選擇標(biāo)準(zhǔn)。

得到變電站視頻監(jiān)控火災(zāi)圖像的運(yùn)動(dòng)累積矩陣的公式為

式中：第n 幀（i，j）位置的變電站視頻監(jiān)控火災(zāi)圖像像素用Tn（i，j）描述；變電站火災(zāi)視頻中的幀數(shù)總量用N 描述。

將變電站視頻監(jiān)控火災(zāi)圖像的U（i，j）實(shí)現(xiàn)二值化公式為

式中：U（i，j）的最小值用N1描述，其最大值用N2描述，且N1=3，N2=25，它們的數(shù)值是依據(jù)變電站視頻監(jiān)控火災(zāi)圖像中的火焰閃爍頻率而設(shè)定。U（i，j）是分割火焰結(jié)果。由此檢測(cè)出變電站視頻監(jiān)控火災(zāi)圖像中的火焰可疑區(qū)域。

1.2 變電站視頻監(jiān)控火災(zāi)可疑區(qū)域火焰特征提取

根據(jù)上述檢測(cè)出的變電站視頻監(jiān)控火災(zāi)圖像中的火焰可疑區(qū)域，現(xiàn)對(duì)變電站視頻監(jiān)控火災(zāi)圖像中的火焰特征進(jìn)行提取?；鹧娉司哂辛炼扰c顏色特征外，在變電站火災(zāi)監(jiān)控視頻中，還有一些其他特征能將火焰從干擾物中區(qū)別出來(lái)[10]。

1.2.1 火焰面積變化率

在變電站發(fā)生火災(zāi)的初期，隨著時(shí)間的不斷推移，火焰面積會(huì)慢慢擴(kuò)大[11]。因此，火災(zāi)的面積變化率可作為識(shí)別變電站火災(zāi)的判斷依據(jù)。火災(zāi)面積變化率的計(jì)算公式為

式中：在變電站視頻監(jiān)控火災(zāi)圖像中，可疑區(qū)域幀的火災(zāi)面積用B（n）描述；與B（n）鄰近幀的火災(zāi)面積用B（n+1）描述；極小值是eps。為避免max（B（n+1），B（n））+eps=0，通過(guò)大批火災(zāi)實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證，Ij∈［0.1，0.4］。

1.2.2 火焰形狀相似度

為求出變電站視頻監(jiān)控火災(zāi)鄰近幀圖像的火焰形狀相似度[12]，可通過(guò)相鄰兩幅火災(zāi)圖像可疑區(qū)域的面積交集和并集的比獲得。用β 描述變電站視頻監(jiān)控火災(zāi)圖像中的火焰形狀相似度，其公式為

1.2.3 綠紅分量面積比

分別用R，B，G 描述變電站視頻監(jiān)控火災(zāi)圖像中火焰的紅色、藍(lán)色與綠色分量，這些分量的強(qiáng)度數(shù)值在變電站視頻監(jiān)控火災(zāi)圖像中具有一定的比例[13]，計(jì)算綠紅分量的面積比z 公式為

式中：分割出的可疑火焰區(qū)域的紅色分量用UR描述；其綠色分量面積用UG描述。

1.2.4 高低頻能量比

火焰產(chǎn)生的煙霧具有模糊特點(diǎn)，可使背景圖像逐漸呈模糊狀態(tài)，其紋理特征與邊緣尖銳程度也逐漸降低，呈現(xiàn)在變電站視頻監(jiān)控火災(zāi)圖像上，低頻能量不斷增加，相應(yīng)的高頻能力不斷減少[14]。選擇哈爾小波作為基波函數(shù)，一層分解變電站視頻監(jiān)控火災(zāi)圖像，提取EHL（水平方向），ELH（垂直方向），EHH（對(duì)角方向） 三個(gè)方向的3 幅高頻分量子圖像與1幅低頻分量子圖像ELL。

用ELa與ELb分別描述可疑煙霧與背景對(duì)應(yīng)區(qū)域圖像的低頻能量； 用EHa與EHb描述高頻能量，計(jì)算低頻與高頻能力的公式分別為

式中：用S 描述可疑區(qū)域，與S 相對(duì)的原背景圖像用S′描述。

ELa與ELb，EHa與EHb的能力比值的計(jì)算公式為

若滿足ah≤0.9，al≥1.2，則可有效將不具備模糊特點(diǎn)的移動(dòng)物體進(jìn)行排除。

1.3 基于PSO-SVM 的變電站視頻監(jiān)控火災(zāi)識(shí)別算法

將基于上述提取出的變電站視頻監(jiān)控火災(zāi)可疑區(qū)域中的火焰特征，作為SVM 的輸入樣本，構(gòu)建SVM 分類模型，將采用PSO 算法快速精準(zhǔn)地搜尋出SVM 的最優(yōu)參數(shù)，用于SVM 模型訓(xùn)練與分類預(yù)測(cè)，最終實(shí)現(xiàn)對(duì)變電站視頻監(jiān)控火災(zāi)的識(shí)別。

PSO 理論為：用X=（X1，X2，…，Xn）描述粒子在D 維搜尋空間里構(gòu)成的種群，且粒子數(shù)量為n，用Xi描述每一個(gè)粒子的位置，Xi相應(yīng)的適應(yīng)度值可依據(jù)目標(biāo)函數(shù)運(yùn)算獲得。當(dāng)不斷更新時(shí)，粒子的速度與位置可利用個(gè)體極值c 與全局極值g 進(jìn)行更新，計(jì)算其速度與位置的公式為

式中：慣性權(quán)值用ρ 描述；d＝1，2，…，D；i＝1，2，…，n；目前更新次數(shù)用k 描述；粒子速度與位置分別用Vid與Xid描述；加速度因子用c1與c2描述；r1∈［0，1］，r2∈［0，1］。

利用PSO 算法的全局搜尋能力可迅速精準(zhǔn)地搜尋到SVM 的最優(yōu)參數(shù)，以便獲取更好的變電站監(jiān)控視頻火災(zāi)的識(shí)別效果。用c 與g 分別描述經(jīng)過(guò)PSO 優(yōu)化的SVM 正則化參數(shù)與核函數(shù)的半徑參數(shù)，基于PSO 優(yōu)化的SVM 火災(zāi)識(shí)別過(guò)程如圖1所示，其過(guò)程為：

圖1 基于PSO 的SVM 參數(shù)優(yōu)化流程Fig.1 SVM parameter optimization flow chart based on PSO

過(guò)程1：原始化，為明確SVM 參數(shù)，可通過(guò)任意生成的一組粒子的原始速度與位置實(shí)現(xiàn)，并從SVM參數(shù)中選擇一定輸入變電站監(jiān)控視頻火災(zāi)數(shù)據(jù)樣本，構(gòu)建SVM 分類模型；

過(guò)程2：運(yùn)算與評(píng)價(jià)粒子適應(yīng)度數(shù)值，可依據(jù)SVM分類決策函數(shù)實(shí)現(xiàn)；

過(guò)程3：c 與g 可通過(guò)適應(yīng)度值進(jìn)行更新[15]，粒子速度與其位置可通過(guò)公式（4）與公式（5）進(jìn)行更新；

過(guò)程4：輸出最優(yōu)參數(shù)，若該參數(shù)是全局最優(yōu)解，則尋優(yōu)結(jié)束；反之，返回過(guò)程2，重新運(yùn)算；

過(guò)程5：將獲得的最優(yōu)c 與g 用于SVM 模型訓(xùn)練與分類預(yù)測(cè)。

基于以上PSO 優(yōu)化SVM 的參數(shù)優(yōu)化過(guò)程，最終實(shí)現(xiàn)對(duì)變電站視頻監(jiān)控火災(zāi)的識(shí)別。

2 實(shí)驗(yàn)分析

為驗(yàn)證本文算法識(shí)別變電站視頻監(jiān)控火災(zāi)的有效性，實(shí)驗(yàn)采用該某變電站曾經(jīng)發(fā)生過(guò)的a～f 共6組火災(zāi)視頻與g～i 共3 組干擾視頻，在Matlab2020a環(huán)境下進(jìn)行仿真實(shí)驗(yàn)，其中，9 組視頻圖像大小與分辨率分別均是528×384 與352×288，幀率是24 幀/s。

實(shí)驗(yàn)利用匹配度指標(biāo)，對(duì)本文算法識(shí)別的變電站視頻監(jiān)控火災(zāi)效果進(jìn)行衡量，設(shè)定核函數(shù)的半徑參數(shù)g 分別為4，8，16，24，28，驗(yàn)證不同正則化參數(shù)c 下的識(shí)別匹配度結(jié)果如圖2所示。

圖2 不同正則化參數(shù)下的識(shí)別匹配度結(jié)果Fig.2 Results of recognition matching degree under different regularization parameters

由圖2可看出，5 種g 值相應(yīng)的變電站視頻監(jiān)控火災(zāi)識(shí)別匹配度隨著c 的增加呈先漲后降的趨勢(shì)，當(dāng)c=20 時(shí)，該5 種g 值相應(yīng)的匹配度均達(dá)到最大值，當(dāng)g=16 時(shí)，其相應(yīng)的匹配度最大值高達(dá)99%。實(shí)驗(yàn)表明，將本文算法中的核函數(shù)的半徑參數(shù)g 與正則化參數(shù)c 分別設(shè)定為16 與20 時(shí)，采用本文算法對(duì)變電站視頻監(jiān)控火災(zāi)的識(shí)別性能更好。

實(shí)驗(yàn)采用文獻(xiàn)[4]提出的基于動(dòng)靜態(tài)特征的監(jiān)控視頻火災(zāi)識(shí)別算法、文獻(xiàn)[5]提出的基于顏色和紋理特征的火災(zāi)識(shí)別算法與本文算法，對(duì)該變電站a～c 的3 組視頻監(jiān)控火災(zāi)中的火焰可疑區(qū)域進(jìn)行檢測(cè)，驗(yàn)證該3 種算法的檢測(cè)效果，結(jié)果如圖3所示。

圖3 三種算法火焰可疑區(qū)域檢測(cè)結(jié)果Fig.3 Results of flame suspicious area detection with three algorithms

由圖3可看出，文獻(xiàn)[4]算法和文獻(xiàn)[5]算法檢測(cè)到的3 幅視頻火災(zāi)可疑區(qū)域不夠完整，且將椅子、類火焰誤檢測(cè)為可疑火焰區(qū)域，火焰可疑區(qū)域檢測(cè)效果不夠精準(zhǔn)，本文算法精準(zhǔn)可檢測(cè)3 組變電站監(jiān)控火災(zāi)視頻中的火焰可疑區(qū)域，且不存在誤檢現(xiàn)象，火焰可疑區(qū)域檢測(cè)精準(zhǔn)度最高，可為精準(zhǔn)識(shí)別變電站視頻監(jiān)控火災(zāi)提供保障。

采用本文算法對(duì)以下a～i 的9 組視頻圖像進(jìn)行火災(zāi)識(shí)別，結(jié)果如圖4所示。

圖4 變電站視頻監(jiān)控火災(zāi)識(shí)別效果Fig.4 Effect of fire identification by video surveillance in substation

由圖4可看出，視頻a，b，c 是戶內(nèi)火焰視頻，視頻d、視頻e、視頻f 是戶外火焰視頻，視頻g、視頻h、視頻i 是非火焰視頻。采用本文算法可精準(zhǔn)排除類火焰背景、路燈等其他干擾物，有效識(shí)別變電站視頻監(jiān)控中的火焰區(qū)域。實(shí)驗(yàn)表明，本文算法可有效排除干擾物，精準(zhǔn)識(shí)別變電站視頻監(jiān)控火災(zāi)。

為驗(yàn)證本文算法在不同光線強(qiáng)度時(shí)的識(shí)別效果，實(shí)驗(yàn)采用本文算法分別對(duì)該變電站監(jiān)控火災(zāi)視頻a～c（光線較弱）、d～f（光線較強(qiáng)）進(jìn)行火災(zāi)識(shí)別，識(shí)別結(jié)果如表1所示。

由表1可看出，無(wú)論火災(zāi)發(fā)生在光線較強(qiáng)還是較弱下，采用本文算法識(shí)別的該變電站視頻監(jiān)控火災(zāi)，識(shí)別率均在98%以上，且即使光線較弱，本文算法的識(shí)別率也較為穩(wěn)定，環(huán)境適應(yīng)性較強(qiáng)。計(jì)算時(shí)間均可在10 s 之內(nèi)完成識(shí)別。實(shí)驗(yàn)表明，本文算法可高效識(shí)別變電站視頻監(jiān)控火災(zāi)，且具有極高的識(shí)別精準(zhǔn)度。

表1 不同光線強(qiáng)度下的識(shí)別效果Tab.1 Recognition effect under different light intensity

3 結(jié)語(yǔ)

本文提出基于PSO-SVM 的變電站視頻監(jiān)控火災(zāi)識(shí)別算法，經(jīng)實(shí)驗(yàn)驗(yàn)證，當(dāng)本文算法中的核函數(shù)的半徑參數(shù)g 與正則化參數(shù)c 分別取16 與20 時(shí)，具有更好的識(shí)別變電站視頻監(jiān)控火災(zāi)的性能；通過(guò)與文獻(xiàn)[4]算法與文獻(xiàn)[5]算法相比，本文算法檢測(cè)出的變電站監(jiān)控火災(zāi)視頻中的火焰可疑區(qū)域的精準(zhǔn)度最高；針對(duì)9 種不同類型的火焰視頻進(jìn)行識(shí)別，該算法可有效排除干擾物，精準(zhǔn)識(shí)別變電站視頻監(jiān)控火災(zāi)；該算法在光線較暗時(shí)，識(shí)別率也全部在98%以上，識(shí)別效果較為穩(wěn)定，且計(jì)算時(shí)間僅在10 s 之內(nèi)即可完成識(shí)別，實(shí)驗(yàn)表明，本文算法可高效識(shí)別變電站視頻監(jiān)控火災(zāi)，且具有極高的識(shí)別精準(zhǔn)度。