喬高林

摘要：傳統(tǒng)的火災(zāi)檢測(cè)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(wú)法存儲(chǔ)等缺陷。而基于圖像處理技術(shù)的火災(zāi)探測(cè)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(jiǎn)算法對(duì)其進(jìn)行屬性降維，利用上述兩種約簡(jiǎn)結(jié)果作為支持向量機(jī)的輸入向量，對(duì)支持向量機(jī)訓(xùn)練后測(cè)試該分類模型的識(shí)別效率。實(shí)驗(yàn)結(jié)果表明：不同屬性約簡(jiǎn)算法對(duì)分類器識(shí)別率的影響不同，基于屬性重要性的屬性約簡(jiǎn)算法更適合該實(shí)驗(yàn)環(huán)境下的火焰識(shí)別。

關(guān)鍵詞：火災(zāi)檢測(cè)；粗糙集；支持向量機(jī)

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(lái)巨大的損害。常見的火災(zāi)探測(cè)設(shè)備一般是基于可接觸性傳感器的使用，例如煙感探測(cè)、紅外探測(cè)、紫外探測(cè)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(wú)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(cè)方法，能夠避免上述傳統(tǒng)探測(cè)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(cè)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(lái)說(shuō)增加判據(jù)的數(shù)量能在一定程度上提高辨識(shí)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(guò)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(jiǎn)理論對(duì)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(wèn)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(shí)別的時(shí)間，提高了火災(zāi)火焰識(shí)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(shí)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(cè)難度加大。只有先對(duì)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(wú)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(zhǎng)度為m（m為奇數(shù)）。對(duì)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(hào)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(shí)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(shì)，通過(guò)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(shí)庫(kù)來(lái)近似的描述不確定的知識(shí)，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(guò)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(jiǎn)化分類器的輸入信息。

3）實(shí)際應(yīng)用中，粗糙集方法對(duì)噪聲較敏感，容錯(cuò)和泛化能力相對(duì)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(shí)別流程

基于RS-SVM的火災(zāi)識(shí)別算法的識(shí)別步驟：

1）選取不同場(chǎng)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(jiǎn)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(shí)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(wú)火表示識(shí)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(jiǎn)算法對(duì)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(jiǎn)算法下a2、a4、a7為可約簡(jiǎn)屬性；而基于屬性重要性的屬性約簡(jiǎn)算法下a5、a7為可約簡(jiǎn)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(chǎng)景的視頻作為測(cè)試數(shù)據(jù)的來(lái)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(wú)火的干擾視頻和火焰、干擾同時(shí)存在的視頻對(duì)約簡(jiǎn)結(jié)果進(jìn)行對(duì)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(shí)別率的測(cè)試，檢測(cè)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(shí)別實(shí)驗(yàn)，識(shí)別率略高于RS-SVM模型，但從識(shí)別速度上來(lái)說(shuō)，單純的SVM模型明顯低于RS-SVM，這主要是因?yàn)榇植诩募s簡(jiǎn)算法使分類器輸入量大大減小，造成訓(xùn)練和識(shí)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(jiǎn)算法下識(shí)別率相當(dāng)，但由于基于屬性重要性的約簡(jiǎn)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(jiǎn)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(shí)別率的同時(shí)大大縮短分類器模型訓(xùn)練和識(shí)別的時(shí)間。

3 結(jié)語(yǔ)

圖像型火災(zāi)探測(cè)克服了傳統(tǒng)檢測(cè)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(cè)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(jiǎn)算法對(duì)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(shí)別的時(shí)間。實(shí)驗(yàn)結(jié)果表明，本文所采用的識(shí)別策略要優(yōu)于傳統(tǒng)支持向量機(jī)的火災(zāi)識(shí)別，自適應(yīng)選擇火災(zāi)的識(shí)別判據(jù)，提高了大空間下圖像型火災(zāi)火焰探測(cè)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(shí)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(jiǎn)算法研究[D].青島大學(xué)， 2009.