基于稀疏表示的森林火災(zāi)火焰識(shí)別研究

摘要 為了實(shí)現(xiàn)森林火災(zāi)的智能識(shí)別，提出一種基于稀疏表示的林火火焰自動(dòng)識(shí)別方法。以林火火焰和5類(lèi)干擾物體為研究對(duì)象，每類(lèi)對(duì)象從視頻圖像中隨機(jī)選取50幀作為訓(xùn)練樣本，150幀作為測(cè)試樣本。對(duì)每幅圖像提取疑似火焰區(qū)域，求取面積變化率、顏色、紋理和形狀特征參數(shù)。所有訓(xùn)練樣本的特征向量構(gòu)建訓(xùn)練樣本特征字典，對(duì)每個(gè)測(cè)試樣本利用l1最小化范數(shù)計(jì)算其在訓(xùn)練字典上的投影系數(shù)，根據(jù)最小重構(gòu)殘差進(jìn)行分類(lèi)識(shí)別。結(jié)果表明，稀疏表示方法的識(shí)別率可達(dá)到93.56%，為林火火焰識(shí)別提供了一個(gè)有效的解決方案。

關(guān)鍵詞 森林火災(zāi)；火焰識(shí)別；稀疏表示；特征提取

中圖分類(lèi)號(hào)S126文獻(xiàn)標(biāo)識(shí)碼A文章編號(hào)0517-6611（2014）30-10777-03

基金項(xiàng)目“十二五”農(nóng)村領(lǐng)域國(guó)家科技計(jì)劃項(xiàng)目（2012BAD22B01）。

作者簡(jiǎn)介楊秋霞（1977-），女，黑龍江雙城人，在讀博士，從事林業(yè)“3S”技術(shù)應(yīng)用及林火識(shí)別研究。

森林作為人類(lèi)社會(huì)最重要的自然資源，經(jīng)常受到多種因素的破壞，其中森林火災(zāi)所帶來(lái)的危害和損失巨大，是最危險(xiǎn)的因素之一。為了保護(hù)森林資源，降低森林火災(zāi)的損失，需要加強(qiáng)林火監(jiān)控，將火險(xiǎn)控制在萌芽狀態(tài)。近年來(lái)，基于視頻圖像的林火監(jiān)控技術(shù)因具有實(shí)時(shí)監(jiān)控功能，可以獲得清晰且直觀的圖像，預(yù)警時(shí)間短，能夠?qū)α只疬M(jìn)行早期預(yù)報(bào)等[1]，已經(jīng)成為主要的監(jiān)控方法。智能視頻林火監(jiān)控系統(tǒng)實(shí)現(xiàn)的核心模塊是林火的自動(dòng)識(shí)別，即將林火與疑似林火物體進(jìn)行分類(lèi)識(shí)別。目前研究中主要的識(shí)別方法有神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等，在識(shí)別中為了得到較好的識(shí)別效果，需要進(jìn)行參數(shù)優(yōu)化。

稀疏表示理論來(lái)源于信號(hào)處理領(lǐng)域，主要是用盡可能少的非零系數(shù)表示信號(hào)來(lái)達(dá)到壓縮表示信號(hào)的目的，從而可以簡(jiǎn)化信號(hào)處理過(guò)程。2009年，Wright等應(yīng)用稀疏表示分類(lèi)器成功實(shí)現(xiàn)了在多種干擾情況下人臉的正確識(shí)別，將稀疏表示理論引入到模式識(shí)別領(lǐng)域[2]。稀疏表示理論成功應(yīng)用于人臉識(shí)別后，一些研究人員嘗試將其用于其他問(wèn)題的分類(lèi)[3-7]。

為此，筆者嘗試將稀疏表示理論應(yīng)用于林火火焰圖像的識(shí)別研究中。從視頻圖像序列中選取林火火焰圖像及疑似林火火焰的干擾圖像，提取其靜態(tài)特征和動(dòng)態(tài)特征，運(yùn)用稀疏表示方法進(jìn)行林火火焰識(shí)別，探討稀疏表示理論在林火識(shí)別領(lǐng)域的應(yīng)用方法。

1研究數(shù)據(jù)與方法

1.1試驗(yàn)數(shù)據(jù)到目前為止沒(méi)有可用于對(duì)森林火災(zāi)進(jìn)行模式識(shí)別研究的比較完整和權(quán)威的數(shù)據(jù)集，因此該研究所用視頻數(shù)據(jù)來(lái)自Bilkent大學(xué)火災(zāi)視頻庫(kù)、互聯(lián)網(wǎng)和自行錄制視頻。視頻圖像包括林火火焰圖像和5組疑似火焰的干擾物體圖像，共6組。設(shè)置干擾源為林區(qū)中可能存在的夕陽(yáng)、車(chē)燈、住戶(hù)燈光、泛紅物體（以紅旗為例）等疑似林火物體。為驗(yàn)證該研究算法可行性，同時(shí)選取非林火火焰（燭火）作為干擾對(duì)象，對(duì)研究視頻進(jìn)行分幀處理，獲得單幀圖像。從每類(lèi)研究視頻中隨機(jī)選取50幀圖像，共300幀圖像組成訓(xùn)練樣本；隨機(jī)選取150幀圖像，共900幀圖像組成測(cè)試樣本。

1.2圖像特征參數(shù)提取首先對(duì)樣本圖像中疑似火焰區(qū)域進(jìn)行分割，然后對(duì)分割區(qū)域提取靜態(tài)及動(dòng)態(tài)特征參數(shù)。靜態(tài)特征包括顏色特征、紋理特征和形狀特征。火焰的顏色特征較為明顯，可以將林火火焰和大部分背景加以區(qū)別。用于表示顏色的模型有很多，該研究選取HSI顏色模型。HSI顏色模型基于人類(lèi)的視覺(jué)系統(tǒng)對(duì)顏色的感知機(jī)理來(lái)定義和描述顏色，HSI模型描述顏色時(shí)利用3個(gè)量即色調(diào)（Hue）、飽和度（Saturation）和強(qiáng)度（Intensity）[8]。林火視頻監(jiān)控獲取的圖像一般為RGB彩色圖像，所以需要將火焰圖像的顏色模式由RGB模式轉(zhuǎn)換為HSI模式。在描述林火火焰的顏色特征時(shí)采用HSI顏色模型色調(diào)分量的一階顏色矩，公式為：

式中，M表示一階顏色矩；n表示分割圖像區(qū)域像素總數(shù)；H（pi）表示圖像區(qū)域p的第i個(gè)像素的色調(diào)分量值。

紋理特征選取由Haralick等提出的灰度共生矩陣（Gray level cooccurrence matrix，GLCM）得到紋理特征統(tǒng)計(jì)量。GLCM能夠有效地提取圖像的紋理特征，已廣泛地應(yīng)用在眾多領(lǐng)域。灰度共生矩陣可提取14個(gè)紋理特征[9]，該研究選取了對(duì)比度、相關(guān)、能量和逆差矩4個(gè)統(tǒng)計(jì)特征。

首先將原始圖像灰度化，為了減少計(jì)算量，將圖像灰度級(jí)壓縮為16級(jí)，然后取0°、45°、90°和135° 4個(gè)方向生成共生矩陣，分別計(jì)算4個(gè)共生矩陣的主要統(tǒng)計(jì)特征，每個(gè)特征取4個(gè)方向的均值作為最終的林火火焰紋理特征。

形狀特征選取圓形度，描述研究對(duì)象的形狀與圓形的接近程度，計(jì)算公式為：

式中，C表示圓形度；A表示分割圖像區(qū)域面積；L表示分割圖像區(qū)域周長(zhǎng)。

動(dòng)態(tài)特征選取圖像序列中相鄰兩幀圖像的面積變化率來(lái)表示，公式為：

式中，R表示面積變化率；Ai和Ai-1表示相鄰兩幀圖像中疑似火焰部分面積。

1.3基于稀疏表示方法的林火火焰識(shí)別模型稀疏表示的基本思想就是所有的測(cè)試樣本都可以由1個(gè)用訓(xùn)練樣本構(gòu)建的過(guò)完備字典中的原子的稀疏線(xiàn)性組合來(lái)表示。其中，與測(cè)試樣本類(lèi)別相同的原子的系數(shù)不為0，而其他系數(shù)為0。因此，訓(xùn)練樣本字典關(guān)系到稀疏表示分類(lèi)的性能。

利用稀疏表示方法進(jìn)行林火火焰的識(shí)別時(shí)，首先要構(gòu)造訓(xùn)練樣本特征字典。對(duì)每個(gè)訓(xùn)練樣本分割提取的疑似火焰區(qū)域分別求得7個(gè)特征參數(shù)，并形成描述每個(gè)訓(xùn)練樣本的特征向量，特征向量可由下式列向量表示：

式中，F(xiàn)i，j表示第i類(lèi)樣本中的第j個(gè)樣本的特征描述向量；f1表示樣本的顏色特征即一階顏色矩；f2、f3、f4、f5分別代表對(duì)比度、相關(guān)、能量和逆差矩紋理特征；f6表示形狀特征即圓形度；f7表示動(dòng)態(tài)特征即面積變化率。每類(lèi)圖像訓(xùn)練樣本為隨機(jī)選取50幀圖像，則50個(gè)樣本的特征向量組成每類(lèi)樣本的類(lèi)特征矩陣，第k類(lèi)樣本的特征矩陣Dk表示為：

所有6組訓(xùn)練樣本的類(lèi)特征矩陣構(gòu)成訓(xùn)練樣本矩陣D，即：

矩陣D為所有訓(xùn)練樣本構(gòu)成的特征字典，其大小為7×300。用同樣的方法構(gòu)建測(cè)試樣本矩陣。

對(duì)于來(lái)自某類(lèi)的一個(gè)測(cè)試樣本向量y，根據(jù)稀疏表示最重要的思想，即在訓(xùn)練樣本充足的條件下，對(duì)于某一個(gè)類(lèi)別的測(cè)試樣本，可以大致地由訓(xùn)練樣本空間中具有相同類(lèi)別的樣本子空間線(xiàn)性表示，此時(shí)測(cè)試樣本的類(lèi)別未知，因此可以將稀疏表示抽象成如下方程式：

2試驗(yàn)結(jié)果與分析

利用該研究提出的基于稀疏表示的林火火焰識(shí)別算法實(shí)現(xiàn)了林火數(shù)據(jù)分類(lèi)。試驗(yàn)硬件配置為雙核2.40GHz Intel Core i5處理器、4GB內(nèi)存，軟件采用matlab R2012b，計(jì)算l1 最小化范數(shù)使用Koh等研制的Matlab軟件包[10]，同時(shí)設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類(lèi)模型與該研究算法進(jìn)行比較。BP神經(jīng)網(wǎng)絡(luò)方法采用Matlab軟件提供的工具箱，支持向量機(jī)方法采用Libsvm軟件包[11]。

試驗(yàn)選用300個(gè)訓(xùn)練樣本、900個(gè)測(cè)試樣本。圖1是利用該研究提出的稀疏表示分類(lèi)識(shí)別算法進(jìn)行識(shí)別的一個(gè)實(shí)例。實(shí)例中，測(cè)試樣本為隨機(jī)選取的林火火焰y，訓(xùn)練樣本共有6類(lèi)300個(gè)，構(gòu)成特征字典，類(lèi)別及樣本編號(hào)分別為：第1類(lèi)林火火焰（編號(hào)1～50）、第2類(lèi)夕陽(yáng)（編號(hào)51～100）、第3類(lèi)車(chē)燈（編號(hào)101～150）、第4類(lèi)住戶(hù)燈（編號(hào)151～200）、第5類(lèi)紅旗（編號(hào)201～250）、第6類(lèi)燭火（編號(hào)251～300）。圖1（a）為測(cè)試樣本y在字典上的投影系數(shù)。研究表明，該測(cè)試樣本在所屬類(lèi)別即林火火焰訓(xùn)練樣本（編號(hào)1～50）上的投影系數(shù)較大，而在其他類(lèi)別上的投影系數(shù)多數(shù)為0，由于噪聲的存在，也有較少的不為0，但較小，稀疏性得到驗(yàn)證。圖1（b）顯示了6個(gè)類(lèi)別的殘差計(jì)算值，比較得到最小的殘差值所屬類(lèi)別即林火火焰為該測(cè)試樣本所屬類(lèi)別。

3結(jié)論

該研究將稀疏表示理論引入到林火火焰模式識(shí)別研究中。首先提取了研究樣本的靜態(tài)及動(dòng)態(tài)特征參數(shù)，使用這些參數(shù)構(gòu)成特征向量來(lái)描述不同的樣本數(shù)據(jù)，由訓(xùn)練樣本構(gòu)建字典，通過(guò)計(jì)算測(cè)試樣本在訓(xùn)練樣本特征字典上的投影系數(shù)以及重構(gòu)殘差來(lái)進(jìn)行識(shí)別。稀疏表示和BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）等方法相比，無(wú)需參數(shù)優(yōu)化，具有更強(qiáng)的魯棒性。對(duì)該研究數(shù)據(jù)分類(lèi)識(shí)別結(jié)果表明，識(shí)別率可以達(dá)到9356%，為林火火焰的識(shí)別提供了一種新的思路和方法。

參考文獻(xiàn)

[1] 饒?jiān)Ｆ剑窦t玲.林火視頻監(jiān)控中煙識(shí)別方法概述[J].林業(yè)調(diào)查規(guī)劃，2009，30（1）：59-62.

[2] WRIGHT J，YANG A Y，GANESH A，et al.Robust face recognition via sparse representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，31（2）：210-227.

[3] 楊蜀秦，寧紀(jì)鋒，何東健.基于稀疏表示的大米品種識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（3）：191-195.

[4] ZHANG L，DING Z，LI H，et al.3D Ear Identification Based on Sparse Representation[J].PloS One，2014，9（4）：95506.

[5] CAO H，DENG H W，LI M，et al.Classification of multicolor fluorescence in situ hybridization（MFISH）images with sparse representation[J].IEEE Transactions on Nanobioscience， 2012，11（2）：111-118.

[6] 杜彥良，侯哲哲，趙維剛.一種基于稀疏表示的重載鐵路路基病害快速識(shí)別方法[J].土木工程學(xué)報(bào)，2013，46（11）：138-144.

[7] SONG B，LI J，DALLA MURA M，et al.Remotely sensed image classification using sparse representations of morphological attribute profiles[J].IEEE Transactions on Geoscience and Remote Sensing，2014，52（8）：5122-5136.

[8] 梁杰，張麗紅，李林.HSI和區(qū)域生長(zhǎng)結(jié)合的火災(zāi)圖像分割方法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2012，22（1）：191-194.

[9] HARALICK R M，SHANMUGAM K，DINSTEIN I H.Textural features for image classification[J].IEEE Transactions on Systems，Man and Cybernetics，1973（6）：610-621.

[10] KOH K，KIM S J，BOYD S.Simple matlab solver for l1regularized least squares problems[EB/OL].（2008-05-15）http：//www.stanford.edu/～boyd/l1_ls.