面向火災圖像的特征提取與識別方法研究

朱晨捷 鄭靈鳳 葉煒 朱蓉

摘 要： 提出了一種針對火災圖像進行處理的特征提取及識別方法。首先，通過建立顏色直方圖提取火災圖像與非火災圖像的顏色特征；然后，利用尺度不變特征變換算法計算兩類圖像的局部特征，并利用主成分分析法對兩類圖像特征進行降維處理，再針對降維處理后的圖像特征采用K均值聚類算法進行計算；最后，針對測試圖像庫中的圖像數據，經過顏色直方圖初判、局部特征與聚類中心對比等步驟獲得識別結果。該方法能夠將火災圖像有效、快速地識別出來，以達到及時報警的效果。

關鍵詞： 火災圖像識別； 顏色直方圖； 特征提取； 尺度不變特征變換； 主成分分析法； K均值聚類

中圖分類號：TP39 文獻標志碼：A 文章編號：1006-8228（2015）12-26-04

Research on feature extraction and recognition method for fire image

Zhu Chenjie， Zheng Lingfeng， Ye Wei， Zhu Rong

（College of Mathematics and Information Engineering， Jiaxing University， Jiaxing， Zhejiang 314001， China）

Abstract： In this paper， a method of feature extraction and recognition for fire image is presented. The color features of fire images and non-fire images are extracted respectively via the establishment of color histograms. Then， the local features of these two kinds of images are computed by using SIFT （Scale Invariant Feature Transform） algorithm， and reduce the dimension by using PCA （Principal Component Analysis） method and those processed local features are calculated by K-means clustering algorithm. The recognition results are obtained by the prejudgment of color histograms and the comparison of local features with clustering centers. It is proved by experiments that the proposed method can recognize the fire image effectively， and can achieve a good result in early-warning.

Key words： fire image recognition； color histogram； feature extraction； Scale Invariant Feature Transform （SIFT）； Principal Component Analysis （PCA）； K-means clustering

0 引言

由于每年發生的不同程度的火災給人們帶來了巨大的經濟損失，因而對火災監控和火災發生后及時報警進行研究一直是研究者關注的重點。傳統的火災報警是通過煙霧、溫度來進行檢測，相比基于圖像的檢測方法準確率低。因此，本文提出了一種基于圖像內容的火災識別方法。

通常，火災圖像上會呈現一些顯著的特點，從圖1給出的這些火災圖像中可見，火焰區域多數呈橘紅色，煙霧區域多數呈灰白色；從紋理上看，火災區域與其他區域的區別比較明顯。

本文在深入分析火災圖像顏色和紋理特性的基礎上，提出了一種基于顏色直方圖、尺度不變性特征變換（Scale Invariant Feature Transform，簡稱為SIFT）算法和K均值聚類算法的火災圖像特征提取與識別方法。該方法能夠有效地利用火災圖像在顏色和紋理上遠勝于其他圖像視覺信息的辨識度的優勢，將火災圖像與非火災圖像有效地區分開來。具體步驟為：①運用顏色直方圖方法提取圖像的顏色特征，再利用SIFT算法計算兩類圖像的局部特征，并采用主成分分析法（Principal Component Analysis，簡稱為PCA）對特征進行降維處理；②采用K均值聚類算法針對降維處理后的局部特征計算出兩類圖像各自的聚類中心；③在測試圖像庫中的若干幅圖像數據上進行實驗驗證，經過顏色直方圖初判、局部特征與聚類中心對比等步驟獲得較好的識別結果。

1 相關研究介紹

有關SIFT算法已有許多研究和應用。例如，在文獻[1]中，作者通過劃分重疊的特征區域，計算各自對應的SIFT特征相關度，實現了人耳的精確識別。在文獻[2]中，作者結合卡爾曼濾波算法的預測性，運用SIFT特征加以輔助跟蹤，并充分利用SIFT特征對旋轉、縮放、亮度等變化保持不變的優點，對視頻不同幀的不同匹配目標區域的位置進行獨立預測，以達到實時跟蹤車輛的目的。在文獻[3]中，作者利用SIFT特征描述子表述相鄰幀的圖像像素，克服了傳統使用光流實現弱小目標檢測和跟蹤的缺點，為處理紅外弱小目標提供了新的思路。

有關火災圖像識別，近幾年的研究取得了較大進展。在文獻[4]中，作者選用HSI顏色空間，通過確定色度分量H和亮度分量I的初始聚類中心，分別在直方圖特征空間進行模糊聚類處理，從而實現了火災圖像的識別處理。在文獻[5]中，作者采用圖像灰度化和二維熵最大閾值法對圖像進行預分割，得到火焰疑似區域，再對火焰圖像進行分析與決策，以達到鑒別火災圖像的效果。

從以上研究可知，充分利用圖像視覺特征能夠較好地將火災圖像與非火災圖像區分開來。因此，本文在深入分析火災圖像在顏色和紋理特征上的顯著特性基礎上，提出了一種基于顏色直方圖、SIFT算法和K均值聚類算法的火災圖像特征提取與識別方法，旨在有效地對火災圖像進行識別，進而做到及時報警。

2 基于SIFT算法和K均值聚類的特征提取與識別方法

2.1 HSV顏色直方圖

作為一種區分圖像內容的主要特征，顏色特征的提取與處理在圖像識別過程中占據了重要位置。在圖像處理中，常用的圖像顏色模式有兩種：RGB顏色模型和HSV顏色模型。其中，RGB顏色空間采用物理三基色表示，適合彩色顯像管工作，但不適合彩色圖像的處理；而HSV顏色模型不僅可以清晰地將圖像中的顏色特征和亮度特征相區別，其在顏色的表示上所采用的色調及色彩飽和度更接近人眼感受顏色的方式。故HSV顏色模式在顏色特征檢測方面較RGB模式更適合。

假設一幅圖像在區間[0，I]內共有T個灰度級，則定義其灰度直方圖為如下函數：

⑴

其中，是區間[0，I]內第m級亮度，nm是灰度級為像素總數，m=1，2，…，T。

歸一化直方圖后得到：

⑵

其中，表示灰度級出現的頻率。

2.2 尺度不變性特征變換算法

一幅圖像的尺度空間被定義為函數C（x，y，σ），它是尺度變化的高斯函數G與圖像Im的卷積：

⑶

⑷

SIFT算法[6]是一種檢測圖像局部特征的算法，它具有尺度不變性的特點，即在改變旋轉角度、圖像亮度或拍攝視角的狀態下，仍能得到很好的檢測效果。

SIFT算法提取圖像特征點主要有以下三個步驟。

步驟1 建立圖像的DOG（Difference-of-Gaussian）金字塔，在DOG尺度空間中的26個領域中檢測極值，D（x，y，σ）是兩個相鄰尺度圖像之差，即

⑸

如果一個點在DOG尺度空間本層以及上下兩層26個領域中是最大或最小值時，就認為該點是圖像在該尺度下的一個特征點。

步驟2 利用關鍵點鄰域像素的梯度方向分布特性，為每個關鍵點指定方向參數，使算子具備旋轉不變性。

⑹

⑺

公式⑹、⑺分別為（x，y）處梯度的模值和方向公式。其中：C所用的尺度為每個關鍵點各自所在的尺度。

步驟3 生成SIFT特征向量，將坐標軸旋轉到特征點方向以保證旋轉不變性。然后，以關鍵點為中心取8×8的窗口，利用公式⑹、⑺求得每個像素（i，j）的梯度幅值F（i，j）與梯度方向θ（i，j），箭頭方向代表該像素的梯度方向，箭頭長度代表梯度模值，再用高斯窗口對其進行加權運算，每個像素對應一個向量，長度為F（i，j）*G（σ'，i，j）。其中G（σ'，i，j）為該像素點的高斯權值，方向為θ（i，j），在實際應用中可采用4×4個小窗口，這樣每個特征點就可用128維向量來表征。

2.3 PCA方法

PCA方法是利用降維的思想，將多個變量轉化為少數幾個綜合變量，這些綜合變量能夠反映原始變量的絕大部分信息，且所含的信息互不重疊[7]。

PCA方法的基本步驟如下。

步驟1 原始指標數據的標準化采集m維隨機向量L=（L1，L2，…，Lm）T，n個樣品Li=（Li1，Li2，…，Lim）T，i=1，2，…，n，（n>m），構造樣本陣，對樣本陣元進行標準化變換，得到標準化矩陣B：

⑻

其中：，。

步驟2 對步驟1中得到的標準化陣B求相關系數矩陣

⑼

其中：。

步驟3 求解特征方程|B-σIp|=0，得到p個特征根，用以確定主成分（g值得確定保證信息利用率達85%以上）。對每個σj（j=1，2，…，g），求解方程組Cv=σjv得到單位特征向量。

2.4 K均值聚類

K均值算法是目前最常用的聚類算法之一，其目的是使各個樣本與所在類別均值的誤差平方和達到最小。K均值算法原理簡單、具有計算速度快的特點，故在實際應用非常廣泛。

假設要將n個數據對象聚集為K個類別，使用K均值算法的主要步驟為：

步驟1 從n個數據對象中隨機選擇K個對象作為初始聚類中心；

步驟2 根據每個聚類對象的中心對象，計算每個對象與這些中心對象的距離，并根據最小距離重新對相應對象進行劃分；

步驟3 計算新的中心對象，返回步驟2，當每個聚類不再發生變化時停止。

3 實驗結果與分析

為驗證本文中提出的方法的有效性，我們從互聯網上下載了600幅與火災相關的圖像和1100幅非火災圖像，其中500幅火災圖像和1000幅非火災圖像用于訓練過程，余下的100幅火災圖像和100幅非火災圖像用于測試過程。

訓練過程和測試過程的算法流程圖分別如圖2和圖3所示。

[開始][從訓練庫中導入圖像][圖像預處理][計算圖像的HSV顏色空間特征][該圖像是否為火災圖像？] [保存火災類圖像的HSV顏色空間特征][找出火災類圖像的共有顏色特征][計算局部性特征][訓練庫圖像是否讀入完畢？] [主成分分析降維][K均值聚類][分別得到火災類圖像的聚類中心和非火災類圖像的聚類中心][結束] [Yes] [No] [No][Yes]

圖2 訓練過程

[開始][從測試庫中導入圖像][圖像預處理][計算圖像的HSV顏色空間特征][是否與火災類圖像的共有顏色特征存在重疊？] [計算局部性特征][主成分分析降維][設接近火災類圖像的特征點數為a的初值為0，接近非火災圖像的特征點數為b的初值為0][從測試圖像特征點中提取

一維特征點][計算該特征點與火災類圖像聚類

中心距離L1][計算該特征點與非火災類圖像聚類

中心距離L2][L10.5？] [該圖像識別為火災類圖像][該圖像識別為非火災類圖像][結束] [Yes][No][Yes] [Yes][Yes] [No] [No] [No]

圖3 測試過程

假設訓練庫中訓練圖像SIFT得到的特征點為200×128維，在PCA降維后的得到的特征點為30×12維，現在有一幅測試圖像I，假設其HSV顏色空間中與火災圖像的共有顏色特征存在重疊，計算其降維后的30×12局部特征，接近火災圖像的特征點數為a，接近非火災圖像的特征點數為b，其某一特征點與火災類圖像聚類中心距離為L1，與非火災類圖像聚類中心距離為L2（本文中采用歐式距離公式計算距離值），則可以通過計算L1與L2之間的距離差值來獲得該特征點接近的圖像，最后通過計算a所占比例獲得圖像I的識別結果。若a/（a+b）>0.5，則該圖像識別為火災類圖像，否則，該圖像識別為非火災類圖像。

圖4-圖6分別給出了三幅示例圖像的識別結果。圖4中的圖像得到的計算結果為0.7333，其值大于0.5，判定為火災圖像；圖5中的圖像得到的計算結果為0.2333，其值小于0.5，判定為非火災圖像；圖6中的圖像由于其HSV顏色空間中與火災圖像的共有顏色特征不存在重疊，所以直接判斷為非火災圖像。表1給出了針對100幅火災圖像和100幅非火災圖像的測試結果。

從實驗結果可知，本文提出的方法獲得了較高的正識率和較低的誤檢率，能夠有效地將火災圖像和非火災圖像區分出來。部分圖像也存在誤識，其原因可能是：有些非火災圖像的紋理與火災區域非常接近，而有些火災區域的紋理比較特殊，有異于尋?；馂膮^域的紋理，所以出現了錯誤的識別。

4 結束語

隨著當前智能信息系統在各行各業的普及，針對火災這種具有重大危害的事件進行早期自動報警，能夠有效地控制事態的進一步發展。本文提出的方法能夠有效地將火災圖像和非火災圖像區分出來。基于該方法研發的智能火災報警系統區別于傳統的感煙、感光火災監測，具有重要的科學意義與應用價值。

參考文獻（References）：

[1] 雷松澤，姚紅革，齊敏，郝重陽.基于SIFT特征的人耳識別[J].

計算機應用，2009.6：1690-1693

[2] 尤優，詹智財，張松松.一種基于SIFT特征的車輛跟蹤系統實

現[J].電腦知識與技術，2011.23：5695-5697

[3] 牛志彬，周越.基于SIFT流紅外弱小目標的檢測和跟蹤[J].微

型電腦應用，2010.1：37-39

[4] 方維，王慧琴，楊娜娟，厲謹.基于改進FCM聚類算法的火災

圖像分割[J].計算機仿真，2011.4：246-249

[5] 郝東東，展美寧.基于BP神經網絡的火災圖像識別技術[J].硅

谷，2011.20：109

[6] David G.Lowe. Distinctive Image Features from Scale-

Invariant Keypoints[J].International Journal of Computer Vision，Nov2004：91-110

[7] 朱星宇，陳勇強.SPSS多元統計分析方法及應用[M].清華大

學出版社，2011.