一種基于顏色和紋理的優(yōu)化SVM火災(zāi)識(shí)別方法

徐宏宇，續(xù) 婷

(沈陽(yáng)航空航天大學(xué) 電子信息工程學(xué)院，沈陽(yáng) 110136)

火災(zāi)是一種突發(fā)性強(qiáng)，威脅人們生命財(cái)產(chǎn)安全和社會(huì)發(fā)展的災(zāi)害，后果往往非常嚴(yán)重，因此準(zhǔn)確識(shí)別火災(zāi)和及時(shí)撲救就顯得非常重要。火災(zāi)圖像的識(shí)別算法研究一直是圖像識(shí)別研究領(lǐng)域的重要組成部分，遺傳算法[1]、灰度共生矩陣算法[2]、小波算法、局部二值LBP[3]、KNN算法和蟻群算法等都是研究中的熱點(diǎn)，較常用的識(shí)別分類器有向量機(jī)SVM、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等。Zhou[4]提出了一種端到端的雙流神經(jīng)網(wǎng)絡(luò)火災(zāi)檢測(cè)模型，具有很好的實(shí)用性和通用性；馮麗琦等[5]利用火焰RGB顏色特征提取疑似火焰區(qū)域，濾波后提取紋理特征用SVM進(jìn)行識(shí)別，有很好的分類效果；Li[6]提出了一種新的基于FAST-RCNN、R-FCN、SSD和YOLOv3等先進(jìn)目標(biāo)檢測(cè)CNN模型的圖像火災(zāi)檢測(cè)算法，提高了精度和魯棒性；史海山[7]根據(jù)紅外圖像的火災(zāi)信息完成了對(duì)火災(zāi)信號(hào)的特征提取，設(shè)計(jì)了基于遺傳算法的人工神經(jīng)網(wǎng)絡(luò)識(shí)別算法方案，效果良好；Chen[8]利用SIFT算法提取火災(zāi)特征描述子，通過火災(zāi)顏色空間對(duì)局部噪聲特征點(diǎn)進(jìn)行濾波，再將特征描述子轉(zhuǎn)化為特征向量，利用IV-SVM分類器建立火災(zāi)快速識(shí)別模型。

根據(jù)以上分析，提出一種基于火焰顏色和紋理的優(yōu)化SVM火焰識(shí)別方法。算法首先根據(jù)火焰像素特有的亮度、色度等特征，分別在RGB顏色空間和YCbCr顏色空間[9]得到火災(zāi)疑似區(qū)域，求取并集后得到最終的疑似區(qū)域；其次根據(jù)Uniform LBP提取火焰局部紋理特征；再把經(jīng)核主成分分析算法(KPCA)[10-11]降維后的特征向量輸入到量子遺傳算法優(yōu)化參數(shù)后的SVM中進(jìn)行火焰識(shí)別。識(shí)別算法流程如圖1所示。

圖1 識(shí)別算法流程圖

1 火焰特征提取

1.1 基于顏色的疑似火焰區(qū)域檢測(cè)

RGB是依據(jù)人眼識(shí)別的顏色定義出的空間，YCbCr顏色空間可以充分利用火焰亮度和色度信息。本文基于RGB和YCbCr兩種顏色模型分別檢測(cè)，當(dāng)滿足下列兩個(gè)顏色空間的條件時(shí)，可以將圖像中的絕大多數(shù)非火焰像素濾除。

(1)RGB空間規(guī)則

(1)

其中R、G、B分別代表圖像的紅色、綠色和藍(lán)色分量。如果圖像像素滿足公式(1)，則可以初步判斷為疑似火焰像素，進(jìn)行下一個(gè)顏色空間判別。

(2)YCbCr空間規(guī)則

(2)

(3)

Y是YCbCr空間中顏色的亮度成分，Cb和Cr分別是藍(lán)色和紅色的濃度偏移量，I(x，y)表示轉(zhuǎn)換前的RGB圖像，Ymean指的是原RGB圖像亮度的均值，Crmean指的是紅色分量的均值。如果某點(diǎn)Y值大于Cb值，則保留原像素值，反之置為 0。接著對(duì)式(3)判斷，若滿足條件就保留R1像素值，否則記為0。同時(shí)經(jīng)過兩種顏色空間處理后可得到疑似火災(zāi)區(qū)域。圖2為部分火災(zāi)圖像疑似區(qū)域結(jié)果圖，上面一行均為原始火焰圖像，下面一行為經(jīng)過處理后的火災(zāi)疑似區(qū)域，對(duì)比可以看出，這種方法能夠有效地從圖像中分割出火焰目標(biāo)區(qū)域。

圖2 火災(zāi)圖像及其疑似區(qū)域結(jié)果圖

圖3為部分非火災(zāi)圖像疑似區(qū)域結(jié)果圖。第一行均為原始圖像，第二行為應(yīng)用規(guī)則處理后的圖像。前兩組圖說明RGB-YCbCr規(guī)則應(yīng)用良好，第二組中圖像右側(cè)沙發(fā)并沒有被提取出，說明算法可以排除一部分類似火焰顏色的干擾物。第三組圖中有關(guān)夕陽(yáng)的部分被檢測(cè)出來，是因?yàn)槠湓陬伾?、亮度上與火焰相似，僅使用這種方法不能很好地判別。

圖3 非火災(zāi)圖像及其疑似區(qū)域結(jié)果圖

綜上，根據(jù)兩種顏色空間可以初步提取出火災(zāi)疑似區(qū)域，但對(duì)于部分在顏色、亮度上與火焰類似的圖像有誤提取的情況出現(xiàn)，需要另外的特征加以辨別。

1.2 局部紋理特征提取和選擇

1.2.1 Uniform LBP紋理特征

在圖4這組圖中，左邊是經(jīng)顏色規(guī)則過濾后的圖像，右邊是將左圖轉(zhuǎn)化為灰度圖像后對(duì)LBP紋理特征提取的轉(zhuǎn)化結(jié)果圖；上面一行是火災(zāi)圖像及其火焰紋理特征圖，下面是類火焰圖像夕陽(yáng)及其紋理特征圖。由圖4可知兩者存在較明顯差異。火焰圖像的紋理較密集，呈面狀分布，夕陽(yáng)圖像紋理特征主要以條狀分布為主，密度沒有火焰大。其他類火焰圖像如紅楓林、燈牌、煙霧等紋理也與火焰紋理不同，因此可以通過紋理特征進(jìn)一步將其區(qū)分開來。

圖4 兩類圖像及其LBP紋理特征圖

一個(gè)3×3的LBP算子可以得到256個(gè)LBP特征，這個(gè)數(shù)值還會(huì)隨著鄰域的擴(kuò)大呈指數(shù)性增加，對(duì)圖像紋理提取和分類識(shí)別產(chǎn)生負(fù)面作用，降低紋理表達(dá)的效果。Uniform LBP把原始LBP的256個(gè)特征值分為59個(gè)，一方面較好地描述圖像局部紋理，另一方面減少高頻噪聲帶來的影響。實(shí)驗(yàn)中為了便于識(shí)別，統(tǒng)一將圖片大小調(diào)整為256×256后再提取紋理特征，把圖片劃分為16×16的小塊，對(duì)每個(gè)區(qū)域中的像素計(jì)算LBP值，得到直方圖后對(duì)數(shù)據(jù)進(jìn)行歸一化處理，最后將所有直方圖連接成一個(gè)向量即得到整幅圖的紋理特征向量。這樣一來，向量維數(shù)大大上漲，且包含大量冗余特征，為了提高分類準(zhǔn)確率需要對(duì)向量進(jìn)行降維處理。

1.2.2 核主成分分析降維

一般來說，主成分分析(PCA)用于數(shù)據(jù)的線性降維，而核主成分分析(Kernel PCA,KPCA)可處理線性不可分的數(shù)據(jù)集。KPCA算法對(duì)于輸入矩陣X，采用非線性映射原理把X中的所有樣本變換到高維，甚至是無窮維特征空間，再對(duì)其進(jìn)行PCA降維，通過切換維度空間降低計(jì)算難度，避免復(fù)雜運(yùn)算。本文對(duì)特征重要性因子進(jìn)行降序排列后選取特征重要性大于90%的433維特征向量。

2 火焰識(shí)別

2.1 支持向量機(jī)SVM

對(duì)于火災(zāi)等非線性的數(shù)據(jù)，SVM引用核函數(shù)進(jìn)行處理，這時(shí)它的優(yōu)化問題變?yōu)椋?/p>

(4)

其中C為懲罰參數(shù)，k(x,xi)為核函數(shù)，本文采用高斯徑向基核函數(shù)作為分類核函數(shù)。實(shí)驗(yàn)表明核參數(shù)g和懲罰因子C取不同值時(shí)，其識(shí)別率也不同，這說明參數(shù)選擇對(duì)分類結(jié)果有很大的影響。為了得到更好的識(shí)別效果，就需要對(duì)這兩個(gè)參數(shù)進(jìn)行尋優(yōu)操作。

2.2 量子遺傳算法優(yōu)化SVM

遺傳算法(Genetic Algorithm，GA)通過模擬生物進(jìn)化中的優(yōu)勝劣汰求解出優(yōu)化問題的全局最優(yōu)解，該方法是當(dāng)前應(yīng)用最廣泛的優(yōu)化算法之一，但其缺點(diǎn)是易陷入局部最優(yōu)的陷阱。量子遺傳算法[12-14]是量子計(jì)算與遺傳算法相結(jié)合的產(chǎn)物，它將量子編碼、量子態(tài)、量子門、量子特性、概率幅等量子概念融合進(jìn)遺傳算法當(dāng)中，增加染色體變化的可能性，當(dāng)種群規(guī)模不變時(shí)，候選解個(gè)數(shù)變?yōu)镚A算法的兩倍，使解空間變得豐富多元，提高了尋優(yōu)成功概率。和GA相比QGA，有以下幾點(diǎn)不同：

(1)QGA采用量子位進(jìn)行編碼，不再采用單調(diào)的二進(jìn)制位編碼；

(2)每一個(gè)量子位均是不確定的狀態(tài)，屬于0和1的疊加態(tài)，因此解碼操作有所不同；

(3)QGA不再單純地僅進(jìn)行交叉變異操作，而是通過量子旋轉(zhuǎn)門更新染色體。

在量子計(jì)算中，量子比特|0>和|1>表示微觀粒子的兩種基本狀態(tài)，根據(jù)疊加原理，量子信息的疊加態(tài)表示為這兩個(gè)基本態(tài)的線性組合，即

|ψ〉=α|0〉+β|1〉

(5)

式子中α、β表示量子位狀態(tài)的概率幅，且滿足α2+β2=1。

由于量子編碼作用下的染色體不再是單一的純態(tài)，因此要通過量子旋轉(zhuǎn)門作用于量子染色體的基態(tài)使其相互干涉，改變量子比特相位以更新量子位的概率幅，從而達(dá)到基因變異的效果。量子旋轉(zhuǎn)門的設(shè)計(jì)對(duì)整個(gè)算法至關(guān)重要，使用量子旋轉(zhuǎn)門U更新種群時(shí)，對(duì)于每個(gè)量子染色體的每個(gè)量子位執(zhí)行如下操作：

(6)

表1 量子旋轉(zhuǎn)門參數(shù)設(shè)置

量子遺傳算法的算法流程圖如圖5所示：

圖5 量子遺傳算法流程圖

3 實(shí)驗(yàn)數(shù)據(jù)與結(jié)果分析

實(shí)驗(yàn)選取470幅圖像參與識(shí)別，其中火災(zāi)圖像210幅，非火災(zāi)圖像260幅。在非火災(zāi)圖像集中，除普通生活場(chǎng)景外還包括大量類火焰干擾圖，例如燈牌、火災(zāi)煙霧、日出、夕陽(yáng)、紅楓林等。為了檢測(cè)本文所提出算法的有效性，實(shí)驗(yàn)通過3種算法進(jìn)行分析比較。在MATLAB編程環(huán)境下，采用相同的實(shí)驗(yàn)數(shù)據(jù)，分別選取傳統(tǒng)支持向量機(jī)(SVM)、基于遺傳算法優(yōu)化的支持向量機(jī)(GA-SVM)和基于量子遺傳算法優(yōu)化的支持向量機(jī)(QGA-SVM)進(jìn)行識(shí)別實(shí)驗(yàn)，記錄各自算法采用十折交叉驗(yàn)證后得到的分類準(zhǔn)確率。

圖6分別給出了基于遺傳算法的優(yōu)化方法GA-SVM和基于量子遺傳算法的優(yōu)化方法QGA-SVM兩者的參數(shù)尋優(yōu)過程曲線。

圖6 不同算法參數(shù)尋優(yōu)過程曲線

圖7是不同的懲罰參數(shù)c和高斯核參數(shù)g對(duì)識(shí)別結(jié)果的影響，橫坐標(biāo)表示不同懲罰參數(shù)c的取值，縱坐標(biāo)表示不同核參數(shù)g的取值，圖中所標(biāo)數(shù)字為當(dāng)前c、g參數(shù)對(duì)應(yīng)的分類準(zhǔn)確率。

圖7 參數(shù)c、g對(duì)識(shí)別準(zhǔn)確率的影響

從圖中可以看出，不同的c、g有可能對(duì)應(yīng)相同的最佳分類準(zhǔn)確率[15]，這種情況下要優(yōu)先選擇具有最小c的那組參數(shù)，這是因?yàn)檫^高的懲罰參數(shù)c會(huì)造成過學(xué)習(xí)狀態(tài)，從而造成測(cè)試不理想。

表2給出了3種算法尋找到的最優(yōu)參數(shù)c、g以及最優(yōu)參數(shù)對(duì)應(yīng)的最優(yōu)適應(yīng)度，最后一欄是算法運(yùn)行5次的平均參數(shù)尋優(yōu)時(shí)間。

表2 不同算法參數(shù)尋優(yōu)結(jié)果比較

由表2可以得出，QGA-SVM算法的準(zhǔn)確率是三者中最高的，證明了本文所提算法的有效性。從時(shí)間上來看，QGA-SVM算法的平均耗時(shí)略大于GA-SVM，但遠(yuǎn)小于SVM，說明算法針對(duì)SVM在時(shí)效性上有了提高，應(yīng)用于實(shí)際生活中可以更快更好的發(fā)現(xiàn)火災(zāi)情況，及時(shí)作出反應(yīng)。

ROC曲線分析和混淆矩陣是二分類問題中評(píng)判分類器性能的重要指標(biāo)。AUC被定義為 ROC曲線下與坐標(biāo)軸圍成的面積，它為分類算法的性能對(duì)比提供了數(shù)字化依據(jù)。實(shí)驗(yàn)利用測(cè)試集的分類結(jié)果可以得到表3所示的評(píng)價(jià)指標(biāo)。

表3 二分類分類器性能評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)將測(cè)試集分別用SVM、邏輯回歸算法、樸素貝葉斯算法進(jìn)行識(shí)別分類，得到各算法的ROC曲線和準(zhǔn)確度等評(píng)價(jià)指標(biāo)，如圖8和表4。

圖8 不同分類器的ROC曲線

表4 不同算法評(píng)價(jià)指標(biāo)結(jié)果

對(duì)比結(jié)果可知，支持向量機(jī)分類準(zhǔn)確率最高，精確度、靈敏度特異性等均取得最優(yōu)結(jié)果，AUC略小于邏輯回歸算法，但高于樸素貝葉斯。綜合來說，SVM相對(duì)于其他分類器擁有較好的分類效果。

4 結(jié)論

文中提出的算法綜合運(yùn)用了火焰的顏色、亮度以及紋理特征，借助 SVM 分類器實(shí)現(xiàn)火焰識(shí)別，其中SVM的參數(shù)c和g是通過量子遺傳算法尋優(yōu)后得到的最佳參數(shù)。實(shí)驗(yàn)結(jié)果表明，本文提出的算法可以有效識(shí)別出火焰與非火焰圖像，對(duì)于燈牌、火災(zāi)煙霧、日出等干擾性比較強(qiáng)的圖像可以很好地進(jìn)行分類，識(shí)別率達(dá)到90%以上，算法魯棒性較強(qiáng)。