基于PSO-SVM的變電站視頻監控火災識別算法

（國網北京市電力公司，北京 100051）

蔡正梓，程海興，陳 茜，王冠男

變電站是電力系統中變換電壓、電流、分配電能的電力設備，其在電力系統中起著至關重要的作用，其包含變壓器、高壓斷路器等易燃易爆設備。配電設備老化、室內溫度過高、變壓器嚴重過載等均會引起火災的發生，不僅會對整個電力系統的運行造成極大的危害[1]，而且也會給國家、企業等用戶帶來嚴重損失。因此，對變電站進行全天候視頻監控，在火災發生的初期，精準的識別火災、及時向監控人員預報火警，將火災產生的損失及危害最大限度的降低，是保障生命財產安全的重要措施[2]。

近些年，由于變電站視頻監控火災的識別效果并不理想，存在火災識別精度低，誤警率高等問題，錯失最佳救火時機，造成巨大的經濟損失[3]。為此，海內外的相關學者進行了大量研究，如文獻[4]提出的改進AFSA 算法的火災識別算法，該算法雖對火焰的識別精度較高，但其在火焰像素與非火焰像素的訓練過程中，需要收集巨大的訓練樣本，學習速率不高，工作復雜度較高；文獻[5]提出的基于顏色和紋理特征的火災識別算法，該算法雖可快速識別火焰，但其易受到類火焰、行人、障礙物等干擾，識別火焰精度不高。

支持向量機（support vector machine，SVM）是一種以達成風險最小化為準則的機器學習算法[6]，分類效果好，但由于其在學習過程中，需要占據相當大的內存，故不但該算法的分類速度較慢，而且若不對SVM 參數實行優化處理，易使預測精度偏低，采用具有快速尋優能力的粒子群優化算法（particle swarm optimization，PSO），可迅速找到SVM 的最優參數值，提高SVM 的分類精度[7]。

因此，本文提出于PSO-SVM 的變電站視頻監控火災識別算法，提高識別火災的精度，降低誤警率。

1 變電站視頻監控火災識別算法

1.1 變電站視頻監控火災圖像火焰可疑區域檢測

通常根據火焰像素在YCrCb 色彩空間里的不同分量值的區域與關系，作為檢測火焰像素的算法。某些相關學者將火焰像素顏色作為識別火焰像素的判斷依據，但由于變電站火災視頻效果的限制，火焰面積在視頻中畫面變得非常小[8]，故依據火焰顏色判斷火焰像素，無法在火災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關鍵性特征，在產生火焰的范圍，其明亮程度顯著高于其他范圍。因此，可將變電站視頻監控火災圖像中的火焰亮度、顏色兩種不同特征，放在YCrCb顏色空間內同時參考。并根據火焰的不同明亮程度與顏色，作為識別變電站視頻監控火災圖像中火焰的判斷依據[9]。在分割火焰過程中，為避免紅顏色信息敏感性太強，產生漏分割現象，故不包含紅色分量的判斷依據公式為

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

得到變電站視頻監控火災圖像的運動累積矩陣的公式為

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

將變電站視頻監控火災圖像的U（i，j）實現二值化公式為

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，它們的數值是依據變電站視頻監控火災圖像中的火焰閃爍頻率而設定。U（i，j）是分割火焰結果。由此檢測出變電站視頻監控火災圖像中的火焰可疑區域。

1.2 變電站視頻監控火災可疑區域火焰特征提取

根據上述檢測出的變電站視頻監控火災圖像中的火焰可疑區域，現對變電站視頻監控火災圖像中的火焰特征進行提取。火焰除了具有亮度與顏色特征外，在變電站火災監控視頻中，還有一些其他特征能將火焰從干擾物中區別出來[10]。

1.2.1 火焰面積變化率

在變電站發生火災的初期，隨著時間的不斷推移，火焰面積會慢慢擴大[11]。因此，火災的面積變化率可作為識別變電站火災的判斷依據。火災面積變化率的計算公式為

式中：在變電站視頻監控火災圖像中，可疑區域幀的火災面積用B（n）描述；與B（n）鄰近幀的火災面積用B（n+1）描述；極小值是eps。為避免max（B（n+1），B（n））+eps=0，通過大批火災實驗數據驗證，Ij∈［0.1，0.4］。

1.2.2 火焰形狀相似度

為求出變電站視頻監控火災鄰近幀圖像的火焰形狀相似度[12]，可通過相鄰兩幅火災圖像可疑區域的面積交集和并集的比獲得。用β 描述變電站視頻監控火災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 描述變電站視頻監控火災圖像中火焰的紅色、藍色與綠色分量，這些分量的強度數值在變電站視頻監控火災圖像中具有一定的比例[13]，計算綠紅分量的面積比z 公式為

式中：分割出的可疑火焰區域的紅色分量用UR描述；其綠色分量面積用UG描述。

1.2.4 高低頻能量比

火焰產生的煙霧具有模糊特點，可使背景圖像逐漸呈模糊狀態，其紋理特征與邊緣尖銳程度也逐漸降低，呈現在變電站視頻監控火災圖像上，低頻能量不斷增加，相應的高頻能力不斷減少[14]。選擇哈爾小波作為基波函數，一層分解變電站視頻監控火災圖像，提取EHL（水平方向），ELH（垂直方向），EHH（對角方向） 三個方向的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應區域圖像的低頻能量； 用EHa與EHb描述高頻能量，計算低頻與高頻能力的公式分別為

式中：用S 描述可疑區域，與S 相對的原背景圖像用S′描述。

ELa與ELb，EHa與EHb的能力比值的計算公式為

若滿足ah≤0.9，al≥1.2，則可有效將不具備模糊特點的移動物體進行排除。

1.3 基于PSO-SVM 的變電站視頻監控火災識別算法

將基于上述提取出的變電站視頻監控火災可疑區域中的火焰特征，作為SVM 的輸入樣本，構建SVM 分類模型，將采用PSO 算法快速精準地搜尋出SVM 的最優參數，用于SVM 模型訓練與分類預測，最終實現對變電站視頻監控火災的識別。

PSO 理論為：用X=（X1，X2，…，Xn）描述粒子在D 維搜尋空間里構成的種群，且粒子數量為n，用Xi描述每一個粒子的位置，Xi相應的適應度值可依據目標函數運算獲得。當不斷更新時，粒子的速度與位置可利用個體極值c 與全局極值g 進行更新，計算其速度與位置的公式為

式中：慣性權值用ρ 描述；d＝1，2，…，D；i＝1，2，…，n；目前更新次數用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地搜尋到SVM 的最優參數，以便獲取更好的變電站監控視頻火災的識別效果。用c 與g 分別描述經過PSO 優化的SVM 正則化參數與核函數的半徑參數，基于PSO 優化的SVM 火災識別過程如圖1所示，其過程為：

圖1 基于PSO 的SVM 參數優化流程Fig.1 SVM parameter optimization flow chart based on PSO

過程1：原始化，為明確SVM 參數，可通過任意生成的一組粒子的原始速度與位置實現，并從SVM參數中選擇一定輸入變電站監控視頻火災數據樣本，構建SVM 分類模型；

過程2：運算與評價粒子適應度數值，可依據SVM分類決策函數實現；

過程3：c 與g 可通過適應度值進行更新[15]，粒子速度與其位置可通過公式（4）與公式（5）進行更新；

過程4：輸出最優參數，若該參數是全局最優解，則尋優結束；反之，返回過程2，重新運算；

過程5：將獲得的最優c 與g 用于SVM 模型訓練與分類預測。

基于以上PSO 優化SVM 的參數優化過程，最終實現對變電站視頻監控火災的識別。

2 實驗分析

為驗證本文算法識別變電站視頻監控火災的有效性，實驗采用該某變電站曾經發生過的a～f 共6組火災視頻與g～i 共3 組干擾視頻，在Matlab2020a環境下進行仿真實驗，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。

實驗利用匹配度指標，對本文算法識別的變電站視頻監控火災效果進行衡量，設定核函數的半徑參數g 分別為4，8，16，24，28，驗證不同正則化參數c 下的識別匹配度結果如圖2所示。

圖2 不同正則化參數下的識別匹配度結果Fig.2 Results of recognition matching degree under different regularization parameters

由圖2可看出，5 種g 值相應的變電站視頻監控火災識別匹配度隨著c 的增加呈先漲后降的趨勢，當c=20 時，該5 種g 值相應的匹配度均達到最大值，當g=16 時，其相應的匹配度最大值高達99%。實驗表明，將本文算法中的核函數的半徑參數g 與正則化參數c 分別設定為16 與20 時，采用本文算法對變電站視頻監控火災的識別性能更好。

實驗采用文獻[4]提出的基于動靜態特征的監控視頻火災識別算法、文獻[5]提出的基于顏色和紋理特征的火災識別算法與本文算法，對該變電站a～c 的3 組視頻監控火災中的火焰可疑區域進行檢測，驗證該3 種算法的檢測效果，結果如圖3所示。

圖3 三種算法火焰可疑區域檢測結果Fig.3 Results of flame suspicious area detection with three algorithms

由圖3可看出，文獻[4]算法和文獻[5]算法檢測到的3 幅視頻火災可疑區域不夠完整，且將椅子、類火焰誤檢測為可疑火焰區域，火焰可疑區域檢測效果不夠精準，本文算法精準可檢測3 組變電站監控火災視頻中的火焰可疑區域，且不存在誤檢現象，火焰可疑區域檢測精準度最高，可為精準識別變電站視頻監控火災提供保障。

采用本文算法對以下a～i 的9 組視頻圖像進行火災識別，結果如圖4所示。

圖4 變電站視頻監控火災識別效果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排除類火焰背景、路燈等其他干擾物，有效識別變電站視頻監控中的火焰區域。實驗表明，本文算法可有效排除干擾物，精準識別變電站視頻監控火災。

為驗證本文算法在不同光線強度時的識別效果，實驗采用本文算法分別對該變電站監控火災視頻a～c（光線較弱）、d～f（光線較強）進行火災識別，識別結果如表1所示。

由表1可看出，無論火災發生在光線較強還是較弱下，采用本文算法識別的該變電站視頻監控火災，識別率均在98%以上，且即使光線較弱，本文算法的識別率也較為穩定，環境適應性較強。計算時間均可在10 s 之內完成識別。實驗表明，本文算法可高效識別變電站視頻監控火災，且具有極高的識別精準度。

表1 不同光線強度下的識別效果Tab.1 Recognition effect under different light intensity

3 結語

本文提出基于PSO-SVM 的變電站視頻監控火災識別算法，經實驗驗證，當本文算法中的核函數的半徑參數g 與正則化參數c 分別取16 與20 時，具有更好的識別變電站視頻監控火災的性能；通過與文獻[4]算法與文獻[5]算法相比，本文算法檢測出的變電站監控火災視頻中的火焰可疑區域的精準度最高；針對9 種不同類型的火焰視頻進行識別，該算法可有效排除干擾物，精準識別變電站視頻監控火災；該算法在光線較暗時，識別率也全部在98%以上，識別效果較為穩定，且計算時間僅在10 s 之內即可完成識別，實驗表明，本文算法可高效識別變電站視頻監控火災，且具有極高的識別精準度。