丁毓峰，徐 鑫

(武漢理工大學(xué) 機(jī)電工程學(xué)院，湖北 武漢 430070)

森林火災(zāi)具有成災(zāi)面積大，火區(qū)溫度高等特點(diǎn)，一旦發(fā)生便難以控制，對(duì)自然環(huán)境和相關(guān)人員的生命財(cái)產(chǎn)造成嚴(yán)重破壞[1]。因此，森林火災(zāi)監(jiān)測(cè)系統(tǒng)的建立具有重要意義。隨著電子與計(jì)算機(jī)技術(shù)的發(fā)展，基于圖像處理技術(shù)的森林火災(zāi)監(jiān)測(cè)方法由于其監(jiān)測(cè)效率高、漏報(bào)率低的優(yōu)點(diǎn)，被大量應(yīng)用到實(shí)際中，同時(shí)，越來(lái)越多的研究人員開(kāi)始研究森林火災(zāi)的圖像檢測(cè)技術(shù)，如Muhammad等[2]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的有效方法，實(shí)現(xiàn)了對(duì)不確定監(jiān)視環(huán)境中的視頻進(jìn)行火災(zāi)識(shí)別。Saeed等[3]提出了基于3種深層神經(jīng)網(wǎng)絡(luò)的火災(zāi)監(jiān)測(cè)模型，使用Adaboost-MLP模型和卷積神經(jīng)網(wǎng)絡(luò)對(duì)火焰進(jìn)行識(shí)別。Zaman等[4]提出了基于計(jì)算機(jī)視覺(jué)的火災(zāi)檢測(cè)技術(shù)，使用小波變換來(lái)判斷運(yùn)動(dòng)區(qū)域中是否存在火焰，同時(shí)跟蹤著火區(qū)域的增長(zhǎng)率，以區(qū)分危險(xiǎn)著火和受控著火。黎傳琛等[5]使用遷移學(xué)習(xí)作為特征提取器提取特征,然后進(jìn)行特征融合并結(jié)合傳統(tǒng)機(jī)器學(xué)習(xí)分類器方法進(jìn)行識(shí)別。曾思通等[6]利用改進(jìn)的選擇性背景更新模型提取了視頻圖像中運(yùn)動(dòng)前景目標(biāo),然后通過(guò)分析火焰的特征，提出了一種基于層次分析法的火焰多種動(dòng)態(tài)特征融合的檢測(cè)識(shí)別方法。張秀玲等[7]提出了張量對(duì)象特征提取的多線性主成分分析深度學(xué)習(xí)算法，使用多線性主成分分析算法構(gòu)建學(xué)習(xí)濾波器，并將其作為深度學(xué)習(xí)網(wǎng)絡(luò)卷積層的卷積核，對(duì)張量對(duì)象的高維圖像進(jìn)行特征提取，可有效識(shí)別火災(zāi)圖像及干擾圖像。

筆者首先根據(jù)顏色提取森林火災(zāi)目標(biāo)區(qū)域，然后從形狀特征、紋理特征以及動(dòng)態(tài)特征3個(gè)方面提取森林火焰及煙霧的特征，并分別整理成特征向量，并將該特征向量作為核極限學(xué)習(xí)機(jī)的輸入，為提高分類器的分類準(zhǔn)確率，使用粒子群算法對(duì)核極限學(xué)習(xí)機(jī)參數(shù)進(jìn)行尋優(yōu)。

1 森林火災(zāi)圖像目標(biāo)區(qū)域提取

森林火災(zāi)發(fā)生時(shí)的主要特征包括火焰及煙霧，且火焰和煙霧相對(duì)于圖像中其他物體的顏色有著明顯的區(qū)別，在對(duì)圖像進(jìn)行處理前，首先通過(guò)顏色檢測(cè)該圖像中是否存在目標(biāo)區(qū)域可加快森林火災(zāi)識(shí)別效率。相機(jī)采集的圖像是基于RGB色彩空間的，為了清楚地展示火焰RGB圖像在R、G、B 3個(gè)通道的像素值關(guān)系，將火焰圖像的RGB 3通道分離出來(lái)，分離后火焰圖像在3個(gè)通道的分量圖如圖1所示。

圖1 火焰RGB圖像各通道對(duì)比

從圖1可知，火焰圖像在R通道亮度最高，且火焰區(qū)域的輪廓較為清晰，G通道次之，在B通道亮度最低，且輪廓不清晰，故火焰圖像的RGB3通道像素值關(guān)系可表示為：

R>G>B

(1)

為更加準(zhǔn)確地分析火災(zāi)圖像中各分量分布規(guī)律，隨機(jī)選擇100張火焰圖像與100張非火焰圖像，并手動(dòng)分割火焰圖像中的火焰像素點(diǎn)，然后分別統(tǒng)計(jì)火焰圖像中的火焰像素點(diǎn)和非火焰圖像的所有像素點(diǎn)的RGB值，統(tǒng)計(jì)結(jié)果如圖2所示。

圖2 圖像RGB分量統(tǒng)計(jì)結(jié)果

從圖2可知，火焰圖像與非火焰圖像的RGB分布差別較大，而非火焰圖像的RGB分布較為平均。因此，根據(jù)上述實(shí)驗(yàn)結(jié)果，提出RGB圖像中火焰像素的判據(jù)為：

(2)

式中：RT,BT分別為R通道和B通道像素值的閾值，通過(guò)實(shí)驗(yàn)分析，RT的取值范圍為[160,190]，BT的取值范圍為[80,100]。

煙霧圖像在RGB圖像中并不明顯，Emmy等[8]研究了煙霧在YUV顏色空間中的分布規(guī)律，并提出了YUV顏色空間中的煙霧分割規(guī)則如式(3)所示。

(3)

其中，TU和TUV取值分別為60，40。

根據(jù)式(2)和式(3)的火焰及煙霧判據(jù)對(duì)火焰及煙霧圖像進(jìn)行處理，結(jié)果如圖3所示。

圖3 火焰及煙霧圖像目標(biāo)區(qū)域分割效果

經(jīng)過(guò)火焰與煙霧分割，得到的分割圖像中存在細(xì)小的孔洞或噪聲點(diǎn)，會(huì)影響下一步的特征提取結(jié)果，因此，根據(jù)式(4)使用核B對(duì)A圖像進(jìn)行形態(tài)學(xué)處理。

2 森林火災(zāi)圖像特征提取

選擇合適的火焰及煙霧特征，可以降低目標(biāo)區(qū)域中干擾物的影響，提高森林火災(zāi)識(shí)別算法的識(shí)別率，并降低誤報(bào)率。

2.1 形狀特征

(1)圓形度。圓形度是指目標(biāo)區(qū)域輪廓與圓形相似的程度，可應(yīng)用于度量物體輪廓的復(fù)雜性[9]。圓形度的計(jì)算公式為：

(5)

式中：S為目標(biāo)區(qū)域的面積；L為目標(biāo)區(qū)域輪廓的周長(zhǎng)。

火焰、煙霧及干擾物的圓形度如表1所示。

(2)尖角個(gè)數(shù)。由于火焰在燃燒的過(guò)程中，存在邊緣抖動(dòng)的現(xiàn)象，因此會(huì)產(chǎn)生很多小的尖角[10]，因此，尖角個(gè)數(shù)也可以作為一個(gè)特征?；鹧妗熿F及干擾物的尖角個(gè)數(shù)如表2所示。

表1 火焰、煙霧及干擾物的圓形度

表2 火焰、煙霧及干擾物的尖角個(gè)數(shù)

2.2 紋理特征

火焰和煙霧的紋理與其他干擾物有著明顯的區(qū)別，灰度共生矩陣(gray-level co-occurrence matrix,GLCM)考慮的是二階統(tǒng)計(jì)量，研究有一定關(guān)系的像素對(duì)[11]，不僅反映了亮度的分布特性，也反映了像素之間的位置分布特性[12]。常用的基于GLCM計(jì)算的圖像紋理特征指標(biāo)有5項(xiàng)，其中，P為(i,j)的像素值；G為灰度共生矩陣的階數(shù)；δ,θ分別表示P的距離和方向。

(1)能量。能量體現(xiàn)了圖像灰度分布的均勻程度。能量E的計(jì)算公式為：

(6)

(2)熵。熵體現(xiàn)了圖像的紊亂程度。熵值ENT的計(jì)算公式為：

(7)

(3)逆差矩。逆差矩(inverse difference moment,IDM)反映了圖像紋理的局部變化程度。逆差矩IDM的計(jì)算公式為：

(8)

(4)慣性矩。慣性矩(inertia moment, IM)描述了圖像灰度分布的空間差異性。慣性矩IM的計(jì)算公式為：

(9)

(5)相關(guān)矩。相關(guān)矩(correlation)反映了像素灰度值之間的線性相關(guān)性。相關(guān)矩COR的計(jì)算公式為：

(10)

2.3 動(dòng)態(tài)特征

在森林火災(zāi)發(fā)生時(shí)，火焰和煙霧是隨時(shí)間不斷擴(kuò)散、不斷變化的，而背景和各種干擾物則不會(huì)有太大的變化。

(1)面積變化率。在森林火災(zāi)發(fā)生早期，火焰及煙霧的面積都會(huì)隨時(shí)間逐漸變大，而各種干擾物則不會(huì)有太大變化。面積變化率ΔS的計(jì)算公式為：

(11)

式中：S(t)為當(dāng)前幀森林火災(zāi)目標(biāo)區(qū)域的面積；S(t-1)為上一幀森林火災(zāi)目標(biāo)區(qū)域的面積。

(2)火焰閃頻特征?；鹧娴拈W頻特征是最為明顯的特征之一，是火災(zāi)檢測(cè)的重要依據(jù)?；鹧骈W爍頻率一般為3～25 Hz，可計(jì)算連續(xù)10幀圖像內(nèi)的火焰閃爍次數(shù)作為森林火災(zāi)的閃頻特征。

(3)煙霧重心移動(dòng)特征。煙霧在擴(kuò)散過(guò)程中重心會(huì)隨時(shí)間緩慢移動(dòng)，而與煙霧相似的干擾物大多處于靜止?fàn)顟B(tài)。煙霧的重心特征計(jì)算公式為：

(12)

式中，mij為幾何矩，計(jì)算公式為：

(13)

式中：x，y為像素點(diǎn)位置；M，N為選取運(yùn)動(dòng)區(qū)域的長(zhǎng)和寬；f(x，y)為M×N的圖像中(x，y)的像素值。

通過(guò)分別提取火焰和煙霧的形狀、紋理和動(dòng)態(tài)特征，各自整理成一個(gè)特征向量，作為圖像分類算法的輸入, 特征向量的格式如式(14)所示。

(14)

式中：Ffire,Fsmoke分別為火焰及煙霧特征向量；C為圓形度；N為尖角個(gè)數(shù)；ME,MENT,MIDM,MIM,MCOR分別為能量、熵、逆差矩、慣性矩、關(guān)系矩的平均差；SE,SENT,SIDM,SIM,SCOR分別為能量、熵、逆差矩、慣性矩、關(guān)系矩的標(biāo)準(zhǔn)差；ΔS為目標(biāo)區(qū)域的面積變化率；SUMP為頻閃頻率；L為重心移動(dòng)距離。

3 基于PSO-KELM的森林火災(zāi)圖像分類方法

3.1 核極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)(extreme learning machine, ELM)是一種快速高效的單隱層前饋神經(jīng)網(wǎng)絡(luò)[13]。與傳統(tǒng)的單隱層前饋神經(jīng)網(wǎng)絡(luò)相比，ELM有著更快的學(xué)習(xí)速度以及泛化能力[14]。

極限學(xué)習(xí)機(jī)的結(jié)構(gòu)如圖4所示。

圖4 極限學(xué)習(xí)機(jī)結(jié)構(gòu)

則極限學(xué)習(xí)機(jī)的數(shù)學(xué)模型可表示為：

Y=Hβ

(15)

式中：H為隱含層輸出矩陣；β為輸出權(quán)值矩陣；Y為極限學(xué)習(xí)機(jī)的輸出矩陣，其學(xué)習(xí)目的是使得訓(xùn)練誤差和隱含層權(quán)范數(shù)最小，其目標(biāo)函數(shù)可寫為:

(16)

式中:T為輸入樣本X對(duì)應(yīng)的目標(biāo)輸出，引入拉格朗日乘子，式(16)可轉(zhuǎn)換成如下目標(biāo)函數(shù)：

h(xi)β=yi-ξi,i=1,2,…,n

(17)

式中：ξi為訓(xùn)練誤差；h(xi)為樣本xi的隱含層輸出矩陣；yi為樣本xi的輸出矩陣；C為正則化系數(shù)，根據(jù)KKT理論，極限學(xué)習(xí)機(jī)的輸出結(jié)果為[15]:

(18)

當(dāng)隱含層特征映射h(x)未知時(shí),采用核函數(shù)KELM替換h(x)HT和HHT,則式(18)可寫為：

(19)

筆者選擇高斯徑向核函數(shù)作為核極限學(xué)習(xí)機(jī)的核函數(shù)，其表達(dá)式為：

(20)

式中：δ為高斯徑向核函數(shù)帶寬。

3.2 粒子群算法

粒子群優(yōu)化算法是一種群體智能的優(yōu)化算法，該算法將鳥(niǎo)群作為粒子群，并且每一個(gè)粒子都具有位置、速度和適應(yīng)度3個(gè)屬性[16]。如在一個(gè)D維的搜索空間中，有一個(gè)包含n個(gè)粒子的種群X={x1,x2,…,xn}，則粒子群算法在解空間中尋優(yōu)的迭代公式如式(21)和式(22)所示。

Vk+1=ωVk+c1r1(Pk-Xk)+c2r2(Gk-Xk)

(21)

Xk+1=Xk+Vk+1

(22)

式中：Vk為粒子第k次迭代的速度；Xk為粒子第k次迭代的位置；ω為慣性權(quán)重；c1和c2為加速度因子；r1和r2為[0,1]之間的隨機(jī)數(shù)；Pk為個(gè)體最優(yōu)位置；Gk為群體最優(yōu)位置。

為保證粒子群算法收斂速度的同時(shí)，提高其全局尋優(yōu)能力，使用式(23)來(lái)動(dòng)態(tài)調(diào)整ω的值。

ωk+1=ωk-Δf·e-h/T·b·fmax

(23)

式中：fmax為當(dāng)前迭代次數(shù)下最大適應(yīng)度值；Δf為最大適應(yīng)度值與最小適應(yīng)度函數(shù)的差值；T為粒子群最大迭代次數(shù)；b，h為調(diào)節(jié)參數(shù)。

3.3 基于PSO-KELM的森林火災(zāi)圖像識(shí)別算法

將火災(zāi)的特征向量作為KELM(kernel extreme learning machine)的輸入，為降低不同特征量的差異造成的影響，使用式(24)對(duì)火災(zāi)的不同特征值歸一化至[-1,1]。

(24)

式中：xi為火災(zāi)特征向量中的第i(i=1,2,…,14)維特征量；xmax與xmin分別為該特征量的最大值與最小值。將KELM的識(shí)別率作為PSO(particle swarm optimization)算法的適應(yīng)度函數(shù)，可表示為：

(25)

式中：Dnum為正確分類數(shù)目；Anum為樣本總數(shù)。

筆者所設(shè)計(jì)的PSO-KELM森林火災(zāi)圖像識(shí)別算法過(guò)程如圖5所示。

圖5 PSO-KELM算法流程

3.4 仿真實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證上述森林火災(zāi)識(shí)別算法，建立了圖像數(shù)據(jù)庫(kù)。其中正負(fù)樣本集各35 000張。正樣本和負(fù)樣本的選擇如圖6所示。

圖6 正負(fù)樣本的選擇

將數(shù)據(jù)集中80%的圖像用于訓(xùn)練核極限學(xué)習(xí)機(jī)，20%的圖像用于測(cè)試。訓(xùn)練過(guò)程中PSO的參數(shù)如表3所示。

表3 PSO參數(shù)設(shè)置

使用改進(jìn)PSO算法,核極限學(xué)習(xí)機(jī)的尋優(yōu)過(guò)程中最優(yōu)個(gè)體適應(yīng)度變化如圖7所示, 最終得到的最優(yōu)個(gè)體適應(yīng)度值為0.93，得到的核極限學(xué)習(xí)機(jī)參數(shù)如表4所示。

圖7 尋優(yōu)過(guò)程中最優(yōu)個(gè)體適應(yīng)度變化

表4 改進(jìn)PSO尋優(yōu)結(jié)果

為驗(yàn)證所設(shè)計(jì)算法的性能，同時(shí)使用反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural networks,BPNN)、支持向量機(jī)(support vector machines，SVM)算法進(jìn)行對(duì)比，3種方法的識(shí)別正確率及誤報(bào)率如表5所示。

表5 3種不同方法的森林火災(zāi)識(shí)別正確率及誤報(bào)率對(duì)比

對(duì)比表5中的結(jié)果發(fā)現(xiàn)，相比于BPNN分類法和SVM分類法，筆者所提算法在識(shí)別率及誤報(bào)率上都有明顯的優(yōu)勢(shì)。3種方法的識(shí)別速度對(duì)比如表6所示。

表6 3種方法的識(shí)別速度對(duì)比

從表6可知，PSO-KELM方法具有較高的實(shí)時(shí)性，可以用于森林火災(zāi)的實(shí)時(shí)監(jiān)測(cè)。

4 結(jié)論

筆者首先根據(jù)火焰及煙霧的顏色從圖像中提取森林火災(zāi)目標(biāo)區(qū)域，然后提取目標(biāo)區(qū)域的形狀特征、紋理特征以及動(dòng)態(tài)特征，整合成特征向量，將該特征向量作為核極限學(xué)習(xí)機(jī)的輸入，為提高識(shí)別準(zhǔn)確率，使用粒子群算法對(duì)核極限學(xué)習(xí)機(jī)的參數(shù)尋優(yōu)。實(shí)驗(yàn)結(jié)果表明，該方法進(jìn)行火災(zāi)圖像識(shí)別具有較高的準(zhǔn)確率，可以用于森林火災(zāi)的實(shí)時(shí)監(jiān)測(cè)。