王 云

（深圳市云海易聯(lián)電子有限公司，廣東 深圳 518000）

我國(guó)受森林火災(zāi)影響的面積逐年增大，對(duì)快速、高效識(shí)別森林火災(zāi)的需求也逐漸擴(kuò)大。2022 年全國(guó)多地發(fā)生森林火災(zāi)，導(dǎo)致數(shù)萬(wàn)畝的土地被燒毀。基于圖像特征的林火識(shí)別技術(shù)具有時(shí)效性強(qiáng)、識(shí)別率高等優(yōu)勢(shì)，能夠盡快識(shí)別林火，防止林火規(guī)模擴(kuò)大，目前已成為監(jiān)測(cè)和識(shí)別森林火災(zāi)的主要方法之一，并成為一種預(yù)警解決方案。

同時(shí)，圖像識(shí)別技術(shù)在火災(zāi)、消防、森林治理等相關(guān)研究中也發(fā)揮了重要作用。王寅凱等[1]提出一種加強(qiáng)森林管理的樹(shù)種識(shí)別和儲(chǔ)量估算新方法。在這種方法中，森林火災(zāi)圖像由數(shù)碼相機(jī)收集。過(guò)去對(duì)森林火災(zāi)圖像特征的研究主要集中在圖像的顏色、紋理和運(yùn)動(dòng)檢測(cè)方面，還沒(méi)有充分考慮類(lèi)火干擾源（干擾森林火災(zāi)圖像識(shí)別的紅色物體，例如橫幅、楓葉以及瓶子等）對(duì)森林火災(zāi)識(shí)別的影響，因此需要進(jìn)一步提高識(shí)別精度[2]。該文研究一種基于加權(quán)融合算法和紋理特征的森林火災(zāi)系統(tǒng)識(shí)別方法，采用LBP（局部二元模式）和GLCM（灰度共現(xiàn)矩陣）模型形成森林火災(zāi)圖像的14 維向量，并驗(yàn)證該方法對(duì)森林火災(zāi)識(shí)別具有較高的準(zhǔn)確性。

1 試驗(yàn)方法

森林火災(zāi)精確識(shí)別主要包括4 個(gè)步驟：首先，基于加權(quán)融合RGB-YCbCr 色彩空間并提取預(yù)處理圖像和疑似火焰區(qū)域。其次，利用LBP和GLCM算法提取疑似火焰區(qū)域的紋理特征，形成14 維紋理特征向量[3]。再次，基于大量訓(xùn)練圖像建立紋理特征數(shù)據(jù)庫(kù)，包括正常森林圖像、森林火災(zāi)圖像和類(lèi)火災(zāi)干擾圖像。最后，通過(guò)支持向量機(jī)判斷圖像與數(shù)據(jù)庫(kù)中三類(lèi)圖像的相似度，從而識(shí)別森林火災(zāi)。森林火災(zāi)圖像的紋理特征一般呈片狀或平面分布，中心區(qū)域紋理密集，連續(xù)性強(qiáng)[4]。根據(jù)森林火災(zāi)火焰和類(lèi)火干擾源之間的圖像紋理差異可以對(duì)森林火災(zāi)圖像中的火焰進(jìn)行分類(lèi)和識(shí)別。

1.1 通過(guò)局部二值模型（LBP）提取紋理特征

該文將采用LBP模型描述森林火災(zāi)圖像的紋理特征。LBP模型包括均勻模式、旋轉(zhuǎn)不變模式和旋轉(zhuǎn)不變均勻模式。均勻模式可以滿(mǎn)足減少LBP模型特征向量數(shù)量的要求，其計(jì)算方法如公式（1）所示。

式中：gc為中心像素的灰度值；gi為周邊像素的灰度值；P為周?chē)袼氐膫€(gè)數(shù)；R為鄰域半徑，即中心像素與鄰域像素之間的歐氏距離。

旋轉(zhuǎn)不變模式可以解決LBP值因圖像旋轉(zhuǎn)或傾斜而變化的問(wèn)題，使LBP值保持不變，其計(jì)算如公式（2）所示。

式中：ROR（x，j）為執(zhí)行旋轉(zhuǎn)操作，將x循環(huán)向右移動(dòng)i位。旋轉(zhuǎn)不變均勻模式是將旋轉(zhuǎn)不變模式與均勻模式相結(jié)合得到的，其計(jì)算如公式（3）所示。

該試驗(yàn)主要研究特征向量較少的和，并以為例。

1.2 通過(guò)灰度共現(xiàn)矩陣（GLCM）提取火災(zāi)紋理特征

灰度共現(xiàn)矩陣主要通過(guò)計(jì)算圖像中相對(duì)位置2 個(gè)像素的灰度來(lái)獲取圖像的紋理特征。灰度共現(xiàn)矩陣常用的統(tǒng)計(jì)特征包括角二階矩、對(duì)比度、反差矩和相關(guān)性。角二階矩是灰度共生矩陣值的平方和，它表示火的紋理厚度和灰度分布的均勻性，如公式（4）所示。

對(duì)比度是像素值和相鄰像素值之間的關(guān)系，可以進(jìn)一步評(píng)估和測(cè)量森林火災(zāi)圖像紋理的深度和清晰度，如公式（5）所示。

反差矩主要測(cè)量森林火災(zāi)圖像局部區(qū)域的紋理變化程度和平滑度，如公式（6）所示。

相關(guān)度量空間灰度共現(xiàn)矩陣元素表示行或柱狀方向上的相似性，同時(shí)也可進(jìn)一步表示森林火災(zāi)灰度圖像的線性關(guān)系，如公式（7）所示。

式中：mx為矩陣C2中每個(gè)列元素的和；my為矩陣C2中每個(gè)行元素的和；μb1、μb2、σb1和σb2分別為mx和my的均值和標(biāo)準(zhǔn)差。

圖1 為通過(guò)加權(quán)融合算法提取的灰度圖像。從圖中可以看出，無(wú)火圖像的森林特征值基本為零，有類(lèi)火的干擾圖像的森林特征值對(duì)比度更大，呈負(fù)相關(guān)。因此，這些特征值的變化趨勢(shì)可以作為森林火災(zāi)識(shí)別和分類(lèi)的標(biāo)準(zhǔn)。

圖1 灰度圖像

2 分類(lèi)器

使用支持向量機(jī)算法構(gòu)建一個(gè)判定函數(shù)，對(duì)3 個(gè)場(chǎng)景中的森林圖像進(jìn)行識(shí)別和分類(lèi)。SVM 算法的目的是構(gòu)建一個(gè)能夠最大程度地對(duì)數(shù)據(jù)進(jìn)行分類(lèi)的判定函數(shù)。所有樣本數(shù)據(jù)對(duì)應(yīng)如公式（8）所示。

式中：w為超平面的法向量；b為超平面的截距；C為懲罰參數(shù)。從現(xiàn)有樣本中提取帶有火焰的森林火災(zāi)圖像和干涉圖像的LBP 直方圖分布特征和GLCM 特征，形成14 維向量：X=[L1、L2、L3、……、L10、a、C1、I、C2]。利用收集的數(shù)據(jù)建立訓(xùn)練集和測(cè)試集，利用徑向基函數(shù)（RBF）內(nèi)核對(duì)森林火災(zāi)火焰進(jìn)行識(shí)別和分類(lèi)。徑向基函數(shù)（RBF）內(nèi)核的定義如公式（9）所示。

式中：p為徑向基核函數(shù)的寬度。

利用徑向基函數(shù)核來(lái)識(shí)別森林火災(zāi)且RBF 可以分析高維函數(shù)，其識(shí)別分類(lèi)步驟包括以下2 個(gè)：1）訓(xùn)練過(guò)程。提取目標(biāo)圖像作為訓(xùn)練集，基于目標(biāo)森林火災(zāi)圖像的LBP 直方圖特征和GLCM 紋理提取特征作為圖像特征輸入SVM 向量機(jī)進(jìn)行分類(lèi)器訓(xùn)練。2）識(shí)別過(guò)程。利用訓(xùn)練后的分類(lèi)器提取并對(duì)識(shí)別圖像的LBP 和GLCM 特征進(jìn)行分類(lèi)。最后，通過(guò)準(zhǔn)確的識(shí)別結(jié)果來(lái)評(píng)價(jià)該分類(lèi)器的分類(lèi)性能。

該文基于一種用于識(shí)別和分類(lèi)森林火災(zāi)的支持向量機(jī)，并結(jié)合比較卷積神經(jīng)網(wǎng)絡(luò)來(lái)驗(yàn)證該算法的準(zhǔn)確性和有效性。卷積神經(jīng)網(wǎng)絡(luò)是一種采用卷積計(jì)算、具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的代表性算法之一。卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)領(lǐng)域，該文利用其圖像識(shí)別能力對(duì)森林火災(zāi)圖像中的火災(zāi)進(jìn)行識(shí)別。首先，該算法使用融合顏色空間規(guī)則提取可疑的火焰區(qū)域，其次，使用LBP-GLCM 方法提取紋理特征，最后，將紋理特征輸入支持向量機(jī)。作為一種比較算法，將提取的可疑火焰區(qū)域的圖像輸入卷積神經(jīng)網(wǎng)絡(luò)。

3 森林火災(zāi)圖像識(shí)別效果分析

森林火災(zāi)圖像識(shí)別由MATLAB R2019a 實(shí)現(xiàn)。實(shí)驗(yàn)平臺(tái)的操作系統(tǒng)為Windows11，處理器為Intel Core?TM i5-9300H。從野外共采集1317 幅森林圖像，其中包括513 幅無(wú)火情的森林圖像、420 幅有火情的森林圖像和384 幅有火情干擾的森林圖像。森林圖像包括中國(guó)常見(jiàn)的各種樹(shù)木，例如樺樹(shù)、松樹(shù)以及柏樹(shù)等。森林火災(zāi)圖像以近距離或高清晰度圖像為主，其色彩和紋理特征更明顯?；馉罡蓴_類(lèi)型包括紅色垃圾、紅色條紋以及紅葉林等。3 個(gè)場(chǎng)景識(shí)別過(guò)程中的部分圖像如圖2 所示。其中，圖2（a）是一張沒(méi)有火光的正常森林圖像，經(jīng)過(guò)顏色提取處理后顯然沒(méi)有提取到火光區(qū)域。圖2（b）是有火的森林圖像，圖2（c）是森林中的紅色橫幅，在該研究中用于干擾圖像。從圖2 可知，基于加權(quán)融合算法的不同圖像之間的紋理特征向量差異很大。因此，可以根據(jù)不同類(lèi)型圖像紋理特征的不同特點(diǎn)來(lái)識(shí)別森林火災(zāi)，并將3 種類(lèi)型圖像的紋理信息作為特征向量輸入支持向量機(jī)，且該算法對(duì)森林火災(zāi)圖像中火焰的識(shí)別準(zhǔn)確率達(dá)到93.15%。

圖2 試驗(yàn)圖像樣本和提取結(jié)果

4 結(jié)論

該文提出一種基于加權(quán)融合和紋理特征的森林火災(zāi)識(shí)別方法。通過(guò)加權(quán)融合RGB-YCbCr 色彩空間對(duì)疑似火災(zāi)區(qū)域進(jìn)行分割。然后，利用LBP 和GLCM 模型提取疑似火災(zāi)區(qū)域的紋理特征，形成14維紋理特征向量，并利用支持向量機(jī)進(jìn)行森林火災(zāi)識(shí)別和分類(lèi)。結(jié)果表明，該算法對(duì)森林火災(zāi)圖像中火焰的識(shí)別準(zhǔn)確率達(dá)到93.15%，處理速度為7.54 幀/s。當(dāng)出現(xiàn)火樣干擾時(shí)，具有良好的魯棒性。建議進(jìn)一步完善森林火災(zāi)圖像數(shù)據(jù)庫(kù)，擴(kuò)大訓(xùn)練集，包括更多不同形狀、大小、顏色和燃燒程度的森林火災(zāi)圖像；進(jìn)一步縮短算法的訓(xùn)練和測(cè)試時(shí)間，為圖像識(shí)別在森林防火中的應(yīng)用提供新的理念。