基于LSA和SVM的火災煙霧檢測算法

劉 穎，顧小東，李大湘

(西安郵電大學 通信與信息工程學院， 陜西 西安 710121)

基于LSA和SVM的火災煙霧檢測算法

劉 穎，顧小東，李大湘

(西安郵電大學 通信與信息工程學院， 陜西 西安 710121)

為了解決視頻煙霧檢測中特征提取難度較大、復雜度較高的問題，提出一種基于潛在語義(Latent Semantic Analysis, LSA)特征和支持向量機(Support Vector Machine, SVM)的煙霧檢測算法。該算法首先將煙霧圖像庫中的每幅圖像進行有重疊分塊，提取每個分塊的小波紋理與HSV顏色特征；再對所有分塊特征進行聚類、量化成“視覺字”，并且根據每個“視覺字”在每幅煙霧圖像中出現的頻率，建立“詞-文檔”矩陣；然后采用LSA方法獲得每幅煙霧圖像的潛在語義特征；最后結合SVM，實現視頻煙霧檢測。對比實驗表明，該算法特征提取簡便，可以更快檢測煙霧的發生，提高了煙霧檢測效率。

煙霧檢測；潛在語義特征；支持向量機；特征提取；火災識別

及時準確的煙霧檢測，對于預防火災的發生具有重要的意義。傳統的煙霧檢測技術，如感溫、感煙、感光等技術易受到空間高度、氣流、粉塵等因素的影響，不適合在大空間以及戶外的環境。可視火災檢測技術由于其反應速度快，檢測范圍廣，監測距離遠等優點越來越受到人們的重視。它是將計算機視覺與圖像處理相結合，利用煙霧的顏色、頻譜、運動、輪廓等特征來檢測是否存在煙霧。

目前現有的算法大多集中于運動區域的提取和幀間的特征提取方面。文獻[1]利用小波變換分析圖像幀在時域和空域的頻率特性來檢測是否存在煙霧，該算法很透徹地分析了煙霧的小波特性；文獻[2]在運動區域提取時引入了煙霧的顏色模型和亮度模型確定煙霧的疑似區域，而后應用小波分析和稀疏光流法進行煙霧識別；文獻[3]提出一種基于自適應神經模糊推理系統的視頻煙霧檢測算法；文獻[4]提出基于空間區域生長和模糊推理的視頻煙霧檢測方法，采用三幀法與三通道區域生長分割算法提取煙霧疑似區域；文獻[5]利用RGB和HSV空間的色彩和亮度特征，結合運動主方向檢測煙霧；文獻[6]通過背景相減提取運動物體，分析其顏色和紋理特點來判斷煙霧是否存在；文獻[7]應用煙霧區生長速度、區域不規則性、背景模糊性來檢測煙霧；鄭璐等[8]通過運動目標檢測，再引入RGB模型降低誤警率；文獻[9]提出了一種基于塊的視頻煙霧檢測算法；文獻[10]提出一種基于碼本模型和多特征的早期煙霧檢測算法，該算法碼本模型進行前景提取，結合顏色模型、形狀模型檢測疑似煙霧區域，利用煙霧動態特征識別煙霧；文獻[11]提出一種基于最小二乘支持向量機的視頻火災煙霧識別算法。上述算法大多應用多幀差分獲取運動區域以及利用煙霧的動態特征，算法相對復雜，代碼代價較高。

本文提出了一種基于潛在語義(Latent Semantic Analysis, LSA)特征[12]和支持向量機(Support Vector Machine, SVM)[13-14]相結合的煙霧檢測實現方法，即先針對視頻中單幀圖像提取其LSA特征，再應用SVM分類器進行煙霧識別。

1 煙霧圖像潛在語義特征提取

通過對圖像分塊、特征提取來建立視覺詞匯表，進而得到“詞-文檔”矩陣，之后再對該矩陣進行奇異值分解得到煙霧圖庫中每幅圖像的潛在語義特征。

1.1 圖像有重疊分塊和特征提取

選取不同場景的煙霧圖像和非煙霧圖像，建立實驗圖像數據庫。庫中任意圖像設為：Bi(i=1,2,…,N)，其中N為庫中圖像總數。對每幅圖像進行方形有重疊分塊，假設第i個圖像Bi被分割成mi小分塊，其中第j塊記作xij(j=1,2,…,mi)，則圖像Bi可記作：

Bi={xij:j=1,2,…,mi}。

提取每個分塊xij的小波紋理特征和HSV顏色特征。(1)小波紋理：采用Daubechies小波對圖像進行3級小波變換，每一級均得到一個低頻分量cA和三個高頻分量：水平cH、垂直cV和對角cD，然后分別計算每級分解三個高頻分量的均值與方差，得到18維小波紋理特征。(2)HSV顏色特征：將圖像變換到HSV空間，分別計算H、S、V三個分量的均值與方差，得到6維顏色特征。這樣每幅小分塊可用24維特征來描述。假設用hij表示分塊xij的紋理與顏色特征，則圖記為

Bi={hij:j=1,2,…,mi}。

1.2 建立視覺詞匯表

將煙霧圖像庫記為

D={(B1,y1),(B2,y2),…,(BN,yN)},

(1)

其中yi為圖像標號且yi∈{-1,+1}(i=1,2,…,N)，-1表示無煙圖像，+1表示有煙圖像。將所有分塊的特征hij排列在一起，記作

S={ht:t=1,2,…,T},

(2)

在特征空間中，采用K-Means方法將相近的特征聚集到一起，把S中的元素聚成K類，每個聚類中心都代表具有相近視覺特征的圖像分塊，稱之為“視覺字”(visual word，VW)，記作vi，將這K個視覺字組合到一起就構成“視覺詞匯表”，記作

R={v1,v2,…,vk}。

(3)

1.3 建立“詞-文檔”矩陣

統計不同“視覺字”在各圖像中出現的頻數，則庫中的每幅圖像都可以用分塊出現頻數表示成一個列向量，記作

Bj=[n1,j,n2,j,…,ni,j,…,nK,j]T,

(4)

其中ni,j表示第i個“視覺字”在Bj中出現的次數，在統計頻率時，進行TF-IDF加權，即

ωi,j=ni,j×log2(1+N/dfi),

(5)

其中ni,j表示“視覺字”vi在圖像Bi中出現的次數，dfi表示庫中包含“視覺字”vi的個數；N為庫中圖像總數。ωi,j表示了“視覺字”vi在庫中圖像Bi中的重要程度。

為了將ωi,j控制在相同的變化區間，提高分類性能，將其歸一化處理，即

(6)

庫中每個圖像則可以表示成

(7)

這樣將庫中所有圖像對應的列向量排在一起，可以得到圖像庫所對應的“詞-文檔”矩陣，記作

AK×N=[B1,B2,…,BN]=

(8)

1.4 LSA特征提取

潛在語義分析(LSA)，作為一種自然語言的處理方法，其核心觀點是：通過截斷的奇異值分解，把在高維向量空間模型表示的文檔矩陣映射到低維的潛在語義空間。根據奇異值分解定理，AK×N可以分解成3個矩陣相乘的形式，即

AK×N=UK×nSn×n(VN×n)T,

(9)

其中UK×N和VK×n為與AK×N奇異值相對應的左、右正交奇異值矩陣，既滿足

UTU=VTV=I,

(10)

S是將奇異值按由大到小的順序排列構成的對角矩陣。K為原特征空間的維數，N是圖像總數，并且

n=min{K,N}。

(11)

如果在Sn×n中取前T個最大的奇異值，以及UK×n和VN×n的前T列，即UK×T、ST×T和(VN×T)T，則

AK×N≈UK×TST×T(VN×T)T,

(12)

即是AK×N在T階最小二乘意義上的最佳近似。

式(12)通常被稱為截斷的奇異值分解，AK×N降維后變為

(13)

另設一幅測試圖像

B=[ω1,ω2,…,ωk]T,

(14)

由

A=USVTUTA?UTUSDT?

UTA?SVT

(15)

推導出其潛在語義特征

(16)

其中UK×T為T個列向量所張成的潛在語義空間，這T個列向量就是潛在語義空間的基。

2 LSA-SVM算法

支持向量機(SVM)的目標是在潛在語義特征空間尋求最佳分類超平面，將問題轉化為求解二次規劃問題，即求解

(17)

的最優解，得到最優Lagrange乘子a*。其中K為核函數，C為懲罰參數。

利用樣本庫中的一個支持向量Bi帶入判別函數

(18)

f(B)為其類別值(-1或1)，則可得到偏差值b*。

LSA-SVM算法包括兩個步驟：

(1)LSA-SVM訓練

輸入為聚類數目K值和截斷維數T，以及樣本集合

D={(B1,y1),(B2,y2),…,(BN,yN)} 。

輸出為煙霧圖像庫中所有圖像的LSA特征、潛在語義空間的基UK×T以及SVM分類器。

訓練步驟如下。

Step1 圖像分塊及特征提取

對D中任意圖像Bi，用1.1節所述方法對其進行分塊及特征提取。

Step2 構造“詞-文檔”矩陣AK×N

利用K-Means方法對D中所有圖像所有分塊的視覺特征聚成K類，構造“視覺詞匯表”，按照式(1)～式(8)得到歸一化的“詞-文檔”矩陣。

Step3 LSA特征提取

對庫中任意圖像Bi∈D，按照式(9)～式(16)，計算出其潛在語義特征，存入訓練集中。

Step4 訓練SVM分類器。

基于訓練圖像的潛在語義特征，求解式(17)的優化問題，得到SVM分類器(a*,b*)。

(2)煙霧識別

對任意被檢測的新圖像Bj，由式(16)計算得出潛在語義特征，送入SVM分類器(a*,b*)中，即由式(18)對其進行識別。

3 實驗及結果分析

實驗中選取的煙霧視頻[15-16]總共包含不同的場景的煙霧視頻15個和無煙視頻8個。算法實現基于Win7操作系統，仿真軟件Matlab2010b，計算機配置Inte l(R)Core(TM)2 Duo CPU 2.0GHz。

每隔20幀讀取一幅圖像，從中篩選出不同的煙霧圖像和非煙霧圖像，建立圖像庫，庫中總圖片1 735張，煙霧圖像826張，無煙圖像909張。對庫中每幅圖像進行有重疊分塊，大小取50×50，步長取30，這樣所有圖像總共被劃分成203 194個小分塊。

每次訓練中均利用“2-fold交叉檢驗”，尋找最優的SVM參數C(懲罰因子)與g(核函數控制因子)。SVM分類器參數尺度因子g=0.01，懲罰因子c=500。

從庫中隨機選取N(N可取400)張煙霧圖像和N(取500)張無煙圖像，作為訓練樣本，其余的圖片作為測試樣本，尋求最佳T(所截取的奇異值數目)，將T由50取到240，步長為10，觀察AUC值,如圖1所示。

圖1 不同T值下的AUC值

由實驗結果可以看出，當聚類中心K=300時，得到T=190，效果最佳。

在取得最佳T值的情況下，統計數據選取庫中8組不同場景的有煙測試視頻，共8 842幀，6組無煙干擾視頻，共2 067幀，分別進行檢測。圖2和圖3分別給出了不同干擾情況下典型的煙霧視頻和非煙霧視頻的截圖。

圖2 煙霧圖像

圖3 非煙霧圖像

從圖中可以看出，視頻中存在人物走動、車輛行進、白色背景、夜晚強光等因素的干擾。表2和表3分別為煙霧視頻和無煙視頻的檢測結果且各參數均取最佳值。結果表明，多種場景下本算法的平均成功率91.31%，在差別較大的背景下平均誤警率為0.76%，在有強光和白色物干擾情況下，平均誤警率7.65%，訓練過后的SVM能夠一定程度地辨別強光、白墻等非煙霧造成的干擾,但效果不是很明顯。

表2 有煙視頻檢測結果

表3 無煙視頻檢測結果

為了驗證LSA-SVM算法的可行性，基于相同的訓練與測試集，與文獻[5]、文獻[11]做對比實驗，得到平均查準率、誤警率(誤警率按干擾較大的場景計算)，試驗結果如表4所示。由表4中數據可以看出，文獻[5]中由于處理的煙霧特征較多，相對復雜，所以程序運行較慢；文獻[11]平均成功率較低，原因是應用LS-SVM對每一個數據點都加入一個改正量，使不等式約束變為等式約束，只需求解一個線性方程，從而導致準確率下降。

表4 不同算法檢測對比

實驗提供了解決煙霧檢測的新方法，在特定的場景下，應用潛在語義特征訓練SVM分類器可以快速檢測可能的煙霧發生。實驗中，每隔10幀至30幀(對于10～15幀/s的視頻)從視頻中提取一幅圖像，較之利用視頻幀間信息、連續地處理圖像，減少了一定的計算量。再加上算法復雜度低，運行較快，這樣就在很大程度上增加了煙霧檢測效率。如果檢測到有煙霧出現，可以繼續增加其他較復雜的算法再進行識別判斷。

5 結 論

基于LSA特征和SVM的煙霧檢測算法為一種新的解決煙霧檢測的方法。充分利用了幀內圖像信息檢測視頻煙霧，目的是提高檢測煙霧的效率，同時避免連續處理幀間特征的運算量。首先對圖像分塊并且提取分塊的小波紋理特征和顏色特征，再利用潛在語義分析方法得到整幅圖像的潛在語義特征。然后根據訓練集中圖像的潛在語義特征以及圖像標號訓練SVM分類器。對比試驗證明，該算法簡便可行，在特定的場景中，檢測成功率高，但是由于選取特征較少，魯棒性上有待提高。

[1] 帥師, 周平, 汪亞明，等. 基于小波的實時煙霧檢測[J]. 計算機應用研究, 2007, 24(3): 309-311.

[2] 姚太偉, 王慧琴, 胡燕. 基于小波變換和稀疏光流法的火災煙霧檢測[J]. 計算機工程, 2012, 38(6): 204-206.

[3] 王濤, 劉淵, 謝振平. 基于自適應神經模糊推理系統的視頻煙霧檢測[J]. 計算機工程, 2011, 37(23): 186-188.

[4] 高彥飛, 王慧琴, 胡燕. 基于空間區域生長和模糊推理的視頻煙霧檢測[J]. 計算機工程, 2012，38(4): 287-289.

[5] 胡燕, 王慧琴, 姚太偉，等. 基于塊分割和SVM的視頻火災煙霧識別[J]. 計算機仿真, 2012, 29(9): 170-173.

[6] Calderara S, Piccinini P, Cucchiara R. Smoke detection in video surveillance: a MoG model in the wavelet domain[C] // Proc. of the 6th international conference on Computer vision systems. Berlin Heidelberg: Springer, 2008: 119-128.

[7] Wu Dongmei, Wang Nanan, Yan Hongmei. Smoke detection based on multi-feature fusion[C] // Proc. of the 5th International Congress on Image and Signal Processing(CISP), Berlin Heidelberg: Springer, 2012: 220-223.

[8] Zheng Lu, Chen Junzhou. Smoke detection algorithm of video based on motion and color[J]. Computer Engineering and Design, 2010, 31(21): 4650-4652.

[9] 李文輝, 肖林廠, 王瑩，等. 一種基于塊的視頻煙霧檢測算法[J]. 吉林大學學報: 理學版, 2012,50(5), 979-986.

[10] 姜明新, 王洪玉, 蔡興洋. 基于碼本模型和多特征的早期煙霧檢測[J]. 中國圖象圖形學報, 2012, 17(9): 1102-1108.

[11] 賈潔, 王慧琴, 胡燕，等. 基于最小二乘支持向量機的火災煙霧識別算法[J]. 計算機工程, 2012, 38(2): 272-275.

[12] 李大湘, 趙小強, 劉穎，等. 基于SIFT和MIL的紅外人臉識別算法[J]. 西安郵電學院學報, 2012, 17 (4): 15-20.

[13] 楊淑瑩. 模式識別與智能計算[M]. 2版，北京: 電子工業出版社, 2011:126-133.

[14] 吳青, 趙雄. 一類新樣條光滑支持向量機[J]. 西安郵電大學學報, 2013, 18(6): 68-74.

[15] Signal, Image And Video Processing Group. Index of /VisiFire/Demo/SmokeClips[EB/OL], (2006-05-07) (2014-04-05). http://signal.ee.bilkent.edu.tr/VisiFire/Demo/SmokeClips/.

[16] Piccinini P. Videos for Smoke detection[EB/OL]. (2007-10-12) (2014-04-05).http://imagelab.ing.unimore.it/visor/video_videosInCategory.asp?idcategory=-1.

[責任編輯:祝劍]

A fire smoke detection algorithm based on SVM and LSA features

LIU Ying, GU Xiaodong, LI Daxiang

(School of Communication and Information Engineering, Xi’an University of Posts and Telecommunications, Xi’an 710121,China)

Feature extraction algorithms in video smoke detection are complex with high computational load which make it difficult to realize real-time smoke detection. To solve this problem, a smoke detection algorithm based on LSA feature and SVM is proposed in this paper. In this algorithm, firstly the images in the library are divided into overlapping blocks and both wavelet texture and HSV color feature of each block are extracted. Secondly, the feature of each block is clustered into different class and every block is quantified into a “visual word”. According to the frequency of each “visual word” appearing in each smoke image, a “word-document” matrix is established. Thirdly, latent semantic features of each image are obtained by using latent semantic analysis (LSA) method. Lastly video smoke detection is achieved by the LSA-SVM algorithm combining support vector machine (SVM). Comparative experiments show that this algorithm is simple and convenient in feature detection, can detect smoke more quickly, and therefore can improve the efficiency of smoke detection.Keywords:smoke detection, LSA, SVM, feature extraction, fire recognition

10.13682/j.issn.2095-6533.2014.06.002

2014-06-03

國家自然科學基金青年資助項目(61202183)；陜西省自然科學基金資助項目(2013JM8031);公安部科技強警基礎工作專項基金資助項目(2014GABJC022);陜西省國際科技合作計劃基金資助項目(2013KW04-05)

劉穎(1972-)，女，博士，高級工程師，從事圖像檢索及圖像/視頻特征分析研究。E-mail: ly_yolanda@sina.com 顧小東(1987-)，男，碩士研究生，研究方向為信號與信息處理。E-mail: 836081632@qq.com

TP391

A

2095-6533(2014)06-0006-05