大空間建筑火源的精確定位方法

毛　穎　王慧琴，2　盧　英,2　秦立科

1(西安建筑科技大學信息與控制工程學院　陜西 西安 710055)

2(西安建筑科技大學管理學院　陜西 西安 710055)

?

大空間建筑火源的精確定位方法

毛穎1王慧琴1，2盧英1,2秦立科1

1(西安建筑科技大學信息與控制工程學院陜西 西安 710055)

2(西安建筑科技大學管理學院陜西 西安 710055)

摘要針對大空間建筑火源定位精度低和實時性差的問題，提出一種基于火焰圖像熵值加速魯棒性特征SURF(Speeded Up Robust Features)的改進遺傳算法求解框架應用在大空間建筑火源定位中。在良好的火源探測下，首先用SURF算法提取火焰特征點，引入特征點熵值來減少誤匹配，得到較好的匹配點對，進一步求解攝像機參數。通過改進選擇、交叉、變異算子設計大空間建筑火源定位中攝像機標定的遺傳算法，最終獲得火源三維信息。實驗結果表明，提出的新算法應用在大空間建筑火源定位中能更好恢復火源的三維深度信息。

關鍵詞攝像機標定加速魯棒性特征火焰熵值改進遺傳算法火源定位

PRECISE LOCALISATION METHOD FOR FIRE SOURCES IN LARGE-SPACE BUILDINGS

Mao Ying1Wang Huiqin1,2Lu Ying1,2Qin Like1

1(School of Information and Control Engineering, Xi’an University of Architecture and Technology, Xi’an 710055,Shannxi,China)2(School of Management ,Xi’an University of Architecture and Technology, Xi’an 710055,Shannxi,China)

AbstractIn order to solve the problems of low accuracy in fire source localisation and poor real-time property in large-space buildings, we proposed a solution framework of improved genetic algorithm, which is based on flame image entropy accelerating the robust feature (SURF), to apply in the fire source localisation of large-space buildings. Under the condition of good fire source detection, it first extracts flame feature points with SURF algorithm, then introduces the entropy of the feature points to reduce mismatching, and gets better matching-point pairs to further solve the parameters of video camera. We designed a genetic algorithm for camera calibration in fire source localisation of large-space buildings by improving the selection, crossover and mutation operators, and finally obtained the three-dimensional information of fire source. Experimental result illustrated that applying the proposed new algorithm in fire source localisation of large-space buildings can better restore 3D depth information of fire source.

KeywordsCamera calibrationAccelerating robust featuresFire entropyImproved genetic algorithmLocalisation of fire source

0引言

在城市化發展進程中，大空間建筑的出現給我們的生活帶來便利，但是大空間建筑中嚴峻的火災形勢也給人們帶來了嚴重的危害。火源定位是火災探測和火災撲救的重要中間環節，火源定位的精度和實時性直接影響到火災及時有效的撲救。因此在火災發生初期及時有效地確定火源位置并滅火具有很強的實用性和研究價值。

火源定位可分為四個步驟，如圖1所示。

圖1火源定位流程圖

攝像機標定是其關鍵環節。標定結果的精度和算法的魯棒性直接影響到后面獲得火源三維空間位置的準確性。通過對標定技術進行研究、仿真、分析確定自標定方法[1]適用于大空間建筑火源定位攝像機標定情況。

文獻[2]中用SIFT算法對火焰圖像進行特征點提取和匹配，雖然SIFT算法對火焰圖像的尺度變換和抗噪聲性較好，但SIFT算法的時間復雜度較高會影響到后面定位滅火的實時性，并且局部匹配可能會丟失火焰圖像中的一些重要信息。文獻[3]中使用基于雙目視覺的攝像機標定方法，該方法可對畸變因子進行校正，但在大空間火源定位中運動參數未知，高溫危險環境下無法使用標定快，不具有適用性。文獻[4]中用遺傳算法對攝像機標定結果進行優化。該方法可以提高攝像機自標定結果的精度，并排除噪聲點造成的極點不穩定情況。但未對局部最優解作相關。未能對選擇、交叉、變異算子做合理設計。使得標定結果的魯棒性欠佳。文獻[5]綜述了遺傳算法的改進方法及適用性。

本文在文獻[2-5]的基礎上，用多幅不同燃料的火焰圖像作為研究對象，從提高火源定位精度的角度出發，提出一種基于SURF的改進遺傳算法求解框架。根據火焰圖像亮度信息用SURF算法進行特征點提取和匹配，得到較好的匹配點對，攝像機標定用自標定方法，用遺傳算法對標定結果進行優化解決其精度不高問題，設計適用于大空間火源攝像機參數優化問題的選擇、交叉、變異算子。實驗結果表明，該算法能有效提高大空間建筑火源定位的精度，滿足大空間建筑火源定位要求，能更好地應用在大空間建筑火源定位中。

1圖像配準與攝像機自標定

1.1圖像配準

特征點提取和匹配是后面攝像機標定以及三維信息恢復的保證。針對火源攝像機標定實時性差的問題，SURF[6,7]算法在準確性、重復性和魯棒性上均優于其他同類算法，在計算速度上有明顯優勢，因此采用文獻[8]中所提的SURF算法進行火源特征點提取和匹配。

1.2攝像機自標定

基礎矩陣表示相同場景不同視角圖像間的一種攝影幾何關系。表示為:

m′Fm=0

(1)

式中m和m′分別為兩幅圖像上的匹配點對，F為基礎矩陣。

kruppa方程為：

(2)

通過多對匹配點求出F解出式(2)中的C(K中的元素)即為所要求的值。

在完成特征點提取匹配以及得到標定結果后利用三角形定位原理[9]來計算火焰三維深度信息。

2大空間建筑火源定位

2.1火源圖像特征識別與匹配

在大空間建筑火災發生時，視頻幀中的火焰邊界不斷變化，因此主要利用火源的高亮度特征來進行特征識別，保證及時有效性，對于火源圖像的灰度值求取二階導，得到亮度變化率的變化率，利用改進的SURF算法進行特征點提取。實驗研究發現，在火源特征點提取中，由于許多特征點所含信息量較少，導致匹配計算量增加，為了解決這個問題，本文在火源圖像配準中引入火源特征點的熵值，通過計算火源特征點熵值來檢測其信息量，去掉信息量過低的特征點，提高算法效率，同時設定特征點距離閾值，刪除排列密集的特征點，提高算法的準確度。

改進算法具體步驟如下：

Step1設兩幅圖像上離散像素點分別為I1(x1,y1)、I2(x2,y2)，構造Hessian矩陣行列式近似值圖像，找出圖像上亮度變化像素點；

Step2用不同尺度的高斯模板構造尺度空間，處理hessian矩陣找其最大值或最小值做初步特征點。選取特征點主方向，構造surf描述算子；

Step3設提取的特征點集合為M，計算M集合中所有元素的熵值H,計算所有熵值的均值作為閾值Hm,設距離閾值為L，選取所有大于Hm和L的特征點；

Step4匹配得到匹配點對m和m′。

2.2大空間火源定位中攝像機標定及深度信息計算

為了獲取大空間火源位置，利用匹配點對m和m′，以及式(1)和式(2)求出標定結果，進而求出三維深度信息。針對標定結果精度不高問題，遺傳算法[10,11]提供了一種效率高且魯棒性強的方法。因此設計一種適用于大空間建筑火源攝像機標定的遺傳算法。

改進算法具體步驟如下：

Step1生成初始種群N。編碼方式選擇實數編碼。

參數設置：NP=100,pc=0.7,pm=0.01,length=5,NG=100。X=(x1,x2,…,xm)，xi∈R,i=1,2,…,m(m為個體數目),xi為攝像機內參數的五個值fn、fv、u0、v0、s。

Step2適應度函數。令式(2)中三個等式依次為f1,f2,f3轉化為優化代價函數并作為適應度函數：

f(fn、fv、u0、v0、s)=(f1-f2)2+(f1-f3)2+(f2-f3)2

(3)

通過使優化代價函數最小(或接近于0)來求得各參數其中m個個體的適應度值為fm。

Step3改進選擇算子。選用精英保留策略和輪盤賭選擇相結合。先精英保留，適應度值fm按從大到小排序，選擇種群中fmax直接復制到下一代，再輪盤賭選擇，下一代的(N-1)個個體根據上一代N個個體的適應度以概率選擇方法進行選擇。

Step5改進變異算子設計。 選擇自適應變異算子?？s小適應度較大的個體的變異范圍。避免收斂至局部最優,增大適應度較小的個體的變異范圍和變異概率,保證群體中個體的多樣性。

Step6設當前運行代數為R，最大運行代數為Rmax。當R滿足Rmax時遺傳算法結束，輸出最優標定結果。

Step7獲得匹配和標定結果，利用大空間三角形定位原理計算出三維深度信息。

3思想流程和核心代碼實現

具體思想及流程如圖2所示。

圖2　算法思想及流程示意

(1) 監控系統發現火災后，攝像機拍攝火災視頻，截取視頻中兩幅火焰圖像；(2)用SURF算法提取火焰特征點引入火焰熵值減少劣特征點并匹配；(3)完成攝像機標定；(4)用改進遺傳算法優化得到最優的標定結果；(5)利用三維重構理論中的三角形定位原理完成火源定位計算出火源的三維深度信息。

? 火焰匹配中核心代碼實現

用Hessian矩陣檢測特征點部分加入熵值計算，提高匹配率，減少匹配時間。

FastHessian::FastHessian(std::vector &ipts, const int octaves, const int intervals, const int init_sample, const float thresh)

%參數：存特征點，(階梯，層，采樣間隔)金字塔參數，閾值。

double Entropy(std::vector &ipts)

%計算火焰特征點熵值，刪除熵值小的特征點

void Surf::getDescriptors(bool upright) %特征點描述

void Surf::getOrientation() %調兩個子函數確定主方向

void getMatches(IpVec &ipts1, IpVec &ipts2, IpPairVec &matches)

%參數：圖1特征點描述子，圖2特征點描述值，匹配結果。

? 標定中核心代碼實現

用自標定方法得到標定結果，改進遺傳算法中選擇、變異、交叉算子，得到精度高的標定結果。

ComputeF(vector &inlierMap, CvMat *F)

% 計算F

Pfclose(fundmental); PfromF(F,P)

% 由F計算投影矩陣

NewAutocalib(K,P); cvMatMul(K,P)

%標定完成

(NP=100,pc=0.7,pm=0.01,length=5,NG=100)

%參數設置

Pop(i)*K=rand(1)*K;

%隨機賦初值

K={ fu ,fv ,u0, v0,s}={ 679.29 ,681.35,258.80,383.19, -0.55};

f(fu,fv,u0,v0,s)=(f1-f2)^2+(f1-f3)^2+(f2-f3)^2;

%適應度函數構造選擇算子改進：錦標賽選擇法與精英保留相結合

pt_ts=rand(1)*(popsize*2-1)+1;

%錦標賽選擇法

if pop(i).fit>bestfit

%精英保留策略

交叉算子改進：啟發式交叉算子

fitavg(k)=mean(cross_temp1′);fitmax(k)=max(cross_temp1′);

couple=randperm(popsize);

變異算子改進：自適應變異算子

fitavg(k)=mean(muta_temp1′);fitmax(k)=max(muta_temp1′);

4實驗結果及分析

為了驗證算法的有效性，在Windows XP(內存為4 GB，CPU為3.10 GHz，顯存為256 MB)的平臺下使用VisualC++6.0及Opencv及Matlab等開發工具進行實驗。用三組火源圖片做實驗，用20組匹配點對運行本算法100次，圖像大小均為640×480像素。

在應用實例中，選取三幅測試圖片進行實驗，圖片是在長30 m，寬30 m，高7 m的空間中拍攝選取。

匹配結果如圖3-圖5所示。

圖3　第一組測試圖片及匹配結果

圖4　第二組測試圖片及匹配結果

圖5　第三組測試圖片及匹配結果

圖3-圖5的X軸和Y軸分別表示計算特征描述符時將X軸和Y軸特征點鄰域進行投影的方向數，從圖3-圖5可以看出基于火源熵值的SURF算法對拍攝的火焰圖片匹配結果較好。

表1　改進SURF算法匹配率匹配時間比較

在本測試中(如表1所示)，可以看出改進SURF算法匹配率均達到80%以上，提高了匹配精度同時減小了匹配時間。為后面標定做好了充分準備，延時問題得以解決。

表2　改進遺傳算法攝像機標定結果比較

表3　不同方法下的誤差值

fn、fv、u0、v0、s的邊界范圍為[0,1000]、[0,1000]、[0,500]、[0,500]、[-1,1]從表2和表3可以看出，通過對比可以看出本文算法標定結果精度高于其他標定方法，且誤差最小，更接近攝像機參數。實驗結果表明大空間建筑火源中攝像機標定的改進遺傳算法有效提高了攝像機標定的精度。

為了驗證算法在大空間建筑火源三維深度信息獲取應用中的有效性，與文獻[12]在基本條件相同、算法不同條件下實驗對比。基線長度為100 mm焦距為388 mm圖像像素大小為640×480。

表4　大空間建筑火源圖像三維深度信息結果對比

從表4可以看出，本文提出的新標定方法應用在大空間建筑火源定位中提高了大空間火源三維信息恢復的準確度，提高了建筑火源定位中的精度。

5結語

本文提出一種基于SURF的改進遺傳算法框架應用在大空間建筑火源定位中，設計了基于火焰特征點熵值的SURF算法獲得好的匹配點對，并完成標定。利用改進遺傳算法對攝像機標定結果進行優化，得到最優參數，計算出火源三維深度信息，解決了定位中實時性差和精度不高的問題。仿真結果證明，本文提出的方法對大空間建筑火源三維信息恢復有很好的效果，有一定的實際應用價值。

參考文獻

[1] Robbins S,Murawski B,Schroeder B.Photogrammetric calibration and colorization of the SwissRanger SR-3100 3-D range imaging sensor[J].Optical Engineering,2009,48(5):053603-053603-8.

[2] 趙丹陽,王慧琴,胡燕. 火災視頻圖像定位中特征點提取和匹配[J].計算機工程與應用,2013,49(11):161-165.

[3] 蘇立穎,李小鵬,么立雙.雙目攝像機快速標定新算法[J].中南大學學報,2013,44(2):364-367.

[4] 任貝,韓飛,吳堅.基于遺傳算法的攝像機標定[J].吉林大學學報:信息科學版,2013,31(4):432-436.

[5] Lu K D,Zeng G Q,Chen J,et al.Comparison of binary coded genetic algorithms with different selection strategies for continuous optimization problems [C]//Chinese Automation Congress (CAC), 2013. IEEE, 2013:364-368.

[6] Panchal P M,Panchal S R,Shah S K.A Comparison of SIFT and SURF[J].International Journal of Innovative Research in Computer and Communication Engineering,2013,1(2):323-327.

[7] Saleem S,Bais A,Sablatnig R. A performance evaluation of SIFT and SURF for multispectral image matching [M]//Image Analysis and Recognition.Springer Berlin Heidelberg,2012:166-173.

[8] 張銳娟,張建奇,楊翠. 基于SURF的圖像配準方案研究[J].紅外與激光工程,2009,38(1)：160-165.

[9] 朱劍,趙海,徐久強,等.三角形定位算法的誤差分析[J].東北大學學報:自然科學版,2009,30(5):648-651.

[10] 玄光男,程潤偉.遺傳算法與工程優化[M].北京:清華大學出版社,2003:76-106.

[11] 雷秀娟. 群智能優化算法及其應用[M].北京:科學出版 社,2012:46-52.

[12] 孟浩, 程康.基于SIFT 特征點的雙目視覺定位[J].哈爾濱工程大學學報,2009,30(6):649-652.

中圖分類號TP391.4

文獻標識碼A

DOI:10.3969/j.issn.1000-386x.2016.02.041

收稿日期：2014-08-07。教育部高等學校博士學科點專項科研基金項目(20126120110008)；陜西省教育廳產業化項目(2011JG12)；陜西省自然科學基礎研究計劃項目(2012JQ8021)；教育廳專項科研項目(2013JK1144)；西安建筑科技大學校青年基金項目(QN1429)。毛穎，碩士生，主研領域：數字圖像處理，火源定位。王慧琴，教授。盧英，博士生。秦立科，碩士生。