概念粗糙
—支持向量機的啟發式火焰特征優化與分類算法研究

沈　雯　王慧琴　胡　燕　馬宗方

(西安建筑科技大學信息與控制工程學院　陜西 西安 710055)

?

概念粗糙
—支持向量機的啟發式火焰特征優化與分類算法研究

沈雯王慧琴胡燕馬宗方

(西安建筑科技大學信息與控制工程學院陜西 西安 710055)

摘要針對目前火焰圖像特征不能隨監控場景自適應選擇的問題，提出基于概念格粗糙集—支持向量機的啟發式火焰圖像特征選擇與探測新算法。通過對火焰特征數據離散化，建立概念格的形式背景，計算形式背景的區別矩陣，再利用屬性重要性指標對不同屬性的重要性進行計算，最后將得到的最簡特征分類集輸入支持向量機中進行測試。實驗證明，該方法的識別準確率明顯高于單獨應用粗糙集進行特征選擇和人工進行特征選擇時的識別準確率，達到了提高效率，減少誤報等的目的。

關鍵詞特征選擇圖像型火災探測概念格粗糙集支持向量機

0引言

圖像型火災探測的基本原理是通過攝像頭采集現場的視頻圖像，對采集到的視頻圖像進行分割提取，如果提取出區域的特征符合火焰或煙霧的特有特征，則發出火災報警信號。

近幾年來，隨著圖像型火災探測技術越來越成熟，支持向量機等技術已廣泛應用于火災探測中，把支持向量機理論應用于圖像型火災探測的成果層出不窮，例如楊娜娟[1]等提出的基于支持向量機的圖像型火災探測，馬宗方[2]等提出的快速支持向量機的圖像型火災探測算法，胡燕[3]等提出的基于獨立成分分析和粗糙集的圖像型火災探測，但這些研究只是人工選取火焰圖像的固定特征，并沒有讓圖像特征根據場景的不同自適應選擇。胡燕[4]等提出了基于粗糙集和支持向量機的火災探測算法，利用粗糙集的屬性約簡算法對特征進行選擇，但是沒有考慮單個特征的屬性重要程度。針對這類問題，本文提出了概念粗糙——支持向量機的啟發式的火災探測新算法。概念格[5]是一種有效的知識表示與知識發現的工具，是根據對象和屬性之間的二元關系建立起來的一種概念層次結構，是數據分析和規則提取的一種有效工具，它的一個重要方面是知識約簡。而粗糙集[4]是一種處理模糊不確定型的數學方法，核心問題是屬性約簡。本文結合二者的優勢用于火焰特征分類選擇，將特征的出現頻率作為屬性重要性度量指標，從中自適應選擇最佳特征組合，達到提高火災探測的準確率和效率的目的。

1基本理論

定義1設(U,A,F)是形式背景，其中U={u1,u2,…}是有限對象集，A={a1,a2,…}是有限屬性集，F∈U×A為U和A之間的二元關系，若(x,a)∈F，則稱x具有屬性a，記為xFa，若(x,a)?F，則稱x不具有屬性a。這種二元關系成為概念格[6]。

定義2設(U,R)為近似空間，U是對象集，R是U上的等價關系，由(U,R)產生的等價類[7]為:

U/R={[xi]R|xj∈R}

其中[xi]R={xj|(xi,xj)∈R}。

概念格的形式背景通常由二維表來表示，橫向表示屬性，縱向表示對象，第i行j列的數據為1表示存在該屬性，為0表示不存在該屬性。這種定義方式可使對象的知識以數據表格形式描述，數據表成為問題的形式背景[8]。

定義3設|U|=n，形式背景的差別矩陣D[6]是一個n階矩陣，其任意元素mi,j={a∈C:f(xi,a)≠f(xj,a)且w(xi,xj)=1}，其中：

顯然,D是一個對角線為空的對稱矩陣。

定義4設U是一個論域,P為定義在U上的一個等價關系簇,P中所有必要關系組成的集合,稱為簇集P的核[6],記作C0。

定義5設決策系統(U,A,F)的核屬性集為C0(可以為空),a∈C-C0定義在核屬性集中添加某個屬性后的互信息再除以該屬性的自信息量為關于屬性a的互信息分布率(屬性重要性)[6]:

2概念粗糙啟發式火災特征分類算法

火焰具有圓形度，尖角數，面積變化率等特征，首先對采集到的視頻火災進行探測，檢測不同燃燒材料的不同火焰特征，并對不同燃燒材料的特征數據進行統計，得到火災探測系統的形式背景。然后建立特征量歸類表，對不同火焰特征的數據進行分類、總結，確定特征量歸類表。通過特征量歸類表對火災探測系統的形式背景屬性值完全相同的燃燒材料歸類，簡化形式背景。計算簡化后數據的區別矩陣。找出差別矩陣中由單個屬性構成的元素項，這些單個元素構成了相對核C0。消去差別矩陣D中含有核C0的元素項，再計算剩余元素的SGF(a,C0,D)值，將SGF(a,C0,D)值最大者加入C0，再將差別矩陣中含有C0的元素項消去。重復以上步驟,直到差別矩陣為空時,就得到了一個相對最優屬性約簡集C0。

輸入一個形式背景(U,A,F)，其中U為所有火災數據對象集，A為有限屬性集，F為U和A之間的二元關系。

輸出一個相對約簡集C0。

1) 通過對火焰圖像特征的分析研究構造特征量歸類表，并通過特征量歸類表對獲取的樣本數據進行離散化，建立數據的形式背景。

2) 利用上述定義2的等價類算法刪除形式背景中屬性值相同的對象，簡化形式背景。

3) 利用定義3計算區別矩陣。

4) 找出區別矩陣中只含有單個屬性ak的元素項，令核C0=∪ak。

5) 將區別矩陣中含有核C0的組合項置空；如果D為空,則轉7)。

6) 除去核C0中的元素，利用定義5的公式，計算余下元素的SGF(ak,C0,D)值:

6.1) 選擇SGF(ak,C0,D)值最大的元素，并入核C0中,將區別矩陣中含有C0的元素項置空;

6.2) 如果D為空,則轉7),否則轉6.1)。

7) 輸出核C0。

3概念粗糙—支持向量機的啟發式火焰特征優化與分類算法流程

支持向量機SVM是對于小樣本、高維數、非線性的分類問題效果顯著。但是只單單將支持向量機應用于火焰的特征識別中，需要對特征逐個進行識別，冗余性高，識別時間比較長。現將概念粗糙約簡后的特征輸入支持向量機中，對分類器進行訓練，達到降維、簡化分類器、提高火災識別速度的目的。基于概念粗糙——支持向量機的啟發式火焰特征優化與分類算法框圖如圖1所示。

圖1　概念粗糙—支持向量機的啟發式火焰特征優化與分類算法流程

4實驗結果及分析

分別在公路邊，網球場旁，實驗室樓里和大型廠房內提取一段有火視頻和一段相應的干擾視頻，對視頻進行分幀處理，從每段有火視頻和干擾視頻中取出20幀圖像作為訓練樣本，對它們進行分割和特征提取，所得的實驗數據如表1所示。

表1　火焰特征的實驗數據表

從上面的實驗結果可以看出，有火視頻如汽油，柴油，酒精燈等尖角數相對較多，而打火機和日光燈則尖角數少，幾乎趨于0。平均圓形度，有火視頻的平均圓形度較小，而打火機，日光燈等平均圓形度較大，而這些顯著的特征都很容易發現是否有火。

特征量歸類表即對上面所測得的特征數據進行離散化的標準。用a1、a2、a3、a4、a5、a6、a7、a8、a9和1、0表示圓形度、尖角數、面積變化率等9種特征和決策結果，屬性A={a1,a2,a3,a4,a5,a6,a7,a8,a9}，屬性值Y= { 0，1}分別代表無火和有火。通過大量火災圖像實驗仿真，確定特征量歸類表如表2所示。

表2　特征量歸類表

(1) 計算區別矩陣

根據簡化后的形式背景計算區別矩陣：D=

(2) 利用屬性重要性度量指標對特征進行約簡

由上面的區別矩陣可知，屬性a8已經被約簡掉，矩陣的第5行第6列含有單個元素a3,構成相對核。于是消去差別矩陣中含有a3的元素項,消去后差別矩陣不為空，再計算剩余屬性a1,a2,a4,a5,a6,a7,a9的SGF值。得到a1的SGF值最大，將a1加入到相對核中。將差別矩陣中含有a1的元素項消去，這時消去后的差別矩陣仍不為空。重復以上步驟，直到差別矩陣為空時,就得到了一個相對最優屬性約簡集R={a1,a3，a6}={圓形度，面積變化率，偏心率}。

(3) 輸入支持向量機中進行測試

根據實驗經驗，火災分類模型選用徑向基核函σ=0.2和懲罰因子C=100。利用實驗室樓里和大型廠房內提取兩組視頻作為測試數據的來源，從兩組視頻中各提取120幀圖像作為測試數據，分別用本文算法與文獻[1]和文獻[2]進行對比試驗，試驗結果如表3所示。

表3　三種方法對比試驗結果

從表3的實驗數據可以看出，在視頻序列1中，本文算法在保證識別速度的前提下，識別準確率比文獻[1]高出2.8%，比文獻[4]高出了1.1%。同樣在視頻序列2中，本文算法的識別準確率也略高于文獻[1]和文獻[4]，這是因為概念格粗糙集啟發式算法不僅對屬性進行約簡，而且就單個屬性的重要性進行度量，選取了最能夠描述火焰圖像特征的屬性作為火災分類依據，從而達到了提高效率，減少誤報等的目的。

5結語

本文就提高火災探測準確率和效率等為目的研究了火災圖像探測的特征選擇的新方法，即在特征選擇過程中將屬性重要性的度量指標和粗糙集的中改進的區分矩陣運用于概念格中的屬性約簡，減少了特征之間的相關性，降低了特征空間的維數。通過仿真實驗驗證了算法的可行性和有效性。

參考文獻

[1] 楊娜娟,王慧琴,馬宗方.基于支持向量機的圖像型火災探 測[J].計算機應用,2010,30(4):1129-1140.

[2] 馬宗方,程詠梅,潘泉,等.基于快速支持向量機的圖像型火災探測算法[J].計算機應用研究,2010,27(10):3985-3987.

[3] 胡燕,王慧琴,馬宗方,等.基于獨立成分分析和支持向量機的圖像型火災探測[J].計算機應用,2012,32(3):889-892.

[4] 胡燕,王慧琴,秦薇薇,等.基于粗糙集的火災圖像特征選擇與識別[J].計算機應用,2013,33(3):704-707.

[5] 呂躍進,劉洪梅.改進的概念格屬性約簡算法[J].計算機工程與應用,2011,47(8):146-148.

[6] 王柯,朱啟兵.一種基于差別矩陣的啟發式屬性約簡算法[J].計算機工程與科學,2008,30(6):73-75.

[7] 戴上平,何田,謝祥明.概念格與粗糙集的數據分析方法研究[J].計算機工程與設計,2008,6(29):1423-1425.

[8] 王凱,李紹穩,張友華,等.概念格理論與方法研究[J].農業網絡信息,2010(3):14-27.

[9]GB15631-2008特種火災探測器[S].北京:中國標準出版社,2008.

[10]CelikT,DemirelH.Firedetectioninvideosequencesusingagenericcolormode[J].FireSafetyJournal,2009,44(2):147-158.

[11]WirthM,ZarembaR.Flameregiondetectionbasedonhistogrambackprojection[C]//Proceedingsof2010CanadianConferenceComputerandRobotVision.Washington,DC:IEEEComputerSociety,2010:1163-1167.

RESEARCH ON HEURISTIC FLAME FEATURES OPTIMISATION AND CLASSIFICATIONALGORITHMBASEDONCONCEPTANDROUGH-SUPPORTVECTORMACHINE

Shen WenWang HuiqinHu YanMa Zongfang

(School of Information and Control Engineering,Xi’an University of Architecture and Technology,Xi’an 710055,Shaanxi,China)

AbstractAiming at the problem that currently the flame image features cannot be adaptively selected along with the monitoring scenes, this paper put forward a new algorithm of heuristic flame image features selection and detection, which is based on concept lattice and rough set—support vector machine (SVM). Through the discretisation of fire flame feature data, we built the formal background of concept lattice, calculated its difference matrix, and then used attribute importance indexes to calculate the importance of different attributes, and finally we put the derived simplest feature classification set into SVM for test. Experiments proved that the recognition rate of this method was obviously higher than that of feature selection using sole rough set and manual work, and reached the goal of efficiency and false alarm reduction.

KeywordsFeature selectionImage fire detectionConcept latticeRough setSupport vector machine

收稿日期：2014-11-19。陜西省教育廳專項科研計劃項目(14JK 1438)；陜西省自然科學基礎研究計劃項目(2012JQ8021)；高等學校博士學科點專項科研基金項目(20126120110008)。沈雯，碩士生，主研領域：數字圖像處理。王慧琴，教授。胡燕，博士生。馬宗方，博士生。

中圖分類號TP3

文獻標識碼A

DOI:10.3969/j.issn.1000-386x.2016.06.051