基于圖像處理技術的火災識別方法的應用與研究

袁斌

摘 要： 針對火災圖像特征提取方法使用的特征單一造成火災誤報率高的問題，在最小二乘支持向量機超參數選取在快速留一法的基礎上，結合共軛梯度算法，提出改進的最小二乘支持向量機的火災圖像處理方法，構建了FR?LSSVM模型。通過對比采用BP神經網絡、最小二乘法支持向量機、FR?LSSVM和標準支持向量機的實驗結果可以得出，改進算法具有更好的穩定性、更快的運算速度和更高的識別率，有利于提高火災識別的有效性，進而保護人們的生命財產安全。

關鍵詞： 圖像處理； 火災識別； 快速留一法； 共軛梯度； BP 神經網絡； 最小二乘支持向量機

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2018）13?0043?04

Abstract： Since the traditional fire image feature extraction method has high false alarm rate due to its single feature， an improved fire image processing method based on least square support vector machine （LSSVM） is proposed in combination with the conjugate gradient algorithm and parameter selection of least square support vector machine based on the fast leave?one?out method， and the FR?LSSVM （Fletcher Reeves?least squares support vector machine） model is constructed. The experimental results of BP neural network， LSSVM， FR?LSSVM and standard support vector machine are compared to obtain that the improved algorithm has higher stability， faster operating speed and higher recognition rate， can improve the effectiveness of fire identification， and further protect people′s life and property safety.

Keywords： image processing； fire disaster recognition； fast leave?one?out method； conjugate gradient； BP neural network； least square support vector machine

0 引 言

模式識別是通過計算機技術對圖像、客觀物體、各種物理對象與過程進行描述、分類的科學，在最小錯誤概率的情況下，使識別后的結果最大程度地符合實際情況，提高識別的準確度，達到利用機器對物理對象自動分類、識別的目的[1?2]。在進行模式識別時，需要根據研究對象和應用場合選擇需要采用的理論與方法[3]。

本文研究基于圖像處理技術的火災識別方法的目的是從火災圖像中判別是否存在火源，它屬于兩類識別問題[4?5]。這種對不同火災圖像進行分類識別的情況被稱為基于特征的模式識別，把區分類別定義為“分類”，把對不確定樣本的分類過程定義為“識別”，把在識別過程中度量某類目標影像都具有的且有代表性和實際意義的核心特征集合稱為“模式”。本文在最小二乘支持向量機超參數選取在快速留一法的基礎上，結合共軛梯度算法，提出改進的最小二乘支持向量機的火災圖像處理方法，并構建FR?LSSVM模型。

1 基于人工神經網絡的火災圖像識別

1.1 人工神經網絡

人工神經網絡是一種模仿人腦神經運行的信息處理系統，人工神經算法能夠處理大規模的數據，具有非線性和自適應的特點，是一種仿人腦運轉的理論模型。人工神經網絡是由許多通過某種恰當方式連起來的許多處理單元構成的 [6?7]，其最基本的處理單元稱為神經元，包括3個基本重要的組成元素：連接、求和單元、激活函數。其中連接是指將生物神經元的突觸進行連接；激活函數負責完成系統的線性映射和非線性映射，與此同時，將神經元的輸出限定在某一特定范圍里；求和單元的作用主要是求取各輸入信號的加權和。人工神經元網絡的基本模型如圖1所示。

在解決最優化問題時，最普遍的方法是共軛梯度法，這是由于該方法操作簡單、數據存儲量少、收斂速度快，能夠很好地解決大規模的復雜問題，共軛梯度法需要計算搜索方向和步長因子。本文在最小二乘支持向量機超參數選取在快速留一法的基礎上，結合共軛梯度算法優化全樣本的留一預測誤差平方和，進而確定超參數并構造FR?LSSVM模型。

在應用網格搜索法時，在[C∈[0，1]]和[D∈[0，2]]區間內，留一最小誤差平方和與[C，D]有著錯綜復雜的關系，只有將步長設置的非常小時，才能夠得到高精度的最優超參數值，這無形中降低了效率。

3 仿真實驗結果與分析

本文通過對比FR?LSSVM、LS?SVM、標準SVM和BP神經網絡對火焰圖像處理結果的分析說明FR?LSSVM的優越性能。

在圖像特征數據庫中選取81個含有早期火點及干擾的樣本對模型性能進行檢測，其中，每個樣本都是7維的。每次在這81組數據中先取出一組數據用來預測分類，然后優化選擇剩余的80組數據的超參數。在每次構建FR?LSSVM模型時，初始點均選[C0=1]，[D0=1]，通過共軛梯度法搜索可得[C]和[D]的均值分別為0.14和0.24，[C]和[D]的均方差分別為0.031和0.028，因此，優選后的超參數更加穩定。選取60個樣本用來訓練，20個樣本用來測試，4種方法的結果對比如表2所示。

由表2可得，BP神經網絡和LS?SVM方法的識別率都相對較低，而FR?LSSVM和標準SVM的識別率比這兩種方法的識別率要高。FR?LSSVM和LS?SVM所需的訓練時間較短，而標準SVM和BP神經網絡所需的訓練時間則相對較長，而且BP神經網絡不僅是訓練時間長，識別率也很低，若想改變這一現象，需要修正BP神經網絡的權值。雖然標準SVM的識別率比LS?SVM高，但是需要大量的訓練和識別時間。FR?LSSVM超參數的算法具有算法穩定、所需時間短、不確定性低的優點，非常適合構建非線性的小樣本模型，能夠提高識別的速度和精度。若圖像不清晰，提取目標不完整或提取目標里有噪聲都可能導致識別率降低。

為了進一步測試本文提出算法的環境適應性和檢測可靠性，在模擬巷道里進行實驗，結果如表3～表6所示。各測試視頻的圖像像素選320×240，采集幀率選25 f/s。

從表3～表6可以看出，測試結果與表2相同，檢測率最高的是FR?LSSVM，第二高的是標準SVM，而BP和LS?SVM的檢測率低于FR?LSSVM和標準SVM。FR?LSSVM所需的檢測時間最短，其中，檢測率會受到探測距離、火源大小以及視頻幀數的影響。

4 結 語

本文針對火災識別方法問題進行研究，在分析研究圖像特征的基礎上，結合火災圖像的小樣本和非線性問題并融合借鑒了支持向量機在高維方面的特點，提出改進的最小二乘支持向量機的火災圖像處理方法。通過共軛梯度法對超參數進行尋優操作，構建FR?LSSVM模型。通過對BP神經網絡、LS?SVM和標準SVM、FR?LSSVM仿真實驗結果的對比分析，可以看出相比于傳統算法，改進后的FR?LSSVM方法能夠更加有效地識別出火焰圖像和干擾圖像，并且顯著提高了學習效率、速度和精度。

參考文獻

[1] 王瑜，苑津莎，尚海昆，等.組合核支持向量機在放電模式識別中的優化策略[J].電工技術學報，2015，30（2）：229?236.

WANG Yu， YUAN Jinsha， SHANG Haikun， et al. Optimization strategy research on combined?kernel support vector machine for partial discharge pattern recognition [J]. Transactions of China electrotechnical society， 2015， 30（2）： 229?236.

[2] 孫茜，封皓，曾周末.基于圖像處理的光纖預警系統模式識別[J].光學精密工程，2015，23（2）：334?341.

SUN Qian， FENG Hao， ZENG Zhoumo. Recognition of optical fiber pre?warning system based on image processing [J]. Optics and precision engineering， 2015， 23（2）： 334?341.

[3] 潘海洋，楊宇，鄭近德，等.基于徑向基函數的變量預測模型模式識別方法[J].航空動力學報，2017，32（2）：500?506.

PAN Haiyang， YANG Yu， ZHENG Jinde， et al. Variable predictive model based RBF class discriminate method [J]. Journal of aerospace power， 2017， 32（2）： 500?506.

[4] 朱思思，丁德紅，陳朝迎，等.基于圖像處理的森林火災識別方法研究[J].紅外技術，2016，38（5）：440?446.

ZHU Sisi， DING Dehong， CHEN Chaoying， et al. The research of forest fire recognition method based on image processing [J]. Infrared technology， 2016， 38（5）： 440?446.

[5] 王媛彬.基于圖像特征的煤礦火災檢測與識別研究[D].西安：西安科技大學，2013.

WANG Yuanbin. Research on fire detection and recognition in coal mine based on image features [D]. Xian： Xian University of Science and Technology， 2013.