基于SIFT特征與SVM分類的地震災情圖像 信息異常檢測方法

張瑩 郭紅梅 尹文剛 趙真 冉青

摘要：通過分析以往震后獲取的圖像信息發現，部分信息存在與地震發生時間不吻合、不屬于地震影響范圍或與地震災情無關等異常。通過將圖像分類算法運用到震后災情圖像信息的異常檢測中，提出了一種基于SIFT特征與SVM分類的地震災情圖像信息異常檢測模型，以2013年蘆山7.0級地震建筑物破壞災情圖像為例對模型進行驗證。結果表明：該模型對圖像信息異常的檢測效果較好，可進一步補充和完善地震應急救援的災情信息源，為政府抗震救災科學決策提供災情信息支撐。

關鍵詞：地震災情圖像信息;異常檢測;SIFT;SVM;蘆山地震

中圖分類號：P315.941 ??文獻標識碼：A ??文章編號：1000-0666（2019）02-0265-08

0 引言

地震災害作為一種突發性自然災害，震后獲取到的災情信息是開展地震應急救援工作的基礎（胡素平，帥向華，2012）。受災民眾是地震災害的目擊者和直接參與者，對受災情況比較清楚（劉文，2017），通過移動終端設備，利用微博、微信等社交網絡平臺不斷向外界提供大量以文字、圖像等為載體的災情信息，是最直接有效的信息源。在海量災情信息中，圖像相比文字等信息能更加快速、直觀地反映災區實際受災情況（曹彥波等，2017，2018）。但是，分析以往震后獲取到的圖像信息，發現部分圖像信息存在與地震發生時間不吻合、不屬于地震影響范圍或與地震災情無關等問題。

本文將圖像分類算法運用到震后圖像災情信息的異常檢測中，設定與地震發生時間不吻合、不屬于地震影響范圍或與地震災情無關的圖像信息為異常信息。首先對獲取地震事件有效圖像信息量過程進行建模，預篩出與地震發生時間吻合且屬于地震影響范圍內的圖像集，進一步判斷與地震災情相關的圖像集。然后構建基于尺度不變特征變換（Scale Invariant Feature Transform，簡稱SIFT）與以支持向量機（Support Vector Machne，簡稱SVM）分類的地震災情圖像信息異常檢測算法模型，并以2013年蘆山7.0級地震建筑物破壞災情圖像為例對模型進行驗證。

1 獲取地震事件有效圖像信息量過程建模 ?地震發生后，可從社交網絡平臺（Social Network Site，簡稱SNS）上獲取海量與地震相關的圖像信息資源，形成SNS圖像池，將SNS圖像池具體表示為：

式中：P為SNS圖像池的向量集;X為圖像信息，共包含n行，表示該圖像池共有n張圖像，每一行為一條圖像的基本信息;共包含m列，表示該圖像池共有m類圖像信息，如第一列為圖像拍攝的時間信息，第二列為圖像拍攝的位置信息等。即SNS圖像池的每張圖像pi=（xi1，xi2，xi3，…，xim）都包含拍攝時間、位置等相對一致的信息量。

針對不同的地震事件ω，需對每張圖像pi=（xi1，xi2，xi3，…，xim）進行篩選，提取所需的有效信息。首先將圖像的時間信息限定為地震發生以后，位置信息限定為地震影響范圍內（根據地震烈度快速評估結果確定），根據ω限定向量值，基于網絡輔助信息預篩選出和地震事件相關的新圖像集P′，包含a張圖像。若圖像集P′中存在與地震災情無關的噪聲信息，則需進一步通過圖像信息異常檢測篩選出與災情相關的圖像集P″，包含b張圖像，且a≥b，直到滿足設定的篩選條件為止。即由在得到包含b張有效圖像的圖像集P″后，將圖像集P″傳遞給地震應急指揮中心，應急指揮中心進一步從得到的b張圖像中提取有效的信息量I（i1，i2，…，in），獲取包含i1：被困人員情況;i2：人員傷亡情況;i3：建筑物破壞情況;i4：生命線工程破壞情況;i5：次生災害情況;i6：災區環境特征等災情信息，最大化地利用不同信息輔助地震應急指揮中心進行決策，具體過程如圖1所示。

第2期

張 瑩等：基于SIFT特征與SVM分類的地震災情圖像信息異常檢測方法

在整個有效圖像信息量獲取過程中，如何在預篩選出的圖像集中進一步判斷出與預設地震災情密切相關的圖像集是研究的重點和難點。基于此，本文提出了一種基于SIFT特征與SVM分類的地震災情圖像信息異常檢測模型。

2 地震災情圖像信息異常檢測算法模型 ?圖像信息異常檢測算法的關鍵點在于自動進行圖像標注，其難點在于計算機能從像素中提取的底層視覺特征和用戶在特定情境下對圖像內容的高層語義解讀之間存在語義鴻溝（傅衛平等，2011）。為消除語義鴻溝，需利用一組人工標注的訓練數據在視覺特征和語義標簽之間建立某種映射關系，再根據這種映射關系自動為待標注的圖像添加相關標簽。目前較為有效的解決方案是通過SIFT將描述得到的圖像特征加上以SVM為主的分類器。

本文將圖像分類算法運用到地震災情圖像信息的異常檢測中，提出基于SIFT特征與SVM分類的圖像信息的異常檢測算法模型，如圖2所示。

2.1 基于SIFT的地震事件圖像特征提取

SIFT是圖像處理領域的一種局部特征描述算法，該算法對圖像的尺度縮放、平移、旋轉變換，甚至亮度變化及仿射變換都具有相當的穩健性，適用于海量數據庫中的快速精準匹配（汪松，2013）。本文將SIFT算法應用于地震災情圖像的識別和特征提取中，重點識別提取被困人員情況、人員傷亡情況、建筑物破壞情況、生命線工程破壞情況、次生災害情況等災情信息特征。為實現算法的訓練，收集了大量已標注為地震災情信息的圖像，針對每張地震災情圖像，通過以下4個步驟采用SIFT進行特征提取：

（1）尺度空間極值檢測

式中：k為相鄰兩個尺度空間倍數的常數。

為檢測D（x，y，σ）的局部極值點，需將DOG尺度空間每個點與其相鄰尺度和相鄰位置的26個點逐個進行比較，如圖3所示。

若像素（x， y）是一個可能的SIFT關鍵點，則它必須在周圍26個近鄰像素點中是極值點，所有的局部極值點構成一個SIFT候選關鍵點的集合。

（2）關鍵點定位

通過尺度空間極值檢測得到地震災情圖像的所有候選關鍵點，但還需通過兩步檢測才能確定關鍵點：首先關鍵點必須與周圍的像素有明顯的差異，即需要剔除對比度低的關鍵點;其次DOG算子有較強的邊緣響應，需刪除不穩定的邊緣響應點。

（3）關鍵點大小和方向匹配

在完成關鍵點定位后，為使DOG算子具備旋轉不變性，采用梯度直方圖確定關鍵點的主方向，像素點（x， y）處梯度的模值和方向的計算公式（完文韜，楊成禹，2018）為：

對于地震災情圖像的各關鍵點，模值的峰值代表該關鍵點處領域梯度的主方向，將其作為該關鍵點的方向。依次為每個關鍵點指定方向參數，使得DOG算子具備旋轉不變性。

（4）輸出SIFT描述符

為確保旋轉不變性，將坐標軸旋轉為關鍵點的方向。以一個關鍵點為中心，取N×N的窗口，再將窗口切成M×M的子窗口（M ????2.2 基于Kmeans聚類算法的地震事件圖像標簽庫 ?由SIFT算法提取后的每張地震災情圖像都是大量SIFT關鍵點的集合，每一個關鍵點都是一個多維的特征向量，描述著圖像中物體的某一部分特征信息，如人、建筑物、生命線工程特征等。但每張圖像經過SIFT算法所產生的關鍵點個數不盡相同，不便于計算機對災情圖像的自動識別和判斷，因此本文采用Kmeans聚類算法對SIFT特征進行聚類，將關鍵點的特征向量做分類處理。

SIFT特征向量X到第i個聚類中心的歐氏距離（崔紅艷，曹建芳，2016）為：

式中：xj是向量X的第j維;kij是第i個聚類中心的第j維。

利用Kmeans算法進行多次迭代計算得到k個聚類中心，k值可通過多次試驗進行選取測試，最終結合聚類速度和分類精度綜合考慮后確定（任恒怡等，2017）。

若輸入的地震災情圖像有n個SIFT關鍵點，則需統計這n個關鍵點在k個聚類中心的分布情況，從而形成圖像對應的特征向量。特征向量第j維的計算公式為（楊松等，2016）：

式中：Sij取值為0或1，取1時表示第i個SIFT關鍵點屬于第j個聚類中心。

通過上述算法可將一張具有n個SIFT關鍵點的圖像轉化成一個k維特征向量，表示該圖像的分類特征，經過對大量已標注的地震災情圖像的訓練，得到地震災情異常圖像特征向量標簽庫，作為進行SVM分類的基礎。

2.3 基于SVM的圖像分類

SVM是解決小樣本、非線性識別的一種二分類器算法（李紅麗等，2018），主要通過各單一數據的特征向量判斷其標簽，以此來確定樣本的類別，獲得良好的分類效果。本文分“離線圖像訓練”和“在線圖像判別”兩部分進行地震災情圖像分類處理，如圖4所示。

首先，在本地采集歷史地震災情圖像和與災情無關的圖像，對采集的離線圖像做SIFT圖像特征提取和Kmeans特征聚類，整合出地震災情異常圖像標簽庫，對標簽庫進行學習訓練，形成異常圖像SVM分類器集合。然后在社交網絡平臺采集在線圖像，通過將圖像的時間信息限定為地震發生后，位置信息限定為地震影響范圍內，預篩選出和地震事件相關的圖像，進行SIFT圖像特征提取和Kmeans特征聚類，最后利用異常圖像SVM分類器對其進行判別，輸出與地震災情相關的有效圖像，剔除無關的異常圖像。

2.4 模型應用場景

基于SIFT特征與SVM分類的圖像信息異常檢測算法模型在地震事件中的應用場景如圖5所示。

地震發生后，從微博、微信等社交網絡平臺，獲取海量受災民眾通過手持移動通訊設備發送的相關圖像信息資源，基于SIFT特征與SVM分類的地震災情圖像信息異常檢測算法模型，篩選出包含被困人員情況、人員傷亡情況、建筑物破壞情況、生命線工程破壞情況、次生災害情況、災區環境特征等災情信息在內的圖像，將其傳遞給地震應急指揮中心，完善地震應急救援的災情信息源，為科學制定應急方案提供有效支撐。

3 蘆山7.0級地震建筑物破壞災情圖像異常檢測 ??以2013年蘆山7.0級地震建筑物破壞災情圖像為例，從地震災情數據庫中收集80張地震災情圖像，從本地收集110張與地震災情無關的圖像，進行離線圖像訓練，形成異常圖像SVM分類器集合。從微博、微信、新聞網站等網絡平臺收集到95張地震災情圖像和122張與地震災情無關的圖像。

根據圖像屬性信息，應用C#的PropertyItem類提取拍攝時間及位置，存放在PohtoStore圖像集中：

再以時間信息DATE在2013年4月20日8時2分之后，位置信息LATITUDE、LONGITUDE到震中的距離不超過117 km（根據蘆山地震烈度快速評估結果確定）為篩選條件，從PohtoStore圖像集預篩選出和蘆山地震事件相關的圖像共205張，其中的92張為地震災情圖像，113張為與地震災情無關的圖像。用通過預篩選的圖像對異常圖像SVM分類器集合訓練效果進行檢驗。

在MATLAB環境下完成訓練和分類過程，將190張離線圖像和205張通過預篩選的在線圖像分為訓練集V和測試集T。在訓練集V中，地震建筑物破壞災情圖像的集合為V1，與地震建筑物破壞災情無關圖像的集合為V2;在測試集T中，地震建筑物破壞災情圖像的集合為T1，與地震建筑物破壞災情無關圖像的集合為T2，分類結果如表1所示。

分析建筑物破壞圖像特征主要包括：

（1）幾何特征：建筑物雖然外形各不相同，但作為一種相對規則的人工地物，實際大多為矩形或由矩形組合構成的多直角形狀，相鄰邊緣相垂直，排列較規整。在地震中建筑物發生不同程度的破壞后，邊緣輪廓傾斜錯落，其結構和排列呈現出非規則性和紊亂性等特點。

（2）灰度特征：建筑物邊緣及不同建筑物連接處的灰度變化較大，而建筑物內部灰度值相對較均勻，灰度分布離散性明顯。建筑物破壞引起表面反射率發生變化，圖像灰度值增加，分布離散性減弱。

（3）拓撲關系特征：建筑物作為面狀地物，具有多邊形的拓撲特征，可用鏈狀獨立編碼表達拓撲關系。建筑物破壞后，多邊形出現斷邊，拓撲關系鏈狀編碼的獨立性受到影響，相互間的交互增多。

根據上?從表3可知，應用SIFT特征與SVM分類的地震災情圖像信息異常檢測算法模型對蘆山7.0級地震建筑物破壞災情圖像信息進行異常檢測的效果較好，該算法模型具有一定的可行性。可進一步用于對被困人員情況、人員傷亡情況、生命線工程破壞情況、次生災害情況等其他災情圖像信息的異常檢測中。

4 結論

本文針對震后微博、微信等社交網絡平臺中與地震相關的圖像信息資源與當次地震發生時間不吻合、不屬于地震影響范圍或與地震災情無關等異常，將圖像分類算法運用到異常檢測中。通過對獲取地震事件有效圖像信息量過程進行建模，構建了基于SIFT特征與SVM分類的地震災情圖像信息異常檢測算法模型，并以蘆山7.0級地震建筑物破壞災情圖像為例對模型進行驗證，結果表明該模型對圖像信息異常的檢測效果較好，可有效補充和完善用于地震應急救援的災情信息源，為政府抗震救災科學決策提供災情信息支撐。

隨著5G網絡和智能移動終端的快速發展和普及，未來網絡平臺的信息量將呈現井噴式增長。因此，需進一步結合數據挖掘技術及PSO粒子群優化等算法，提高地震災情圖像信息異常檢測的效率和準確度。在震后第一時間為地震應急指揮中心提供更加準確、可靠的災情圖像信息。

參考文獻：

曹彥波，吳艷梅，許瑞杰，等.2017.基于微博輿情數據的震后有感范圍提取[J].地震研究，40（2）：303-310.

曹彥波.2018.基于新浪微博的2018年云南通海5.0級地震輿情時空特征分析[J].地震研究，41（4）：525-533.

崔紅艷，曹建芳.2016.基于改進的分布式KMeans特征聚類的海量場景圖像檢索[J].計算機應用與軟件，33（6）：195-199.

傅衛平，秦川，劉佳等.2011.基于SIFT算法的圖像目標匹配與定位[J].儀器儀表學報，32（1）：163-169.

胡素平，帥向華.2017.網絡地震災情信息智能處理模型與地震烈度判定方法研究[J].震災防御技術，7（4）：420-430.

李紅麗，許春香，馬耀鋒.2018.基于多核學習SVM的圖像分類識別算法[J].現代電子技術，41（6）：50-52.

劉文.2017.地震災情信息采集與分類分析[J].科學與信息化，（29）：5-6.

任恒怡，賀松，陳文亮.2017.一種改進的Kmeans聚類算法在圖像分割中的應用[J].通信技術，50（12）：2704-2707.

湯海林.2013.基于SIFT的圖像特征提取算法研究[J].電腦開發與應用，21（8）：54-56.

完文韜，楊成禹.2018.改進的SIFT算法在圖像特征點匹配中的應用[J].長春理工大學學報（自然科學版），41（1）：44-47.

汪松.2013.基于SIFT算法的圖像匹配方法研究[D].西安：西安電子科技大學.

楊松，邵龍潭，宋維波，等.2016.一種基于SIFT特征的快速圖像匹配算法[J].計算機應用與軟件，33（7）：186-189.