一种基于颜色和纹理的优化SVM火灾识别方法

徐宏宇，续 婷

(沈阳航空航天大学 电子信息工程学院，沈阳 110136)

火灾是一种突发性强，威胁人们生命财产安全和社会发展的灾害，后果往往非常严重，因此准确识别火灾和及时扑救就显得非常重要。火灾图像的识别算法研究一直是图像识别研究领域的重要组成部分，遗传算法[1]、灰度共生矩阵算法[2]、小波算法、局部二值LBP[3]、KNN算法和蚁群算法等都是研究中的热点，较常用的识别分类器有向量机SVM、神经网络、随机森林等。Zhou[4]提出了一种端到端的双流神经网络火灾检测模型，具有很好的实用性和通用性；冯丽琦等[5]利用火焰RGB颜色特征提取疑似火焰区域，滤波后提取纹理特征用SVM进行识别，有很好的分类效果；Li[6]提出了一种新的基于FAST-RCNN、R-FCN、SSD和YOLOv3等先进目标检测CNN模型的图像火灾检测算法，提高了精度和鲁棒性；史海山[7]根据红外图像的火灾信息完成了对火灾信号的特征提取，设计了基于遗传算法的人工神经网络识别算法方案，效果良好；Chen[8]利用SIFT算法提取火灾特征描述子，通过火灾颜色空间对局部噪声特征点进行滤波，再将特征描述子转化为特征向量，利用IV-SVM分类器建立火灾快速识别模型。

根据以上分析，提出一种基于火焰颜色和纹理的优化SVM火焰识别方法。算法首先根据火焰像素特有的亮度、色度等特征，分别在RGB颜色空间和YCbCr颜色空间[9]得到火灾疑似区域，求取并集后得到最终的疑似区域；其次根据Uniform LBP提取火焰局部纹理特征；再把经核主成分分析算法(KPCA)[10-11]降维后的特征向量输入到量子遗传算法优化参数后的SVM中进行火焰识别。识别算法流程如图1所示。

图1 识别算法流程图

1 火焰特征提取

1.1 基于颜色的疑似火焰区域检测

RGB是依据人眼识别的颜色定义出的空间，YCbCr颜色空间可以充分利用火焰亮度和色度信息。本文基于RGB和YCbCr两种颜色模型分别检测，当满足下列两个颜色空间的条件时，可以将图像中的绝大多数非火焰像素滤除。

(1)RGB空间规则

(1)

其中R、G、B分别代表图像的红色、绿色和蓝色分量。如果图像像素满足公式(1)，则可以初步判断为疑似火焰像素，进行下一个颜色空间判别。

(2)YCbCr空间规则

(2)

(3)

Y是YCbCr空间中颜色的亮度成分，Cb和Cr分别是蓝色和红色的浓度偏移量，I(x，y)表示转换前的RGB图像，Ymean指的是原RGB图像亮度的均值，Crmean指的是红色分量的均值。如果某点Y值大于Cb值，则保留原像素值，反之置为 0。接着对式(3)判断，若满足条件就保留R1像素值，否则记为0。同时经过两种颜色空间处理后可得到疑似火灾区域。图2为部分火灾图像疑似区域结果图，上面一行均为原始火焰图像，下面一行为经过处理后的火灾疑似区域，对比可以看出，这种方法能够有效地从图像中分割出火焰目标区域。

图2 火灾图像及其疑似区域结果图

图3为部分非火灾图像疑似区域结果图。第一行均为原始图像，第二行为应用规则处理后的图像。前两组图说明RGB-YCbCr规则应用良好，第二组中图像右侧沙发并没有被提取出，说明算法可以排除一部分类似火焰颜色的干扰物。第三组图中有关夕阳的部分被检测出来，是因为其在颜色、亮度上与火焰相似，仅使用这种方法不能很好地判别。

图3 非火灾图像及其疑似区域结果图

综上，根据两种颜色空间可以初步提取出火灾疑似区域，但对于部分在颜色、亮度上与火焰类似的图像有误提取的情况出现，需要另外的特征加以辨别。

1.2 局部纹理特征提取和选择

1.2.1 Uniform LBP纹理特征

在图4这组图中，左边是经颜色规则过滤后的图像，右边是将左图转化为灰度图像后对LBP纹理特征提取的转化结果图；上面一行是火灾图像及其火焰纹理特征图，下面是类火焰图像夕阳及其纹理特征图。由图4可知两者存在较明显差异。火焰图像的纹理较密集，呈面状分布，夕阳图像纹理特征主要以条状分布为主，密度没有火焰大。其他类火焰图像如红枫林、灯牌、烟雾等纹理也与火焰纹理不同，因此可以通过纹理特征进一步将其区分开来。

图4 两类图像及其LBP纹理特征图

一个3×3的LBP算子可以得到256个LBP特征，这个数值还会随着邻域的扩大呈指数性增加，对图像纹理提取和分类识别产生负面作用，降低纹理表达的效果。Uniform LBP把原始LBP的256个特征值分为59个，一方面较好地描述图像局部纹理，另一方面减少高频噪声带来的影响。实验中为了便于识别，统一将图片大小调整为256×256后再提取纹理特征，把图片划分为16×16的小块，对每个区域中的像素计算LBP值，得到直方图后对数据进行归一化处理，最后将所有直方图连接成一个向量即得到整幅图的纹理特征向量。这样一来，向量维数大大上涨，且包含大量冗余特征，为了提高分类准确率需要对向量进行降维处理。

1.2.2 核主成分分析降维

一般来说，主成分分析(PCA)用于数据的线性降维，而核主成分分析(Kernel PCA,KPCA)可处理线性不可分的数据集。KPCA算法对于输入矩阵X，采用非线性映射原理把X中的所有样本变换到高维，甚至是无穷维特征空间，再对其进行PCA降维，通过切换维度空间降低计算难度，避免复杂运算。本文对特征重要性因子进行降序排列后选取特征重要性大于90%的433维特征向量。

2 火焰识别

2.1 支持向量机SVM

对于火灾等非线性的数据，SVM引用核函数进行处理，这时它的优化问题变为：

(4)

其中C为惩罚参数，k(x,xi)为核函数，本文采用高斯径向基核函数作为分类核函数。实验表明核参数g和惩罚因子C取不同值时，其识别率也不同，这说明参数选择对分类结果有很大的影响。为了得到更好的识别效果，就需要对这两个参数进行寻优操作。

2.2 量子遗传算法优化SVM

遗传算法(Genetic Algorithm，GA)通过模拟生物进化中的优胜劣汰求解出优化问题的全局最优解，该方法是当前应用最广泛的优化算法之一，但其缺点是易陷入局部最优的陷阱。量子遗传算法[12-14]是量子计算与遗传算法相结合的产物，它将量子编码、量子态、量子门、量子特性、概率幅等量子概念融合进遗传算法当中，增加染色体变化的可能性，当种群规模不变时，候选解个数变为GA算法的两倍，使解空间变得丰富多元，提高了寻优成功概率。和GA相比QGA，有以下几点不同：

(1)QGA采用量子位进行编码，不再采用单调的二进制位编码；

(2)每一个量子位均是不确定的状态，属于0和1的叠加态，因此解码操作有所不同；

(3)QGA不再单纯地仅进行交叉变异操作，而是通过量子旋转门更新染色体。

在量子计算中，量子比特|0>和|1>表示微观粒子的两种基本状态，根据叠加原理，量子信息的叠加态表示为这两个基本态的线性组合，即

|ψ〉=α|0〉+β|1〉

(5)

式子中α、β表示量子位状态的概率幅，且满足α2+β2=1。

由于量子编码作用下的染色体不再是单一的纯态，因此要通过量子旋转门作用于量子染色体的基态使其相互干涉，改变量子比特相位以更新量子位的概率幅，从而达到基因变异的效果。量子旋转门的设计对整个算法至关重要，使用量子旋转门U更新种群时，对于每个量子染色体的每个量子位执行如下操作：

(6)

表1 量子旋转门参数设置

量子遗传算法的算法流程图如图5所示：

图5 量子遗传算法流程图

3 实验数据与结果分析

实验选取470幅图像参与识别，其中火灾图像210幅，非火灾图像260幅。在非火灾图像集中，除普通生活场景外还包括大量类火焰干扰图，例如灯牌、火灾烟雾、日出、夕阳、红枫林等。为了检测本文所提出算法的有效性，实验通过3种算法进行分析比较。在MATLAB编程环境下，采用相同的实验数据，分别选取传统支持向量机(SVM)、基于遗传算法优化的支持向量机(GA-SVM)和基于量子遗传算法优化的支持向量机(QGA-SVM)进行识别实验，记录各自算法采用十折交叉验证后得到的分类准确率。

图6分别给出了基于遗传算法的优化方法GA-SVM和基于量子遗传算法的优化方法QGA-SVM两者的参数寻优过程曲线。

图6 不同算法参数寻优过程曲线

图7是不同的惩罚参数c和高斯核参数g对识别结果的影响，横坐标表示不同惩罚参数c的取值，纵坐标表示不同核参数g的取值，图中所标数字为当前c、g参数对应的分类准确率。

图7 参数c、g对识别准确率的影响

从图中可以看出，不同的c、g有可能对应相同的最佳分类准确率[15]，这种情况下要优先选择具有最小c的那组参数，这是因为过高的惩罚参数c会造成过学习状态，从而造成测试不理想。

表2给出了3种算法寻找到的最优参数c、g以及最优参数对应的最优适应度，最后一栏是算法运行5次的平均参数寻优时间。

表2 不同算法参数寻优结果比较

由表2可以得出，QGA-SVM算法的准确率是三者中最高的，证明了本文所提算法的有效性。从时间上来看，QGA-SVM算法的平均耗时略大于GA-SVM，但远小于SVM，说明算法针对SVM在时效性上有了提高，应用于实际生活中可以更快更好的发现火灾情况，及时作出反应。

ROC曲线分析和混淆矩阵是二分类问题中评判分类器性能的重要指标。AUC被定义为 ROC曲线下与坐标轴围成的面积，它为分类算法的性能对比提供了数字化依据。实验利用测试集的分类结果可以得到表3所示的评价指标。

表3 二分类分类器性能评价指标

实验将测试集分别用SVM、逻辑回归算法、朴素贝叶斯算法进行识别分类，得到各算法的ROC曲线和准确度等评价指标，如图8和表4。

图8 不同分类器的ROC曲线

表4 不同算法评价指标结果

对比结果可知，支持向量机分类准确率最高，精确度、灵敏度特异性等均取得最优结果，AUC略小于逻辑回归算法，但高于朴素贝叶斯。综合来说，SVM相对于其他分类器拥有较好的分类效果。

4 结论

文中提出的算法综合运用了火焰的颜色、亮度以及纹理特征，借助 SVM 分类器实现火焰识别，其中SVM的参数c和g是通过量子遗传算法寻优后得到的最佳参数。实验结果表明，本文提出的算法可以有效识别出火焰与非火焰图像，对于灯牌、火灾烟雾、日出等干扰性比较强的图像可以很好地进行分类，识别率达到90%以上，算法鲁棒性较强。