楊秋霞，羅傳文 (東北林業(yè)大學(xué)林學(xué)院，黑龍江哈爾濱150040)

森林作為人類社會(huì)最重要的自然資源，經(jīng)常受到多種因素的破壞，其中森林火災(zāi)所帶來(lái)的危害和損失巨大，是最危險(xiǎn)的因素之一。為了保護(hù)森林資源，降低森林火災(zāi)的損失，需要加強(qiáng)林火監(jiān)控，將火險(xiǎn)控制在萌芽狀態(tài)。近年來(lái)，基于視頻圖像的林火監(jiān)控技術(shù)因具有實(shí)時(shí)監(jiān)控功能，可以獲得清晰且直觀的圖像，預(yù)警時(shí)間短，能夠?qū)α只疬M(jìn)行早期預(yù)報(bào)等［1］，已經(jīng)成為主要的監(jiān)控方法。智能視頻林火監(jiān)控系統(tǒng)實(shí)現(xiàn)的核心模塊是林火的自動(dòng)識(shí)別，即將林火與疑似林火物體進(jìn)行分類識(shí)別。目前研究中主要的識(shí)別方法有神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等，在識(shí)別中為了得到較好的識(shí)別效果，需要進(jìn)行參數(shù)優(yōu)化。

稀疏表示理論來(lái)源于信號(hào)處理領(lǐng)域，主要是用盡可能少的非零系數(shù)表示信號(hào)來(lái)達(dá)到壓縮表示信號(hào)的目的，從而可以簡(jiǎn)化信號(hào)處理過(guò)程。2009年，Wright等應(yīng)用稀疏表示分類器成功實(shí)現(xiàn)了在多種干擾情況下人臉的正確識(shí)別，將稀疏表示理論引入到模式識(shí)別領(lǐng)域［2］。稀疏表示理論成功應(yīng)用于人臉識(shí)別后，一些研究人員嘗試將其用于其他問(wèn)題的分類［3－7］。

為此，筆者嘗試將稀疏表示理論應(yīng)用于林火火焰圖像的識(shí)別研究中。從視頻圖像序列中選取林火火焰圖像及疑似林火火焰的干擾圖像，提取其靜態(tài)特征和動(dòng)態(tài)特征，運(yùn)用稀疏表示方法進(jìn)行林火火焰識(shí)別，探討稀疏表示理論在林火識(shí)別領(lǐng)域的應(yīng)用方法。

1 研究數(shù)據(jù)與方法

1.1 試驗(yàn)數(shù)據(jù) 到目前為止沒(méi)有可用于對(duì)森林火災(zāi)進(jìn)行模式識(shí)別研究的比較完整和權(quán)威的數(shù)據(jù)集，因此該研究所用視頻數(shù)據(jù)來(lái)自Bilkent大學(xué)火災(zāi)視頻庫(kù)、互聯(lián)網(wǎng)和自行錄制視頻。視頻圖像包括林火火焰圖像和5組疑似火焰的干擾物體圖像，共6組。設(shè)置干擾源為林區(qū)中可能存在的夕陽(yáng)、車燈、住戶燈光、泛紅物體(以紅旗為例)等疑似林火物體。為驗(yàn)證該研究算法可行性，同時(shí)選取非林火火焰(燭火)作為干擾對(duì)象，對(duì)研究視頻進(jìn)行分幀處理，獲得單幀圖像。從每類研究視頻中隨機(jī)選取50幀圖像，共300幀圖像組成訓(xùn)練樣本;隨機(jī)選取150幀圖像，共900幀圖像組成測(cè)試樣本。

1.2 圖像特征參數(shù)提取 首先對(duì)樣本圖像中疑似火焰區(qū)域進(jìn)行分割，然后對(duì)分割區(qū)域提取靜態(tài)及動(dòng)態(tài)特征參數(shù)。靜態(tài)特征包括顏色特征、紋理特征和形狀特征?；鹧娴念伾卣鬏^為明顯，可以將林火火焰和大部分背景加以區(qū)別。用于表示顏色的模型有很多，該研究選取HSI顏色模型。HSI顏色模型基于人類的視覺(jué)系統(tǒng)對(duì)顏色的感知機(jī)理來(lái)定義和描述顏色，HSI模型描述顏色時(shí)利用3個(gè)量即色調(diào)(Hue)、飽和度(Saturation)和強(qiáng)度(Intensity)［8］。林火視頻監(jiān)控獲取的圖像一般為RGB彩色圖像，所以需要將火焰圖像的顏色模式由RGB模式轉(zhuǎn)換為HSI模式。在描述林火火焰的顏色特征時(shí)采用HSI顏色模型色調(diào)分量的一階顏色矩，公式為:

式中，M表示一階顏色矩;n表示分割圖像區(qū)域像素總數(shù);H(pi)表示圖像區(qū)域p的第i個(gè)像素的色調(diào)分量值。

紋理特征選取由Haralick等提出的灰度共生矩陣(Gray level co-occurrence matrix，GLCM)得到紋理特征統(tǒng)計(jì)量。GLCM能夠有效地提取圖像的紋理特征，已廣泛地應(yīng)用在眾多領(lǐng)域。灰度共生矩陣可提取14個(gè)紋理特征［9］，該研究選取了對(duì)比度、相關(guān)、能量和逆差矩4個(gè)統(tǒng)計(jì)特征。

首先將原始圖像灰度化，為了減少計(jì)算量，將圖像灰度級(jí)壓縮為16級(jí)，然后取 0°、45°、90°和135°4 個(gè)方向生成共生矩陣，分別計(jì)算4個(gè)共生矩陣的主要統(tǒng)計(jì)特征，每個(gè)特征取4個(gè)方向的均值作為最終的林火火焰紋理特征。

形狀特征選取圓形度，描述研究對(duì)象的形狀與圓形的接近程度，計(jì)算公式為:

式中，C表示圓形度;A表示分割圖像區(qū)域面積;L表示分割圖像區(qū)域周長(zhǎng)。

動(dòng)態(tài)特征選取圖像序列中相鄰兩幀圖像的面積變化率來(lái)表示，公式為:

式中，R表示面積變化率;Ai和Ai－1表示相鄰兩幀圖像中疑似火焰部分面積。

1.3 基于稀疏表示方法的林火火焰識(shí)別模型 稀疏表示的基本思想就是所有的測(cè)試樣本都可以由1個(gè)用訓(xùn)練樣本構(gòu)建的過(guò)完備字典中的原子的稀疏線性組合來(lái)表示。其中，與測(cè)試樣本類別相同的原子的系數(shù)不為0，而其他系數(shù)為0。因此，訓(xùn)練樣本字典關(guān)系到稀疏表示分類的性能。

利用稀疏表示方法進(jìn)行林火火焰的識(shí)別時(shí)，首先要構(gòu)造訓(xùn)練樣本特征字典。對(duì)每個(gè)訓(xùn)練樣本分割提取的疑似火焰區(qū)域分別求得7個(gè)特征參數(shù)，并形成描述每個(gè)訓(xùn)練樣本的特征向量，特征向量可由下式列向量表示:

式中，F(xiàn)i，j表示第i類樣本中的第j個(gè)樣本的特征描述向量;f1表示樣本的顏色特征即一階顏色矩;f2、f3、f4、f5分別代表對(duì)比度、相關(guān)、能量和逆差矩紋理特征;f6表示形狀特征即圓形度;f7表示動(dòng)態(tài)特征即面積變化率。每類圖像訓(xùn)練樣本為隨機(jī)選取50幀圖像，則50個(gè)樣本的特征向量組成每類樣本的類特征矩陣，第k類樣本的特征矩陣Dk表示為:

所有6組訓(xùn)練樣本的類特征矩陣構(gòu)成訓(xùn)練樣本矩陣D，即:

矩陣D為所有訓(xùn)練樣本構(gòu)成的特征字典，其大小為7×300。用同樣的方法構(gòu)建測(cè)試樣本矩陣。

對(duì)于來(lái)自某類的一個(gè)測(cè)試樣本向量y，根據(jù)稀疏表示最重要的思想，即在訓(xùn)練樣本充足的條件下，對(duì)于某一個(gè)類別的測(cè)試樣本，可以大致地由訓(xùn)練樣本空間中具有相同類別的樣本子空間線性表示，此時(shí)測(cè)試樣本的類別未知，因此可以將稀疏表示抽象成如下方程式:

式中，x為投影系數(shù)，由下述列向量表示:

式中，xi，j表示測(cè)試樣本y在第i類第j個(gè)訓(xùn)練樣本上的投影系數(shù)。由于x是稀疏的，所以與測(cè)試樣本y具有相同類別的訓(xùn)練樣本獲得的投影系數(shù)不為0，而在與y不同類的訓(xùn)練樣本上的系數(shù)為0，對(duì)x的近似解的計(jì)算可使用x的0范數(shù)，即:

求解0范數(shù)是一個(gè)NP-hard問(wèn)題，因此在滿足x是足夠稀疏的條件下，將求解x的0范數(shù)轉(zhuǎn)化為求解1范數(shù)，即:

以上的求解都是在沒(méi)有任何干擾的情況下，而圖像一般都會(huì)有噪聲存在，因此需要考慮誤差項(xiàng)，即y=Dx+ε。此時(shí)，x的近似解可由下式計(jì)算:

式中，αi(^x)表示與第i類訓(xùn)練樣本相關(guān)的系數(shù)，ri(y)表示用第i類訓(xùn)練樣本重構(gòu)y的殘差，測(cè)試樣本y歸屬于具有最小殘差值樣本類別。

綜上所述，該研究算法主要步驟如下:①采集視頻圖像并進(jìn)行預(yù)處理，提取疑似火焰區(qū)域，得到可供后續(xù)試驗(yàn)的訓(xùn)練樣本和測(cè)試樣本;②計(jì)算訓(xùn)練樣本和測(cè)試樣本的各項(xiàng)特征參數(shù);③由訓(xùn)練樣本特征參數(shù)構(gòu)建特征矩陣D，測(cè)試樣本特征參數(shù)構(gòu)建測(cè)試樣本矩陣Y;④對(duì)每一個(gè)測(cè)試樣本利用式(11)求解l1最小化范數(shù)，得到^x(設(shè)置誤差閾值ε為0.001，迭代次數(shù)為400);⑤對(duì)每一測(cè)試樣本根據(jù)式(12)計(jì)算用每類訓(xùn)練樣本重構(gòu)的殘差值，其中具有最小重構(gòu)殘差的訓(xùn)練樣本所屬的類型，即殘差最小的類別即為該測(cè)試樣本所屬類別。

2 試驗(yàn)結(jié)果與分析

利用該研究提出的基于稀疏表示的林火火焰識(shí)別算法實(shí)現(xiàn)了林火數(shù)據(jù)分類。試驗(yàn)硬件配置為雙核2.40GHz Intel Core i5處理器、4GB內(nèi)存，軟件采用matlab R2012b，計(jì)算l1最小化范數(shù)使用Koh等研制的Matlab軟件包［10］，同時(shí)設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類模型與該研究算法進(jìn)行比較。BP神經(jīng)網(wǎng)絡(luò)方法采用Matlab軟件提供的工具箱，支持向量機(jī)方法采用Libsvm軟件包［11］。

試驗(yàn)選用300個(gè)訓(xùn)練樣本、900個(gè)測(cè)試樣本。圖1是利用該研究提出的稀疏表示分類識(shí)別算法進(jìn)行識(shí)別的一個(gè)實(shí)例。實(shí)例中，測(cè)試樣本為隨機(jī)選取的林火火焰y，訓(xùn)練樣本共有6類300個(gè)，構(gòu)成特征字典，類別及樣本編號(hào)分別為:第1類林火火焰(編號(hào)1～50)、第2類夕陽(yáng)(編號(hào)51～100)、第3類車燈(編號(hào)101～150)、第4類住戶燈(編號(hào)151～200)、第5類紅旗(編號(hào)201～250)、第6類燭火(編號(hào)251～300)。圖1(a)為測(cè)試樣本y在字典上的投影系數(shù)。研究表明，該測(cè)試樣本在所屬類別即林火火焰訓(xùn)練樣本(編號(hào)1～50)上的投影系數(shù)較大，而在其他類別上的投影系數(shù)多數(shù)為0，由于噪聲的存在，也有較少的不為0，但較小，稀疏性得到驗(yàn)證。圖1(b)顯示了6個(gè)類別的殘差計(jì)算值，比較得到最小的殘差值所屬類別即林火火焰為該測(cè)試樣本所屬類別。

圖1 基于稀疏表示方法識(shí)別林火火焰舉例

對(duì)于分類識(shí)別方法性能采用3個(gè)指標(biāo)來(lái)評(píng)價(jià)，分別為識(shí)別率、漏識(shí)率和誤識(shí)率，計(jì)算公式為:

式中，Ra表示識(shí)別率，即林火火焰與干擾因素被正確識(shí)別的樣本數(shù)占測(cè)試樣本總數(shù)的百分率;nr表示正確識(shí)別的樣本數(shù);na表示測(cè)試樣本總數(shù);Rma表示漏識(shí)率，即未能被正確識(shí)別的林火火焰樣本百分率;nm表示未能正確識(shí)別的林火火焰樣本數(shù);nt表示實(shí)際林火火焰樣本數(shù);Rwa表示誤識(shí)率，即將非林火火焰樣本誤識(shí)別為林火火焰樣本的百分率;nw表示非林火火焰被識(shí)別為林火火焰樣本數(shù);nf表示非林火火焰的樣本數(shù)。

基于BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和稀疏表示3種分類方法的識(shí)別結(jié)果如表1所示。表1表明，稀疏表示方法識(shí)別效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，對(duì)林火火焰的識(shí)別率即正確識(shí)別的林火火焰樣本數(shù)與林火火焰樣本總數(shù)的比率為95.33%，總的識(shí)別率可達(dá)93.56%。使用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)方法進(jìn)行分類識(shí)別時(shí)，需要選取和設(shè)定參數(shù)，同時(shí)需要經(jīng)過(guò)多次訓(xùn)練優(yōu)化才能獲取較好的識(shí)別效果。應(yīng)用稀疏表示方法進(jìn)行識(shí)別過(guò)程中，只需考慮求解l1最小化范數(shù)時(shí)需要設(shè)置的兩個(gè)參數(shù)，即誤差閾值和迭代次數(shù)，識(shí)別過(guò)程簡(jiǎn)單，穩(wěn)定性好。

表1 不同分類器對(duì)林火火焰識(shí)別情況對(duì)比 %

3 結(jié)論

該研究將稀疏表示理論引入到林火火焰模式識(shí)別研究中。首先提取了研究樣本的靜態(tài)及動(dòng)態(tài)特征參數(shù)，使用這些參數(shù)構(gòu)成特征向量來(lái)描述不同的樣本數(shù)據(jù)，由訓(xùn)練樣本構(gòu)建字典，通過(guò)計(jì)算測(cè)試樣本在訓(xùn)練樣本特征字典上的投影系數(shù)以及重構(gòu)殘差來(lái)進(jìn)行識(shí)別。稀疏表示和BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)等方法相比，無(wú)需參數(shù)優(yōu)化，具有更強(qiáng)的魯棒性。對(duì)該研究數(shù)據(jù)分類識(shí)別結(jié)果表明，識(shí)別率可以達(dá)到93.56%，為林火火焰的識(shí)別提供了一種新的思路和方法。

［1］饒?jiān)Ｆ?，柴紅玲.林火視頻監(jiān)控中煙識(shí)別方法概述［J］.林業(yè)調(diào)查規(guī)劃，2009，30(1):59 －62.

［2］WRIGHT J，YANG A Y，GANESH A，et al.Robust face recognition via sparse representation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，31(2):210 －227.

［3］楊蜀秦，寧紀(jì)鋒，何東健.基于稀疏表示的大米品種識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2011，27(3):191 －195.

［4］ZHANG L，DING Z，LI H，et al.3D Ear Identification Based on Sparse Representation［J］.PloSOne，2014，9(4):95506.

［5］CAOH，DENG H W，LI M，et al.Classification of multicolor fluorescence in situ hybridization(M-FISH)images with sparse representation［J］.IEEE Transactions on Nanobioscience，2012，11(2):111 －118.

［6］杜彥良，侯哲哲，趙維剛.一種基于稀疏表示的重載鐵路路基病害快速識(shí)別方法［J］.土木工程學(xué)報(bào)，2013，46(11):138 －144.

［7］SONGB，LIJ，DALLA MURA M，et al.Remotely sensed image classification using sparse representations of morphological attribute profiles［J］.IEEE Transactions on Geoscience and Remote Sensing，2014，52(8):5122－5136.

［8］梁杰，張麗紅，李林.HSI和區(qū)域生長(zhǎng)結(jié)合的火災(zāi)圖像分割方法［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2012，22(1):191 －194.

［9］HARALICK R M，SHANMUGAM K，DINSTEIN I H.Textural features for image classification［J］.IEEE Transactions on Systems，Man and Cybernetics，1973(6):610 －621.

［10］KOH K，KIM SJ，BOYD S.Simple matlab solver for l1-regularized least squares problems［EB/OL］.(2008 －05 －15)http://www.stanford.edu/～boyd/l1_ls.

［11］CHANG C C，LIN C J.LIBSVM:A library for support vector machines［J］.ACM Transactions on Intelligent Systems and Technology(TIST)，2011，2(3):27.