段鎖林,任玨朋,毛　丹,楊　可

(常州大學 機器人研究所，江蘇 常州　213164)

?

基于改進的PSO優(yōu)化SVM火災(zāi)火焰識別算法研究

段鎖林,任玨朋,毛丹,楊可

(常州大學 機器人研究所，江蘇 常州213164)

針對室內(nèi)復雜環(huán)境下火災(zāi)識別準確率會降低的問題,提出了一種改進的粒子群算法優(yōu)化支持向量機參數(shù)進行火災(zāi)火焰識別的方法;首先在YCrCb顏色空間進行火焰圖像分割，對獲得的火焰圖像進行預處理并提取相關(guān)特征量；其次采用PSO算法搜索SVM的最優(yōu)核參數(shù)和懲罰因子，并在PSO算法中加入變異操作和非線性動態(tài)調(diào)整慣性權(quán)值的方法，加快了搜索SVM最優(yōu)參數(shù)的精度和速度；然后將提取的火焰各個特征量作為訓練樣本輸入SVM模型進行訓練，并建立參數(shù)優(yōu)化后的SVM分類器模型；最后將待測試樣本輸入SVM模型進行分類識別;算法的火災(zāi)識別準確率達到94.09%，分類效果明顯優(yōu)于其他分類算法;仿真結(jié)果表明，改進的PSO優(yōu)化SVM算法提高了火焰識別的準確率和實時性，算法的自適應(yīng)性更強，誤判率更低。

火焰檢測；支持向量機；粒子群算法；參數(shù)優(yōu)化

0　引言

火災(zāi)是一種常見多發(fā)，并能造成重大人員和財產(chǎn)損失的災(zāi)害，傳統(tǒng)火災(zāi)檢測方法大多基于感溫、感煙等傳感器[1-2]，容易受到外界復雜環(huán)境干擾，誤報率較高。因此，國內(nèi)外學者開始涉足圖像型火災(zāi)探測領(lǐng)域。圖像型火災(zāi)探測的關(guān)鍵問題是將火災(zāi)火焰從有干擾物的環(huán)境中分類出來。常見的分類識別方法主要有：貝葉斯分類器[3]、神經(jīng)網(wǎng)絡(luò)[4-5]、支持向量機[6-9]等。文獻[3]中貝葉斯分類器判別火焰和非火焰取得了比較好的效果，但實際環(huán)境中的溫度和濕度會發(fā)生變化，對發(fā)生火災(zāi)的先驗概率產(chǎn)生影響，進而影響識別精度。文獻[5]使用BP神經(jīng)網(wǎng)絡(luò)算法對火焰的靜態(tài)和動態(tài)特征進行融合識別，該算法克服了傳統(tǒng)方法識別判據(jù)單一的缺點，有效地提高了判別準確率。但是神經(jīng)網(wǎng)絡(luò)訓練過程需要大量樣本，導致學習時間過長，且有陷入局部極值導致訓練失敗的缺點，降低了火災(zāi)探測的靈敏度與穩(wěn)定性。文獻[9]通過提取火災(zāi)火焰特征量輸入SVM模型進行分類識別，文中SVM算法比文獻[5] BP神經(jīng)網(wǎng)絡(luò)算法所需訓練樣本更少，因而計算時間也更短，同時在火焰識別準確率方面也更高。但是文中對支持向量機的參數(shù)選取不夠靈活且參數(shù)并非最優(yōu)，進而影響支持向量機分類性能。

前人的火災(zāi)探測算法取得了較好的探測效果，但仍存在局限性，算法在速度、精度和魯棒性上都存在不足。因此，本文提出一種改進的PSO優(yōu)化SVM參數(shù)[10-12]進行火災(zāi)火焰識別的方法。并在PSO中加入變異操作和非線性動態(tài)調(diào)整慣性權(quán)值，提高了對SVM參數(shù)尋優(yōu)的精度和速度，利用獲得的最佳參數(shù)構(gòu)建SVM模型進行火災(zāi)火焰圖像識別。結(jié)果表明，本文改進的PSO優(yōu)化SVM參數(shù)的方法能很好地識別復雜環(huán)境下的火災(zāi)火焰，且識別的精度更高。

1　支持向量機算法

支持向量機是近年來熱點研究的基于統(tǒng)計學習理論的機器學習方法，SVM克服了神經(jīng)網(wǎng)絡(luò)學習過程中易過學習、易陷入局部極值的缺點，對于較少的訓練樣本的分類問題效果顯著，同時能很好的解決高維數(shù)和非線性等問題。通過定義一個非線性映射將對線性不可分的樣本數(shù)據(jù)變換到高維特征向量空間，在這個特征空間構(gòu)造最佳判定函數(shù)，最終求得最佳分類面，使得目標樣本中正負兩類樣本能正確識別并讓它們之間的隔離邊緣最大化。

(1)

式中，ω′為慣性權(quán)重；b為常數(shù)；ξ為松弛變量；c為SVM的懲罰參數(shù)，求解公式(1)，得到ω′和b，進而解得最佳分類面。

SVM將線性不可分的樣本數(shù)據(jù)經(jīng)過非線性變換Φ：Rd→H，從而讓初始空間樣本數(shù)據(jù)變換到高維空間H中，在高維空間H中運用線性方法構(gòu)造最佳分類面。再運用泛函相關(guān)理論，構(gòu)造合適的內(nèi)積函數(shù)K(xi,xj)滿足Mercer條件，即能完成相應(yīng)非線性轉(zhuǎn)換之后的線性分類。此時，公式(1)目標函數(shù)變?yōu)椋?/p>

(2)

式(2)中,αi為拉格朗日乘子。上述問題相當于找到公式(2)僅有的一個最佳解。獲得的最佳分類判別函數(shù)為：

(3)

式(3)中,函數(shù)K(xi,xj)稱為核函數(shù)，本文選用常用的徑向基核函數(shù)(RadialBasisFunction簡稱RBF)作為SVM的核函數(shù)。徑向基核函數(shù)公式為：

(4)

式(4)中,σ為徑向基核函數(shù)的核參數(shù)，將公式(4)代入公式(3)，最終的最佳分類判別函數(shù)為：

(5)

SVM的懲罰參數(shù)c和核參數(shù)σ取值大小很大程度上會影響構(gòu)建的SVM模型的分類效果，懲罰參數(shù)c主要調(diào)控算法復雜度和分類錯誤率，其值過大會導致對訓練樣本分類精度過高，但是對測試樣本分類精度低，算法的泛化能力變低；其值過小則對測試樣本的分類效果達不到預期目標。而核參數(shù)σ值過大會產(chǎn)生過學習現(xiàn)象，算法的泛化能力變低；值過小則欠學習問題突出，SVM模型分類性能過低。支持向量機參數(shù)選取沒有通用有效解決方法，本文采用改進的PSO算法對SVM的懲罰參數(shù)c和核參數(shù)σ尋優(yōu)。

2　粒子群算法及其改進

粒子群算法是根據(jù)鳥群捕食方式而提出的一種新的群體智能優(yōu)化算法。與網(wǎng)格搜索法(gridsearch)和遺傳算法 (geneticalgorithm,GA)等傳統(tǒng)優(yōu)化算法有所不同，PSO算法具有實現(xiàn)過程需要調(diào)節(jié)的參數(shù)少、收斂速度快、計算耗時短及搜索精度高等優(yōu)點，廣泛應(yīng)用于參數(shù)優(yōu)化，能夠有效提高搜索效率。

2.1粒子群算法原理

PSO算法中種群的每個粒子的位置被視為優(yōu)化問題的一個可行解，粒子同時被賦予速度和位置兩個特征，粒子的優(yōu)劣程度通過計算目標函數(shù)獲得的適應(yīng)度值來衡量。粒子群迭代過程是根據(jù)個體自身和群體最優(yōu)位置來調(diào)節(jié)自身行為，從而到達適應(yīng)度值最好的位置，進而搜索到問題的最佳解。標準粒子群算法公式如下：

Vk+1=ωVk+c1r1(Pk-Xk)+c2r2(Gk-Xk)

(6)

Xk+1=Xk+Vk+1

(7)

上述兩個公式中：k為迭代步數(shù)；V為粒子的速度；X為粒子的位置；P為個體極值；G為全局極值；ω為慣性權(quán)值參數(shù)，通常取值范圍為[0.2,0.9]；r1和r2為隨機數(shù)，取值范圍為[0,1]，c1和c2為加速因子，是常量，且為正數(shù)，一般設(shè)置為c1=c2=2。公式(6)表示粒子下一次迭代速度由上一次迭代的速度、個體極值和全局極值一起確定。公式(7)表示粒子下一次迭代的位置由上一次的位置和迭代后新的速度之和。

2.2改進的粒子群算法

粒子種群在迭代進化過程中如果出現(xiàn)某一粒子找到局部極值，那么其他粒子就會向這個粒子快速聚攏，進而算法陷入局部最優(yōu)解，也就是常見的早熟收斂現(xiàn)象。因此針對上述問題，本文對粒子之間的聚集程度變化情況進行分析，從而確定全局極值G是否要進行變異操作，迫使陷入早熟收斂的粒子能跳出局部極值進入更大的空間進行搜索，最終搜索到新的個體極值P和全局極值G，照這樣的方式進行迭代，直到算法結(jié)束即可搜索到問題最佳解。

2.2.1群體適應(yīng)度方差

粒子的位置可以用適應(yīng)度函數(shù)值來表示，因而，粒子的聚集程度變化對應(yīng)著粒子適應(yīng)度函數(shù)值的變化。群體適應(yīng)度方差定義為：設(shè)粒子種群數(shù)量為n，F(xiàn)i為第i個粒子的適應(yīng)度值，F(xiàn)avg為粒子種群當前平均適應(yīng)度，則群體適應(yīng)度方差λ2定義為：

(8)

其中：F是標準化定標因子，用于約束λ2的在一定范圍，本文F按公式(4)計算：

F=max{1,max{|Fi-Favg|}}

(9)

群體適應(yīng)度方差λ2體現(xiàn)了粒子種群的聚集狀況，若粒子群往一個或某幾個位置聚攏，相應(yīng)的λ2值會變?。环粗?，表明種群居于任意搜索時期。粒子群算法搜索過程中，粒子逐漸聚集，每個粒子的適應(yīng)度也趨于一致，所以λ2也也會變小，當粒子聚集到某些位置，算法陷入早熟收斂時，則λ2接近于零。

2.2.2變異操作

在粒子群算法迭代搜索最優(yōu)解期間，若同時滿足公式(10)中λ2=0和搜索到的最佳解不是預期最佳解fd兩個條件，則表明PSO算法發(fā)生了早熟收斂現(xiàn)象。通過設(shè)置隨機變換的方式將符合變異的全局極值G按相應(yīng)的概率pm進行變異，能使粒子跳出找到的全局極值點，進入更大空間尋找新的全局極值，同時，變異也能保證群體的多樣性。pm用公式(10)計算：

(10)

公式(10)中的θ取值范圍是[0.1,0.3]。λd2通常遠小于λ2的最大值。fd為理論最優(yōu)值，在這里跟支持向量機算法最佳分類精度有關(guān)。

對全局極值G進行變異操作，可以使用增加隨機擾動的方式，設(shè)Gk為G的第k次迭代時取值，η遵循Gauss(0,1)分布，則Gk+1變異用公式(11)計算：

Gk+1=Gk*(1+0.5*η)

(11)

2.2.3非線性慣性權(quán)值

為了提高PSO算法平衡全局和局部搜索的能力，通常的做法是采用線性遞減慣性權(quán)值，在算法初期賦予較大的慣性權(quán)值，有益于粒子跳出局部極值，擴大搜索空間；隨著粒子群迭代進化，慣性權(quán)值逐漸減小，有益于提高粒子在局部空間收斂能力。線性遞減慣性權(quán)值增強了粒子群算法搜索能力，但粒子實際迭代搜索過程是復雜的非線性變化，線性慣性權(quán)值不能有效反映這種特性，對算法的收斂精度和速度上效果不夠顯著。因此，本文考慮使用非線性遞減慣性權(quán)值體現(xiàn)粒子群的非線性迭代搜索過程。ω取值用如下公式(12)計算：

(12)

ωinitial是慣性權(quán)值初始值，本文設(shè)置為ωinitial=0.2；kmax為最大迭代次數(shù)；k為當前迭代次數(shù)。

3　基于改進PSO的SVM參數(shù)優(yōu)化

基于改進PSO尋找SVM最優(yōu)懲罰參數(shù)c和核參數(shù)σ實現(xiàn)過程如下：

1)設(shè)置最大迭代步數(shù)kmax，初始化相關(guān)參數(shù)，同時隨機生成粒子的速度和位置。設(shè)位置為X=(X1,X2,...,XN)，N為粒子種群數(shù)量，其中Xi=(Xic,Xiσ)表示第i個粒子由兩個分量組成，分別代表支持向量機懲罰參數(shù)c和核參數(shù)σ的位置，隨機生成相應(yīng)位置的速度為Vi=(Vic,Viσ)，同時設(shè)定位置兩個分量的范圍為[Xcmin,Xcmax]和[Xσmin,Xσmax]。

2)計算粒子適應(yīng)度F(Xi)。以粒子位置分量Xic和Xiσ作為SVM參數(shù)并構(gòu)建火災(zāi)火焰分類識別模型，并按公式(14)將5折交叉驗證下SVM的分類準確率Y作為粒子適應(yīng)度F(Xi)。Y用公式(13)計算:

(13)

公式內(nèi)cc和uc分別為樣本數(shù)據(jù)分類正確和錯誤的數(shù)目。

3)更新粒子群個體極值P和全局極值G。假如粒子適應(yīng)度值滿足條件F(Xik) > F(Xik-1)，則Pk=Xk，否則Pk=Xk-1。假如存在某一粒子j滿足條件F(Xjk) > F(Xik)均成立，同時滿足另一條件F(Xjk) > F(Gk-1)，則Gk= Xjk，即粒子j位

置作為全局極值位置，否則Gk=Gk-1

4)根據(jù)公式(8)計算群體適應(yīng)度方差λ2。

5)根據(jù)公式(12)設(shè)置慣性權(quán)值ω。

6)根據(jù)公式(10)計算變異概率pm。

7)產(chǎn)生隨機數(shù)r∈[0,1]，若r

8)根據(jù)公式(6)和公式(7)迭代更新粒子群的速度和位置。迭代后要判斷粒子位置的兩個分量是否在設(shè)定的最大搜索范圍[Xcmin,Xcmax]和[Xσmin,Xσmax]之內(nèi)，假如出現(xiàn)超出范圍的粒子，必須重新限制粒子到設(shè)定范圍內(nèi)。即若XicXcmax，則Xic=Xcmax。對Xiσ也如此操作。

9)判斷是否滿足退出條件。如果滿足最大迭代次數(shù)kmax，則退出迭代，同時獲得的全局極值G即為最佳參數(shù)。

步驟(2)中選取SVM交叉驗證的分類準確率來計算粒子適應(yīng)度F(Xi)，基于SVM的火災(zāi)分類識別模型的步驟如下：

①獲得訓練樣本集并進行歸一化操作。

②將PSO算法中尋優(yōu)的核參數(shù)σ和懲罰參數(shù)c傳遞到SVM分類模型中。

③將輸入訓練樣本劃分為兩類，正確分類樣本標簽設(shè)為1，錯誤分類樣本標簽設(shè)為-1。

④通過公式(1)和公式(2)構(gòu)造對偶模型并求解支持向量機模型，得到二次函數(shù)尋優(yōu)問題的最優(yōu)解α*=(α1*,α2*,...,αn*)。

⑤構(gòu)造公式(5)中的最優(yōu)分類判別函數(shù)。

⑥通過分類判別函數(shù)計算SVM的分類準確率，并將該值返回PSO尋優(yōu)模型，從而計算粒子適應(yīng)度F(Xi)的值。

上述算法步驟如圖1所示。

圖1　改進的PSO對SVM參數(shù)尋優(yōu)流程圖

4　圖像采集及處理

火災(zāi)火焰圖像識別需要獲得圖像相關(guān)特征量，因此還需經(jīng)過火焰圖像分割、圖像特征提取及特征歸一化等步驟。

4.1火焰圖像分割

本文依據(jù)YCrCb顏色空間相關(guān)特性進行火焰圖像分割，YCrCb顏色空間相比RGB顏色空間能分類彩色圖像的亮度信息，并且亮度與色度也存在一定的關(guān)聯(lián)，能夠在火焰特征提取的時候兼顧色度和亮度信息。分割獲得的圖像還需經(jīng)過腐蝕、膨脹、二值化、邊緣檢測及中值濾波等過程，才能用于后面的圖像特征提取。

4.2火焰特征提取

早期火災(zāi)火焰的面積、形態(tài) 和顏色不斷變化，對火焰的這些特殊特征進行提取，能夠作為很好的火災(zāi)火焰識別依據(jù)。本文選擇顏色特征、面積變化率、圓形度、尖角特征、閃爍頻率作為火焰圖像識別的判據(jù)。

1)顏色特征?；馂?zāi)發(fā)生時的顏色信息比較豐富，本文選取YCrCb顏色空間的Y、Cr、Cb3個特征量作為火焰圖像識別的判斷依據(jù)。

2)面積變化率。面積變化率用Varea表示，計算公式為：

(14)

Z1，Z2為前后兩幀圖像中的亮點個數(shù)。

3)圓形度。圓形度表征物體的相對規(guī)整水平，其計算公式為

(15)

C為圖像圓形度，P和A分別為圖像的周長和面積。

4)尖角特征?；馂?zāi)火焰燃燒時的形狀變化明顯，火焰尖角個數(shù)相對較多。計算尖角個數(shù)的方法：起初進行火焰圖像邊界檢測并生成邊界鏈碼，然后歸一化處理，上升和下降會得到一個三角形，當該三角形頂角和對應(yīng)的兩個邊長達到預先設(shè)置值時，即獲得一個尖角。

5)閃爍頻率特征。大多學者研究發(fā)現(xiàn)，火焰的閃爍頻率受到外界環(huán)境變化的影響比較小，將火焰閃爍頻率作為火焰特有的特征可以很好的跟其他干擾物區(qū)分開來，火焰閃爍頻率計算公式：

(16)

D為火焰等效直徑。

4.3特征歸一化

不同特征量取值范圍差別過大，會造成取值小的特征作用被取值大的特征掩蓋，為避免這種影響，需要對不同特征量歸一化處理。本文采用高斯歸一化到[-1,1]區(qū)間。

5　試驗結(jié)果與分析

通過在MATLAB軟件上安裝libsvm進行了仿真研究，燃燒材質(zhì)選擇紙張，干擾物為蠟燭火焰、照明燈。分別獲得340幅火焰圖像和260幅干擾圖像，樣本總共有600組，并將其中380(包括210幅火焰圖像和170幅干擾圖像)作為訓練樣本，其余的220幅圖像(包括130幅火焰圖像和90幅干擾圖像)作為測試樣本。

然后對采集的圖像分割并進行二值化處理，得到二值化圖像。如圖2、圖3和圖4所示。

圖2　火焰及其二值化圖像

圖3　蠟燭及其二值化圖像

圖4　照明燈及其二值化圖像

二值圖像處理后，還要經(jīng)過腐蝕、膨脹和邊緣提取等處理，然后進行火焰的特征提取，分別獲得Y、Cr、Cb、圓形度、面積變化相對速度、尖角及閃爍頻率7個火焰特征量,將特征量數(shù)據(jù)進行歸一化處理，并作為SVM分類器模型的訓練和測試樣本。為了比較不同方法優(yōu)化得到的SVM模型識別火焰的準確率，本文將傳統(tǒng)的網(wǎng)格搜索法(GS)、遺傳算法(GA)、粒子群算法(PSO)與本文中改進的PSO算法對SVM懲罰參數(shù)c和核參數(shù)σ進行優(yōu)化，并比較建立不同的最優(yōu)參數(shù)的SVM模型后的火災(zāi)識別效果。其中，各優(yōu)化算法的參數(shù)設(shè)置如下：

GA：最大進化迭代次數(shù)kmax=80，粒子群體數(shù)量N=20，c∈[0.1,1000]，σ∈[0.0001,20]。

PSO: 最大進化迭代次數(shù)和PSO體數(shù)量與遺傳算法設(shè)置相同，c∈[0.1,1000]，σ∈[0.0001,20]，c1=c2=2，慣性權(quán)值ω=0.9。

本文算法：最大進化迭代次數(shù)和粒子群體數(shù)量與遺傳算法設(shè)置相同，c∈[0.1,1000]，σ∈[0.0001,20]，c1=c2=2，慣性權(quán)值ωmax=0.9，ωmin=0.2。

4種算法優(yōu)化后的SVM模型對火焰圖像分類結(jié)果如表1所示。表1中采用4種不同的算法優(yōu)化參數(shù)后的SVM模型識別率差距較大，其中，GS算法的火焰識別率只有88.18%，算法精度較低，并且搜索耗時最長，不利于實際應(yīng)用實時性的要求。GA和PSO算法比GS算法尋找最佳解的速度更快，并且在算法精度方面也有一定的提升，此外，PSO算法在搜索最佳解的效率及解的作用上都好于GA。而本文算法的火焰識別準確率比前面3個算法都要很高,達到了94.09%，算法平均計算時間也是最短的。這是由于改進的PSO算法能在出現(xiàn)早熟收斂時，通過對全局極值G進行變異操作使粒子能跳出當前局部極值，進入更大空間尋找新的全局極值，提高了算法尋找全局最佳解的能力和速度；同時加入非線性調(diào)整慣性權(quán)值的方式提高了粒子搜索及收斂速度，有效地減少了算法計算時間。改進的PSO算法很大程度上提高了優(yōu)化支持向量機參數(shù)速度和精度，進而提高了SVM模型火焰識別的準確率,并縮短了算法計算時間。

表1　4種算法優(yōu)化參數(shù)的SVM識別結(jié)果

本文算法相比貝葉斯分類器和BP神經(jīng)網(wǎng)絡(luò)都能更準確的識別出火焰，表2為3種算法的識別結(jié)果。其中，貝葉斯分類器識別準確率最低，原因是圖像獲取過程環(huán)境溫濕度的變化會影響先驗概率，測試和訓練樣本中火災(zāi)和干擾圖像所占比例不同也會影響識別準確率。本文算法比BP神經(jīng)網(wǎng)絡(luò)識別準確率更高，因為本文算法利用了SVM處理小樣本數(shù)據(jù)的優(yōu)勢，而BP神經(jīng)網(wǎng)絡(luò)在小樣本條件下分類效果較差。識別結(jié)果表明本文算法在識別準確度和速度方面都超過貝葉斯分類器和BP神經(jīng)網(wǎng)絡(luò)算法。

表2　3種算法識別結(jié)果比較

6　結(jié)束語

本文采用構(gòu)建SVM分類器模型的方法識別室內(nèi)火災(zāi)。首先采用背景差分法進行火焰圖像運動區(qū)域的檢測，在YCrCb顏色空間分割出可疑火焰區(qū)域，然后進行火災(zāi)火焰圖像特征提取，并將特征向量輸入SVM訓練，并用訓練完成的SVM模型對火焰及疑似火焰干擾物作分類識別。為了提高SVM模型火焰識別的準確率，本文提出一種帶變異操作和非線性動態(tài)調(diào)整慣性權(quán)值的PSO算法優(yōu)化SVM的兩個參數(shù)。仿真結(jié)果表明，本文改進的PSO算法進行SVM參數(shù)尋優(yōu)后的分類器模型，在火焰識別準確率和速度方面都有很大的提升，并能有效排除室內(nèi)常見干擾的影響，降低了火災(zāi)探測的誤報率。

[1] 王娜.火災(zāi)探測的模糊神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合算法研究[J].燕山大學學報,2008,32(2):120-123.

[2] 張兢.基于多傳感器數(shù)據(jù)融合的智能火災(zāi)預警系統(tǒng)[J].計算機工程與應(yīng)用,2006,6:206-208.

[3] 王菲.基于火焰識別的早期火災(zāi)探測技術(shù)研究[D].廣州：華南理工大學,2013.

[4] Cheng C X.One fire detection method using neural networks[J].Tsinghua Science and Technology,2011 ,16(1):31-35.

[5] 謝榮全,徐志勝.基于BP神經(jīng)網(wǎng)絡(luò)在火災(zāi)圖像探測技術(shù)中的應(yīng)用[J].鐵道科學與工程學報,2014,11(3):140-145.

[6] Truong T X.Fire flame detection in video sequences using multi-stage pattern recognition techniques[J].Engineering Applications of Artificial Intelligence,2012,25(7):1365-1372.

[7] Ko,Byoung Chul,Fire detection based on vision sensor and support vector machines[J].Fire Safety Journal,2009,44(3):322-329.

[8] 王媛彬.基于特征融合的圖像型火災(zāi)探測方法[J].計算機工程,2011,37(19):166-168.

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

[10] 付燕，聶亞娜.PSO-SVM算法在肝臟B超圖像識別中的應(yīng)用[J].計算機測量與控制,2012,20(9):2491-2500.

[11] Chen Yongqi.LS_SVM Parameters Selection Based on Hybrid Complex Particle Swarm Optimization[J].Energy Procedia,2012,17(A):706-710.

[12] Hui ling Chena.Towards an optimal support vector machine classifier using a parallel particle swarm optimization strategy[J]. Applied Mathematics and Computation,2014,239:180-197.

[13] 鄔月春.基于自適應(yīng)變異粒子群算法的物流配送路徑優(yōu)化[J].蘭州交通大學學報,2012,31(1):114-117.

[14] 高磊.一種動態(tài)非線性改變慣性權(quán)的自適應(yīng)粒子群優(yōu)化算法[J].科學技術(shù)與工程,2011,11(17):3984-3988.

Fire Flame Recognition Algorithm Based On Particle Swarm Optimization-based SVM

Duan Suolin,Ren Juepeng,Mao Dan,Yang Ke

(Robotics Institute, Changzhou University,Changzhou213164,China)

Due to fire detection is relatively low in the case of complex indoor environment,the proposed support vector machine (SVM) is applied to fire detection in the paper,among which an improved particle swarm optimization (PSO) is used to determine optimal parameters of support vector machine. Firstly,the obtained flame image will be processed ahead of time and extracted related feature quantity after flame image segmentation in YCrCb color space. Secondly,the optimal kernel parameter and penalty factor for support vector machine will be found by PSO algorithms,meanwhile,the ability of searching accuracy and speed of the optimal parameters of SVM are raised by adding mutation and nonlinear dynamic adjustment inertia weight in PSO algorithm;Then,each extracted flame characteristic parameters is reserved as training samples to train the SVM model,meanwhile,the SVM classifier model is established after the optimization of the parameters. Finally,the test samples will be input the SVM model to classification and recognition. The accuracy rate of algorithm is 94.09%,and the classification effect is better than other algorithms. Simulation results show that the improved SVM algorithm optimized by PSO can enhance the accuracy and real-time performance of flame recognition,as the same time,the algorithm has better adaptability and lower false positive rate.

flame detection; support vector machine; PSO; parameter optimization

1671-4598(2016)04-0202-04DOI：10.16526/j.cnki.11-4762/tp.2016.04.059

TP391.41

A

2015-10-22；

2015-11-18。

江蘇省科技支撐計劃項目(社會發(fā)展)(BEK2013671)。

段鎖林(1956-),男，陜西岐山人，博士，教授，主要從事機器視覺與智能移動機器人控制方向的研究。