袁斌

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

關(guān)鍵詞： 圖像處理； 火災(zāi)識別； 快速留一法； 共軛梯度； BP 神經(jīng)網(wǎng)絡(luò)； 最小二乘支持向量機

中圖分類號： TN911.73?34 文獻標(biāo)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(shù)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(xué)，在最小錯誤概率的情況下，使識別后的結(jié)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(jù)研究對象和應(yīng)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(shù)的火災(zāi)識別方法的目的是從火災(zāi)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(zāi)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(qū)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(biāo)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(shù)選取在快速留一法的基礎(chǔ)上，結(jié)合共軛梯度算法，提出改進的最小二乘支持向量機的火災(zāi)圖像處理方法，并構(gòu)建FR?LSSVM模型。

1 基于人工神經(jīng)網(wǎng)絡(luò)的火災(zāi)圖像識別

1.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種模仿人腦神經(jīng)運行的信息處理系統(tǒng)，人工神經(jīng)算法能夠處理大規(guī)模的數(shù)據(jù)，具有非線性和自適應(yīng)的特點，是一種仿人腦運轉(zhuǎn)的理論模型。人工神經(jīng)網(wǎng)絡(luò)是由許多通過某種恰當(dāng)方式連起來的許多處理單元構(gòu)成的 [6?7]，其最基本的處理單元稱為神經(jīng)元，包括3個基本重要的組成元素：連接、求和單元、激活函數(shù)。其中連接是指將生物神經(jīng)元的突觸進行連接；激活函數(shù)負責(zé)完成系統(tǒng)的線性映射和非線性映射，與此同時，將神經(jīng)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(quán)和。人工神經(jīng)元網(wǎng)絡(luò)的基本模型如圖1所示。

在解決最優(yōu)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(shù)據(jù)存儲量少、收斂速度快，能夠很好地解決大規(guī)模的復(fù)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(shù)選取在快速留一法的基礎(chǔ)上，結(jié)合共軛梯度算法優(yōu)化全樣本的留一預(yù)測誤差平方和，進而確定超參數(shù)并構(gòu)造FR?LSSVM模型。

在應(yīng)用網(wǎng)格搜索法時，在[C∈[0，1]]和[D∈[0，2]]區(qū)間內(nèi)，留一最小誤差平方和與[C，D]有著錯綜復(fù)雜的關(guān)系，只有將步長設(shè)置的非常小時，才能夠得到高精度的最優(yōu)超參數(shù)值，這無形中降低了效率。

3 仿真實驗結(jié)果與分析

本文通過對比FR?LSSVM、LS?SVM、標(biāo)準SVM和BP神經(jīng)網(wǎng)絡(luò)對火焰圖像處理結(jié)果的分析說明FR?LSSVM的優(yōu)越性能。

在圖像特征數(shù)據(jù)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(shù)據(jù)中先取出一組數(shù)據(jù)用來預(yù)測分類，然后優(yōu)化選擇剩余的80組數(shù)據(jù)的超參數(shù)。在每次構(gòu)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(yōu)選后的超參數(shù)更加穩(wěn)定。選取60個樣本用來訓(xùn)練，20個樣本用來測試，4種方法的結(jié)果對比如表2所示。

由表2可得，BP神經(jīng)網(wǎng)絡(luò)和LS?SVM方法的識別率都相對較低，而FR?LSSVM和標(biāo)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(xùn)練時間較短，而標(biāo)準SVM和BP神經(jīng)網(wǎng)絡(luò)所需的訓(xùn)練時間則相對較長，而且BP神經(jīng)網(wǎng)絡(luò)不僅是訓(xùn)練時間長，識別率也很低，若想改變這一現(xiàn)象，需要修正BP神經(jīng)網(wǎng)絡(luò)的權(quán)值。雖然標(biāo)準SVM的識別率比LS?SVM高，但是需要大量的訓(xùn)練和識別時間。FR?LSSVM超參數(shù)的算法具有算法穩(wěn)定、所需時間短、不確定性低的優(yōu)點，非常適合構(gòu)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(biāo)不完整或提取目標(biāo)里有噪聲都可能導(dǎo)致識別率降低。

為了進一步測試本文提出算法的環(huán)境適應(yīng)性和檢測可靠性，在模擬巷道里進行實驗，結(jié)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(jié)果與表2相同，檢測率最高的是FR?LSSVM，第二高的是標(biāo)準SVM，而BP和LS?SVM的檢測率低于FR?LSSVM和標(biāo)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(shù)的影響。

4 結(jié) 語

本文針對火災(zāi)識別方法問題進行研究，在分析研究圖像特征的基礎(chǔ)上，結(jié)合火災(zāi)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(zāi)圖像處理方法。通過共軛梯度法對超參數(shù)進行尋優(yōu)操作，構(gòu)建FR?LSSVM模型。通過對BP神經(jīng)網(wǎng)絡(luò)、LS?SVM和標(biāo)準SVM、FR?LSSVM仿真實驗結(jié)果的對比分析，可以看出相比于傳統(tǒng)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(xué)習(xí)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(yōu)化策略[J].電工技術(shù)學(xué)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(yù)警系統(tǒng)模式識別[J].光學(xué)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(shù)的變量預(yù)測模型模式識別方法[J].航空動力學(xué)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(zāi)識別方法研究[J].紅外技術(shù)，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(zāi)檢測與識別研究[D].西安：西安科技大學(xué)，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.