劉亞如 段中鈺

(北京信息科技大學(xué)信息與通信工程學(xué)院 北京 100101)

0 引 言

火災(zāi)是人類安全的重大威脅之一，火災(zāi)燃燒迅速、蔓延廣泛等特點(diǎn)，嚴(yán)重危及著人類的生命財(cái)產(chǎn)安全，影響社會(huì)的和諧穩(wěn)定發(fā)展。因此，準(zhǔn)確有效地識(shí)別火災(zāi)圖像，及時(shí)對(duì)火災(zāi)的發(fā)生進(jìn)行預(yù)警和防控對(duì)保護(hù)環(huán)境和減少生命與財(cái)產(chǎn)損失具有重要的現(xiàn)實(shí)意義。圖像型火災(zāi)檢測技術(shù)采用視頻分析，對(duì)火災(zāi)圖像特征進(jìn)行提取分析，實(shí)現(xiàn)火災(zāi)識(shí)別[1-3]。目前許多學(xué)者針對(duì)圖像識(shí)別進(jìn)行了大量研究，在火災(zāi)識(shí)別方面也提出很多方法。文獻(xiàn)[4]中提出利用視覺注意機(jī)制進(jìn)行火災(zāi)探測和識(shí)別，文獻(xiàn)[5]中提出基于多通道卷積神經(jīng)網(wǎng)絡(luò)的火災(zāi)識(shí)別方法，文獻(xiàn)[6]提出了在火災(zāi)探測中使用靜態(tài)和動(dòng)態(tài)紋理分析的火焰檢測方法來提高分類精度，文獻(xiàn)[7]提出哈希編碼技術(shù)識(shí)別森林火災(zāi)圖像的算法。

在實(shí)際應(yīng)用中，為了提高識(shí)別的準(zhǔn)確率，往往基于多特征融合，即提取多種火災(zāi)特征進(jìn)行綜合判別，因此，需要結(jié)合機(jī)器學(xué)習(xí)技術(shù)設(shè)計(jì)合適的火災(zāi)識(shí)別分類器。采用支持向量機(jī)識(shí)別火災(zāi)圖像具有較高的準(zhǔn)確率[8-9]，但是支持向量機(jī)參數(shù)的人為選擇在一定程度上影響其分類能力。在實(shí)際應(yīng)用中，需要根據(jù)實(shí)際模型選取支持向量機(jī)的的參數(shù)。文獻(xiàn)[10]利用共軛梯度算法構(gòu)建FR-LSSVM識(shí)別火災(zāi)圖像。利用智能算法優(yōu)化SVM參數(shù)，迭代尋優(yōu)得到最佳參數(shù)解決實(shí)際分類識(shí)別問題，如文獻(xiàn)[11]利用改進(jìn)粒子群算法優(yōu)化的SVM對(duì)模擬電路故障進(jìn)行診斷。文獻(xiàn)[12]利用遺傳算法優(yōu)化SVM參數(shù)，構(gòu)建GA-SVM模型對(duì)機(jī)采籽棉進(jìn)行圖像分割和雜質(zhì)識(shí)別。文獻(xiàn)[13]利用果蠅算法調(diào)整支持向量機(jī)參數(shù)，建立FOA-SVM模型解決醫(yī)學(xué)數(shù)據(jù)分類問題。文獻(xiàn)[14]利用FOA-SVM模型進(jìn)行瓦斯爆炸風(fēng)險(xiǎn)模式識(shí)別。果蠅算法是繼遺傳算法、粒子群算法、蟻群算法等典型的優(yōu)化算法之后，Wen-Tsao Pan從果蠅的覓食行為中得到啟發(fā)而提出的一種新型群體智能優(yōu)化方法。與其他優(yōu)化算法相比，果蠅算法實(shí)現(xiàn)簡單，只需要調(diào)節(jié)兩個(gè)參數(shù)，且全局優(yōu)化能力強(qiáng)，在實(shí)際應(yīng)用中具有一定的價(jià)值[15-18]。

為了提高SVM的分類能力，提高火災(zāi)圖像識(shí)別的準(zhǔn)確率，本文采用果蠅算法搜索支持向量機(jī)的懲罰因子和最優(yōu)核參數(shù)，并引入邏輯函數(shù)改善果蠅算法易陷入局部最優(yōu)的缺點(diǎn)，提出改進(jìn)FOA-SVM分類模型，結(jié)合火焰提取特征，訓(xùn)練和識(shí)別火災(zāi)圖像。實(shí)驗(yàn)結(jié)果表明，該模型提高了火災(zāi)圖像識(shí)別準(zhǔn)確率，在火災(zāi)檢測方面具有重要的實(shí)際意義。

1 相關(guān)算法及其改進(jìn)

1.1 果蠅算法基本原理

果蠅算法(FOA)是基于果蠅群體行為尋找全局優(yōu)化的智能算法，該算法通過嗅覺搜索改善果蠅的多樣性，增加果蠅個(gè)體的搜索空間，快速確定出食物的大概方向，然后通過視覺快速收斂果蠅搜索確定食物源位置，以實(shí)現(xiàn)求解最優(yōu)值。果蠅群體搜索食物的過程如圖1所示。

圖1 果蠅種群搜索食物示意圖

果蠅種群搜索食物的步驟如下：

(1) 初始化：初始化果蠅群體的初始位置；

(2) 嗅覺搜索：果蠅個(gè)體利用嗅覺搜索空氣中的不同味道，并隨機(jī)選擇搜索方向和距離；

(3) 個(gè)體評(píng)價(jià)：當(dāng)果蠅個(gè)體搜索到新位置時(shí)，計(jì)算其味道濃度判定值和味道濃度，選擇當(dāng)前群體中味道濃度值最大的果蠅個(gè)體，記錄味道濃度值和相應(yīng)果蠅個(gè)體位置；

(4) 視覺搜索：記錄并保存當(dāng)前群體中味道濃度最大值和最優(yōu)果蠅個(gè)體的位置，其他果蠅根據(jù)視覺向該最優(yōu)個(gè)體位置進(jìn)行尋找；

(5) 判斷算法是否結(jié)束：迭代尋優(yōu)，若達(dá)到終止條件，則輸出最優(yōu)解，否則繼續(xù)嗅覺搜索進(jìn)行迭代。

1.2 改進(jìn)果蠅算法原理

影響果蠅算法收斂精度和速度的主要因素有初始位置和搜索距離，在果蠅算法的每次迭代中，果蠅群體都是以最后一次迭代的最優(yōu)個(gè)體為中心，以固定的步長值搜索食物源。如果步長值較大，該算法將在全局優(yōu)化中獲得更好的性能，可以快速定位最優(yōu)解的近似范圍，但在局部優(yōu)化過程中，算法的收斂精度和搜索效率無法得到保證。如果步長值較小，該算法很容易陷入局部最優(yōu)并出現(xiàn)早熟收斂。為了解決這個(gè)問題，使果蠅搜索距離不再固定，引入邏輯函數(shù)對(duì)搜索步長進(jìn)行改進(jìn)，邏輯函數(shù)如下：

(1)

式中：L為校正函數(shù)，x為校正因子，取值范圍為[0，1]?？紤]當(dāng)前迭代次數(shù)和最大迭代次數(shù)以及邏輯函數(shù)的關(guān)系，設(shè)置自適應(yīng)搜索距離D：

D=R×L×(g/N)

(2)

式中：R為初始步長值，L為校正函數(shù)，g為當(dāng)前迭代次數(shù)，N為最大迭代次數(shù)。

引入邏輯函數(shù)自適應(yīng)調(diào)整步長可以使果蠅算法在早期迭代中具有較大的隨機(jī)步長值，以避免早熟收斂。隨著迭代次數(shù)的增加，D將通過邏輯函數(shù)曲線減小，在之后的迭代中，較小的步長使果蠅算法具有較好的局部優(yōu)化性能。

1.3 SVM算法基本原理

支持向量機(jī)采用了二次規(guī)劃尋優(yōu)，使用SVM可以在一定的函數(shù)子集運(yùn)算下將結(jié)構(gòu)風(fēng)險(xiǎn)控制到最小，使機(jī)器學(xué)習(xí)在訓(xùn)練樣本的情況下得到最小的誤差。因而可以得到全局最優(yōu)解，解決了在神經(jīng)網(wǎng)絡(luò)中無法避免的局部極小問題。由于采用了核函數(shù)，巧妙地解決了維數(shù)問題，使得算法復(fù)雜度與樣本維數(shù)無關(guān)，非常適合處理非線性問題。用于分類的支持向量機(jī)算法如下：令{(xi,yi),i=1,2，…,l}表示一組訓(xùn)練數(shù)據(jù)，其中xi∈Rd是具有d維的輸入數(shù)據(jù)，yi表示與xi對(duì)應(yīng)的輸出標(biāo)簽。線性決策表面由f(x)=+b定義，其中w是權(quán)重向量，b是偏移量。線性SVM通過解決如下優(yōu)化問題實(shí)現(xiàn)了最佳超平面：

(3)

式中:C為懲罰參數(shù)，ξ為松弛因子，w是權(quán)重，b是偏移量。

通過引入拉格朗日乘子αi(i=1,2,…,n)，將式(3)轉(zhuǎn)換為拉格朗日對(duì)偶問題:

(4)

非線性SVM通過引入核函數(shù)構(gòu)造并求解最優(yōu)化問題:

(5)

式中:K(xi,xj)是核函數(shù)，αi為拉格朗日乘子。則決策函數(shù)為：

(6)

這里選擇徑向基函數(shù)，相比于其他核函數(shù)，它只需要確定一個(gè)參數(shù)，并且函數(shù)復(fù)雜度較低，其公式如下：

(7)

式中:e是徑向基函數(shù)的核參數(shù)。

2 改進(jìn)FOA-SVM參數(shù)優(yōu)化模型

參數(shù)優(yōu)化和特征選擇控制SVM的性能，它的分類效果主要取決于懲罰參數(shù)C和核參數(shù)e，人為地選擇SVM參數(shù)具有盲目性，對(duì)其分類能力影響較大，本文利用改進(jìn)FOA及其優(yōu)化特點(diǎn)對(duì)懲罰參數(shù)C和核參數(shù)e進(jìn)行尋優(yōu)，提高了SVM的分類能力。

該模型主要包括內(nèi)部參數(shù)優(yōu)化和外部性能評(píng)估兩個(gè)過程。在內(nèi)部參數(shù)優(yōu)化過程中，改進(jìn)FOA通過交叉驗(yàn)證動(dòng)態(tài)調(diào)整支持向量機(jī)參數(shù)。然后，在外部循環(huán)中，用獲得的最優(yōu)參數(shù)的支持向量機(jī)識(shí)別圖像。本文將交叉驗(yàn)證的準(zhǔn)確率作為適應(yīng)度函數(shù)，模型流程圖如圖2所示。

圖2 改進(jìn)FOA-SVM模型流程圖

整個(gè)參數(shù)調(diào)優(yōu)具體過程如下:

步驟1初始化果蠅的迭代次數(shù)N、種群規(guī)模sizepop、初始位置(X_axis,Y_axis)和初始搜索距離R。

步驟2根據(jù)式(2)得到自適應(yīng)步長值D，果蠅根據(jù)該步長和隨機(jī)方向搜索食物，如下所示：

Xi=X_axis+D×rand()

Yi=Y_axis+D×rand()

(8)

式中：Xi、Yi為果蠅個(gè)體的坐標(biāo)值，i為果蠅的數(shù)量，rand()為隨機(jī)搜索方向。

步驟3根據(jù)果蠅個(gè)體的位置坐標(biāo)計(jì)算味道濃度判定值，方法如下式所示：

(9)

式中：Xi、Yi為果蠅個(gè)體的坐標(biāo)，Disti為果蠅個(gè)體與原點(diǎn)的距離，Si為味道濃度判定值。

步驟4利用交叉驗(yàn)證方法對(duì)訓(xùn)練樣本分類，得到的準(zhǔn)確率作為果蠅個(gè)體的適應(yīng)度函數(shù)，計(jì)算當(dāng)前果蠅個(gè)體的味道濃度值。

步驟5更新并記錄最佳味道濃度值和最優(yōu)果蠅個(gè)體的坐標(biāo)，繼續(xù)迭代。

步驟6當(dāng)?shù)螖?shù)滿足終止條件時(shí)停止搜索，最終輸出最佳參數(shù)(Cbest,ebest)。

步驟7以改進(jìn)FOA算法搜索SVM中懲罰參數(shù)C和核函數(shù)參數(shù)e的最優(yōu)解(Cbest,ebest)構(gòu)建SVM訓(xùn)練模型，使用訓(xùn)練好的改進(jìn)FOA-SVM模型完成圖像識(shí)別與分類。

3 基于改進(jìn)FOA-SVM火災(zāi)圖像識(shí)別模型

3.1 火災(zāi)圖像特征提取

通過提取不同的特征組合并進(jìn)行歸一化處理后進(jìn)行火災(zāi)識(shí)別。本文選取的識(shí)別判據(jù)為火焰的顏色特征、圓形度和紋理特征。通過提取火災(zāi)圖像的RGB分量得到顏色特征；通過圓形度公式和計(jì)算灰度共生矩陣提取火災(zāi)圖像的紋理特征，包括能量、相關(guān)性、熵和慣性矩四個(gè)參數(shù)的均值和標(biāo)準(zhǔn)差。

圓形度：計(jì)算目標(biāo)區(qū)域形狀的復(fù)雜程度判斷物體形狀的規(guī)則程度。

(10)

式中：C為圓形度值，歸一化后取值為0～1，S為火焰面積，L為火焰邊界周長。

能量：衡量圖像灰度分布的均勻程度，能量越小，圖像紋理越平滑。

(11)

式中：P為灰度共生矩陣，i、j為像素灰度值，d為兩點(diǎn)的距離，θ為方向。

熵：表示圖像灰度分布的復(fù)雜度和隨機(jī)性，可以用來度量圖像的信息量:

(12)

慣性矩：描述圖像紋理深淺和清晰程度。

(13)

相關(guān)性：衡量圖像的灰度級(jí)在行或列方向上的相關(guān)程度，從而反映局部灰度相關(guān)性。

(14)

式中：

(15)

通過以上公式計(jì)算得到圖像的紋理特征，將提取的所有特征構(gòu)建特征向量Ti作為SVM分類的依據(jù)。

(16)

式中：X1～X3是圖像的顏色特征，X4是圖像的圓形度特征，X5～X8是圖像的紋理特征，部分火災(zāi)圖像和非火災(zāi)圖像對(duì)應(yīng)的特征向量如表1和表2所示。

表1 火災(zāi)圖像特征向量

續(xù)表1

表2 非火災(zāi)圖像特征向量

3.2 參數(shù)優(yōu)化圖像識(shí)別模型

本文的實(shí)驗(yàn)環(huán)境是Intel(R)Core(TM)i5-4200U CPU，主頻為2.30 GHz，內(nèi)存4 GB，Windows 7系統(tǒng)，以MATLAB R2014a為主要開發(fā)工具，為了驗(yàn)證本文方法的有效性，設(shè)置果蠅種群迭代次數(shù)為200，種群規(guī)模為30，迭代尋優(yōu)后得到懲罰參數(shù)C=12.089 7，核函數(shù)參數(shù)e=1.848 9的火災(zāi)圖像識(shí)別模型。

3.3 模型驗(yàn)證

通過建立的改進(jìn)FOA-SVM模型對(duì)輸入的特征向量進(jìn)行訓(xùn)練和測試，將火災(zāi)圖片標(biāo)記為1，非火災(zāi)標(biāo)記為0，然后提取每個(gè)圖片的顏色特征、圓形度和紋理特征構(gòu)建特征向量Ti，將其作為訓(xùn)練樣本，得到最優(yōu)分類超平面。再將30幅火災(zāi)圖片，30幅非火災(zāi)圖片輸入到此分類超平面中，驗(yàn)證其準(zhǔn)確率，訓(xùn)練和測試的準(zhǔn)確率分別如圖3和圖4所示。

圖3 訓(xùn)練樣本準(zhǔn)確率

圖4 測試樣本準(zhǔn)確率

為了驗(yàn)證本文優(yōu)化方法得到的改進(jìn)FOA-SVM模型的準(zhǔn)確率與運(yùn)行效率，分別將遺傳算法、基本果蠅算法和本文中的改進(jìn)果蠅算法對(duì)SVM的懲罰參數(shù)C和核參數(shù)e進(jìn)行優(yōu)化。其中遺傳算法和基本果蠅算法的種群迭代次數(shù)和種群規(guī)模與本文算法設(shè)置相同，分別為200和30，迭代尋優(yōu)后得到的最優(yōu)懲罰參數(shù)C和核參數(shù)e如表3所示。利用最優(yōu)參數(shù)建立SVM模型、GA-SVM模型和FOA-SVM模型并對(duì)火災(zāi)圖像進(jìn)行識(shí)別，將識(shí)別結(jié)果與本文的改進(jìn)FOA-SVM識(shí)別模型結(jié)果進(jìn)行比較，對(duì)比結(jié)果如表3所示。

表3 不同識(shí)別模型結(jié)果對(duì)比

實(shí)驗(yàn)結(jié)果表明，改進(jìn)FOA-SVM模型能夠提高優(yōu)化SVM參數(shù)的精度和運(yùn)行時(shí)間，相比于其他識(shí)別模型來說，火災(zāi)圖像識(shí)別準(zhǔn)確率更高且運(yùn)行時(shí)間較短。本文提出的改進(jìn)果蠅算法提高了搜索SVM全局最佳值的能力，在對(duì)SVM參數(shù)搜索尋優(yōu)后選擇的參數(shù)更合適，使火災(zāi)識(shí)別的準(zhǔn)確率達(dá)到了97.62%，對(duì)火災(zāi)圖像的識(shí)別效果更好，顯著提高了火災(zāi)圖像識(shí)別的準(zhǔn)確率和運(yùn)行效率。

4 結(jié) 語

本文提出一種基于改進(jìn)FOA-SVM的火災(zāi)圖像識(shí)別模型。該模型在支持向量機(jī)的基礎(chǔ)上，利用果蠅算法的覓食行為和尋優(yōu)過程結(jié)合邏輯函數(shù)調(diào)整搜索步長，并根據(jù)味道濃度函數(shù)的判定搜索得到SVM的最優(yōu)參數(shù)，利用最優(yōu)參數(shù)構(gòu)建火災(zāi)識(shí)別模型，進(jìn)一步改善了識(shí)別效果。經(jīng)實(shí)驗(yàn)結(jié)果與分析得到如下結(jié)論：

(1) 改進(jìn)果蠅算法中搜索距離不再固定不變，避免了局部最優(yōu)，搜索的支持向量機(jī)的最佳懲罰參數(shù)和核函數(shù)參數(shù)更準(zhǔn)確，提高了支持向量機(jī)的分類性能。

(2) 人為選擇支持向量機(jī)的參數(shù)會(huì)產(chǎn)生隨機(jī)性和盲目性，且對(duì)其分類影響能力較大。本文提取火災(zāi)的典型特征構(gòu)建分類樣本集，分為訓(xùn)練集和測試集兩部分。利用改進(jìn)FOA訓(xùn)練樣本數(shù)據(jù)選擇最優(yōu)參數(shù)建立改進(jìn)FOA-SVM火災(zāi)圖像識(shí)別模型，通過該模型對(duì)測試集圖片進(jìn)行分類識(shí)別。實(shí)驗(yàn)表明該模型具有更好的識(shí)別精度和運(yùn)行效率，在火災(zāi)探測方面具有實(shí)際的應(yīng)用價(jià)值。