丁毓峰，徐 鑫

(武漢理工大學 機電工程學院，湖北 武漢 430070)

森林火災具有成災面積大，火區(qū)溫度高等特點，一旦發(fā)生便難以控制，對自然環(huán)境和相關人員的生命財產(chǎn)造成嚴重破壞[1]。因此，森林火災監(jiān)測系統(tǒng)的建立具有重要意義。隨著電子與計算機技術的發(fā)展，基于圖像處理技術的森林火災監(jiān)測方法由于其監(jiān)測效率高、漏報率低的優(yōu)點，被大量應用到實際中，同時，越來越多的研究人員開始研究森林火災的圖像檢測技術，如Muhammad等[2]提出了一種基于卷積神經(jīng)網(wǎng)絡的有效方法，實現(xiàn)了對不確定監(jiān)視環(huán)境中的視頻進行火災識別。Saeed等[3]提出了基于3種深層神經(jīng)網(wǎng)絡的火災監(jiān)測模型，使用Adaboost-MLP模型和卷積神經(jīng)網(wǎng)絡對火焰進行識別。Zaman等[4]提出了基于計算機視覺的火災檢測技術，使用小波變換來判斷運動區(qū)域中是否存在火焰，同時跟蹤著火區(qū)域的增長率，以區(qū)分危險著火和受控著火。黎傳琛等[5]使用遷移學習作為特征提取器提取特征,然后進行特征融合并結合傳統(tǒng)機器學習分類器方法進行識別。曾思通等[6]利用改進的選擇性背景更新模型提取了視頻圖像中運動前景目標,然后通過分析火焰的特征，提出了一種基于層次分析法的火焰多種動態(tài)特征融合的檢測識別方法。張秀玲等[7]提出了張量對象特征提取的多線性主成分分析深度學習算法，使用多線性主成分分析算法構建學習濾波器，并將其作為深度學習網(wǎng)絡卷積層的卷積核，對張量對象的高維圖像進行特征提取，可有效識別火災圖像及干擾圖像。

筆者首先根據(jù)顏色提取森林火災目標區(qū)域，然后從形狀特征、紋理特征以及動態(tài)特征3個方面提取森林火焰及煙霧的特征，并分別整理成特征向量，并將該特征向量作為核極限學習機的輸入，為提高分類器的分類準確率，使用粒子群算法對核極限學習機參數(shù)進行尋優(yōu)。

1 森林火災圖像目標區(qū)域提取

森林火災發(fā)生時的主要特征包括火焰及煙霧，且火焰和煙霧相對于圖像中其他物體的顏色有著明顯的區(qū)別，在對圖像進行處理前，首先通過顏色檢測該圖像中是否存在目標區(qū)域可加快森林火災識別效率。相機采集的圖像是基于RGB色彩空間的，為了清楚地展示火焰RGB圖像在R、G、B 3個通道的像素值關系，將火焰圖像的RGB 3通道分離出來，分離后火焰圖像在3個通道的分量圖如圖1所示。

圖1 火焰RGB圖像各通道對比

從圖1可知，火焰圖像在R通道亮度最高，且火焰區(qū)域的輪廓較為清晰，G通道次之，在B通道亮度最低，且輪廓不清晰，故火焰圖像的RGB3通道像素值關系可表示為：

R>G>B

(1)

為更加準確地分析火災圖像中各分量分布規(guī)律，隨機選擇100張火焰圖像與100張非火焰圖像，并手動分割火焰圖像中的火焰像素點，然后分別統(tǒng)計火焰圖像中的火焰像素點和非火焰圖像的所有像素點的RGB值，統(tǒng)計結果如圖2所示。

圖2 圖像RGB分量統(tǒng)計結果

從圖2可知，火焰圖像與非火焰圖像的RGB分布差別較大，而非火焰圖像的RGB分布較為平均。因此，根據(jù)上述實驗結果，提出RGB圖像中火焰像素的判據(jù)為：

(2)

式中：RT,BT分別為R通道和B通道像素值的閾值，通過實驗分析，RT的取值范圍為[160,190]，BT的取值范圍為[80,100]。

煙霧圖像在RGB圖像中并不明顯，Emmy等[8]研究了煙霧在YUV顏色空間中的分布規(guī)律，并提出了YUV顏色空間中的煙霧分割規(guī)則如式(3)所示。

(3)

其中，TU和TUV取值分別為60，40。

根據(jù)式(2)和式(3)的火焰及煙霧判據(jù)對火焰及煙霧圖像進行處理，結果如圖3所示。

圖3 火焰及煙霧圖像目標區(qū)域分割效果

經(jīng)過火焰與煙霧分割，得到的分割圖像中存在細小的孔洞或噪聲點，會影響下一步的特征提取結果，因此，根據(jù)式(4)使用核B對A圖像進行形態(tài)學處理。

2 森林火災圖像特征提取

選擇合適的火焰及煙霧特征，可以降低目標區(qū)域中干擾物的影響，提高森林火災識別算法的識別率，并降低誤報率。

2.1 形狀特征

(1)圓形度。圓形度是指目標區(qū)域輪廓與圓形相似的程度，可應用于度量物體輪廓的復雜性[9]。圓形度的計算公式為：

(5)

式中：S為目標區(qū)域的面積；L為目標區(qū)域輪廓的周長。

火焰、煙霧及干擾物的圓形度如表1所示。

(2)尖角個數(shù)。由于火焰在燃燒的過程中，存在邊緣抖動的現(xiàn)象，因此會產(chǎn)生很多小的尖角[10]，因此，尖角個數(shù)也可以作為一個特征。火焰、煙霧及干擾物的尖角個數(shù)如表2所示。

表1 火焰、煙霧及干擾物的圓形度

表2 火焰、煙霧及干擾物的尖角個數(shù)

2.2 紋理特征

火焰和煙霧的紋理與其他干擾物有著明顯的區(qū)別，灰度共生矩陣(gray-level co-occurrence matrix,GLCM)考慮的是二階統(tǒng)計量，研究有一定關系的像素對[11]，不僅反映了亮度的分布特性，也反映了像素之間的位置分布特性[12]。常用的基于GLCM計算的圖像紋理特征指標有5項，其中，P為(i,j)的像素值；G為灰度共生矩陣的階數(shù)；δ,θ分別表示P的距離和方向。

(1)能量。能量體現(xiàn)了圖像灰度分布的均勻程度。能量E的計算公式為：

(6)

(2)熵。熵體現(xiàn)了圖像的紊亂程度。熵值ENT的計算公式為：

(7)

(3)逆差矩。逆差矩(inverse difference moment,IDM)反映了圖像紋理的局部變化程度。逆差矩IDM的計算公式為：

(8)

(4)慣性矩。慣性矩(inertia moment, IM)描述了圖像灰度分布的空間差異性。慣性矩IM的計算公式為：

(9)

(5)相關矩。相關矩(correlation)反映了像素灰度值之間的線性相關性。相關矩COR的計算公式為：

(10)

2.3 動態(tài)特征

在森林火災發(fā)生時，火焰和煙霧是隨時間不斷擴散、不斷變化的，而背景和各種干擾物則不會有太大的變化。

(1)面積變化率。在森林火災發(fā)生早期，火焰及煙霧的面積都會隨時間逐漸變大，而各種干擾物則不會有太大變化。面積變化率ΔS的計算公式為：

(11)

式中：S(t)為當前幀森林火災目標區(qū)域的面積；S(t-1)為上一幀森林火災目標區(qū)域的面積。

(2)火焰閃頻特征。火焰的閃頻特征是最為明顯的特征之一，是火災檢測的重要依據(jù)?；鹧骈W爍頻率一般為3～25 Hz，可計算連續(xù)10幀圖像內(nèi)的火焰閃爍次數(shù)作為森林火災的閃頻特征。

(3)煙霧重心移動特征。煙霧在擴散過程中重心會隨時間緩慢移動，而與煙霧相似的干擾物大多處于靜止狀態(tài)。煙霧的重心特征計算公式為：

(12)

式中，mij為幾何矩，計算公式為：

(13)

式中：x，y為像素點位置；M，N為選取運動區(qū)域的長和寬；f(x，y)為M×N的圖像中(x，y)的像素值。

通過分別提取火焰和煙霧的形狀、紋理和動態(tài)特征，各自整理成一個特征向量，作為圖像分類算法的輸入, 特征向量的格式如式(14)所示。

(14)

式中：Ffire,Fsmoke分別為火焰及煙霧特征向量；C為圓形度；N為尖角個數(shù)；ME,MENT,MIDM,MIM,MCOR分別為能量、熵、逆差矩、慣性矩、關系矩的平均差；SE,SENT,SIDM,SIM,SCOR分別為能量、熵、逆差矩、慣性矩、關系矩的標準差；ΔS為目標區(qū)域的面積變化率；SUMP為頻閃頻率；L為重心移動距離。

3 基于PSO-KELM的森林火災圖像分類方法

3.1 核極限學習機

極限學習機(extreme learning machine, ELM)是一種快速高效的單隱層前饋神經(jīng)網(wǎng)絡[13]。與傳統(tǒng)的單隱層前饋神經(jīng)網(wǎng)絡相比，ELM有著更快的學習速度以及泛化能力[14]。

極限學習機的結構如圖4所示。

圖4 極限學習機結構

則極限學習機的數(shù)學模型可表示為：

Y=Hβ

(15)

式中：H為隱含層輸出矩陣；β為輸出權值矩陣；Y為極限學習機的輸出矩陣，其學習目的是使得訓練誤差和隱含層權范數(shù)最小，其目標函數(shù)可寫為:

(16)

式中:T為輸入樣本X對應的目標輸出，引入拉格朗日乘子，式(16)可轉(zhuǎn)換成如下目標函數(shù)：

h(xi)β=yi-ξi,i=1,2,…,n

(17)

式中：ξi為訓練誤差；h(xi)為樣本xi的隱含層輸出矩陣；yi為樣本xi的輸出矩陣；C為正則化系數(shù)，根據(jù)KKT理論，極限學習機的輸出結果為[15]:

(18)

當隱含層特征映射h(x)未知時,采用核函數(shù)KELM替換h(x)HT和HHT,則式(18)可寫為：

(19)

筆者選擇高斯徑向核函數(shù)作為核極限學習機的核函數(shù)，其表達式為：

(20)

式中：δ為高斯徑向核函數(shù)帶寬。

3.2 粒子群算法

粒子群優(yōu)化算法是一種群體智能的優(yōu)化算法，該算法將鳥群作為粒子群，并且每一個粒子都具有位置、速度和適應度3個屬性[16]。如在一個D維的搜索空間中，有一個包含n個粒子的種群X={x1,x2,…,xn}，則粒子群算法在解空間中尋優(yōu)的迭代公式如式(21)和式(22)所示。

Vk+1=ωVk+c1r1(Pk-Xk)+c2r2(Gk-Xk)

(21)

Xk+1=Xk+Vk+1

(22)

式中：Vk為粒子第k次迭代的速度；Xk為粒子第k次迭代的位置；ω為慣性權重；c1和c2為加速度因子；r1和r2為[0,1]之間的隨機數(shù)；Pk為個體最優(yōu)位置；Gk為群體最優(yōu)位置。

為保證粒子群算法收斂速度的同時，提高其全局尋優(yōu)能力，使用式(23)來動態(tài)調(diào)整ω的值。

ωk+1=ωk-Δf·e-h/T·b·fmax

(23)

式中：fmax為當前迭代次數(shù)下最大適應度值；Δf為最大適應度值與最小適應度函數(shù)的差值；T為粒子群最大迭代次數(shù)；b，h為調(diào)節(jié)參數(shù)。

3.3 基于PSO-KELM的森林火災圖像識別算法

將火災的特征向量作為KELM(kernel extreme learning machine)的輸入，為降低不同特征量的差異造成的影響，使用式(24)對火災的不同特征值歸一化至[-1,1]。

(24)

式中：xi為火災特征向量中的第i(i=1,2,…,14)維特征量；xmax與xmin分別為該特征量的最大值與最小值。將KELM的識別率作為PSO(particle swarm optimization)算法的適應度函數(shù)，可表示為：

(25)

式中：Dnum為正確分類數(shù)目；Anum為樣本總數(shù)。

筆者所設計的PSO-KELM森林火災圖像識別算法過程如圖5所示。

圖5 PSO-KELM算法流程

3.4 仿真實驗結果及分析

為驗證上述森林火災識別算法，建立了圖像數(shù)據(jù)庫。其中正負樣本集各35 000張。正樣本和負樣本的選擇如圖6所示。

圖6 正負樣本的選擇

將數(shù)據(jù)集中80%的圖像用于訓練核極限學習機，20%的圖像用于測試。訓練過程中PSO的參數(shù)如表3所示。

表3 PSO參數(shù)設置

使用改進PSO算法,核極限學習機的尋優(yōu)過程中最優(yōu)個體適應度變化如圖7所示, 最終得到的最優(yōu)個體適應度值為0.93，得到的核極限學習機參數(shù)如表4所示。

圖7 尋優(yōu)過程中最優(yōu)個體適應度變化

表4 改進PSO尋優(yōu)結果

為驗證所設計算法的性能，同時使用反向傳播神經(jīng)網(wǎng)絡(back propagation neural networks,BPNN)、支持向量機(support vector machines，SVM)算法進行對比，3種方法的識別正確率及誤報率如表5所示。

表5 3種不同方法的森林火災識別正確率及誤報率對比

對比表5中的結果發(fā)現(xiàn)，相比于BPNN分類法和SVM分類法，筆者所提算法在識別率及誤報率上都有明顯的優(yōu)勢。3種方法的識別速度對比如表6所示。

表6 3種方法的識別速度對比

從表6可知，PSO-KELM方法具有較高的實時性，可以用于森林火災的實時監(jiān)測。

4 結論

筆者首先根據(jù)火焰及煙霧的顏色從圖像中提取森林火災目標區(qū)域，然后提取目標區(qū)域的形狀特征、紋理特征以及動態(tài)特征，整合成特征向量，將該特征向量作為核極限學習機的輸入，為提高識別準確率，使用粒子群算法對核極限學習機的參數(shù)尋優(yōu)。實驗結果表明，該方法進行火災圖像識別具有較高的準確率，可以用于森林火災的實時監(jiān)測。