大空間建筑火源的精確定位方法

毛　穎　王慧琴，2　盧　英,2　秦立科

1(西安建筑科技大學(xué)信息與控制工程學(xué)院　陜西 西安 710055)

2(西安建筑科技大學(xué)管理學(xué)院　陜西 西安 710055)

?

大空間建筑火源的精確定位方法

毛穎1王慧琴1，2盧英1,2秦立科1

1(西安建筑科技大學(xué)信息與控制工程學(xué)院陜西 西安 710055)

2(西安建筑科技大學(xué)管理學(xué)院陜西 西安 710055)

摘要針對(duì)大空間建筑火源定位精度低和實(shí)時(shí)性差的問(wèn)題，提出一種基于火焰圖像熵值加速魯棒性特征SURF(Speeded Up Robust Features)的改進(jìn)遺傳算法求解框架應(yīng)用在大空間建筑火源定位中。在良好的火源探測(cè)下，首先用SURF算法提取火焰特征點(diǎn)，引入特征點(diǎn)熵值來(lái)減少誤匹配，得到較好的匹配點(diǎn)對(duì)，進(jìn)一步求解攝像機(jī)參數(shù)。通過(guò)改進(jìn)選擇、交叉、變異算子設(shè)計(jì)大空間建筑火源定位中攝像機(jī)標(biāo)定的遺傳算法，最終獲得火源三維信息。實(shí)驗(yàn)結(jié)果表明，提出的新算法應(yīng)用在大空間建筑火源定位中能更好恢復(fù)火源的三維深度信息。

關(guān)鍵詞攝像機(jī)標(biāo)定加速魯棒性特征火焰熵值改進(jìn)遺傳算法火源定位

PRECISE LOCALISATION METHOD FOR FIRE SOURCES IN LARGE-SPACE BUILDINGS

Mao Ying1Wang Huiqin1,2Lu Ying1,2Qin Like1

1(School of Information and Control Engineering, Xi’an University of Architecture and Technology, Xi’an 710055,Shannxi,China)2(School of Management ,Xi’an University of Architecture and Technology, Xi’an 710055,Shannxi,China)

AbstractIn order to solve the problems of low accuracy in fire source localisation and poor real-time property in large-space buildings, we proposed a solution framework of improved genetic algorithm, which is based on flame image entropy accelerating the robust feature (SURF), to apply in the fire source localisation of large-space buildings. Under the condition of good fire source detection, it first extracts flame feature points with SURF algorithm, then introduces the entropy of the feature points to reduce mismatching, and gets better matching-point pairs to further solve the parameters of video camera. We designed a genetic algorithm for camera calibration in fire source localisation of large-space buildings by improving the selection, crossover and mutation operators, and finally obtained the three-dimensional information of fire source. Experimental result illustrated that applying the proposed new algorithm in fire source localisation of large-space buildings can better restore 3D depth information of fire source.

KeywordsCamera calibrationAccelerating robust featuresFire entropyImproved genetic algorithmLocalisation of fire source

0引言

在城市化發(fā)展進(jìn)程中，大空間建筑的出現(xiàn)給我們的生活帶來(lái)便利，但是大空間建筑中嚴(yán)峻的火災(zāi)形勢(shì)也給人們帶來(lái)了嚴(yán)重的危害。火源定位是火災(zāi)探測(cè)和火災(zāi)撲救的重要中間環(huán)節(jié)，火源定位的精度和實(shí)時(shí)性直接影響到火災(zāi)及時(shí)有效的撲救。因此在火災(zāi)發(fā)生初期及時(shí)有效地確定火源位置并滅火具有很強(qiáng)的實(shí)用性和研究?jī)r(jià)值。

火源定位可分為四個(gè)步驟，如圖1所示。

圖1火源定位流程圖

攝像機(jī)標(biāo)定是其關(guān)鍵環(huán)節(jié)。標(biāo)定結(jié)果的精度和算法的魯棒性直接影響到后面獲得火源三維空間位置的準(zhǔn)確性。通過(guò)對(duì)標(biāo)定技術(shù)進(jìn)行研究、仿真、分析確定自標(biāo)定方法[1]適用于大空間建筑火源定位攝像機(jī)標(biāo)定情況。

文獻(xiàn)[2]中用SIFT算法對(duì)火焰圖像進(jìn)行特征點(diǎn)提取和匹配，雖然SIFT算法對(duì)火焰圖像的尺度變換和抗噪聲性較好，但SIFT算法的時(shí)間復(fù)雜度較高會(huì)影響到后面定位滅火的實(shí)時(shí)性，并且局部匹配可能會(huì)丟失火焰圖像中的一些重要信息。文獻(xiàn)[3]中使用基于雙目視覺(jué)的攝像機(jī)標(biāo)定方法，該方法可對(duì)畸變因子進(jìn)行校正，但在大空間火源定位中運(yùn)動(dòng)參數(shù)未知，高溫危險(xiǎn)環(huán)境下無(wú)法使用標(biāo)定快，不具有適用性。文獻(xiàn)[4]中用遺傳算法對(duì)攝像機(jī)標(biāo)定結(jié)果進(jìn)行優(yōu)化。該方法可以提高攝像機(jī)自標(biāo)定結(jié)果的精度，并排除噪聲點(diǎn)造成的極點(diǎn)不穩(wěn)定情況。但未對(duì)局部最優(yōu)解作相關(guān)。未能對(duì)選擇、交叉、變異算子做合理設(shè)計(jì)。使得標(biāo)定結(jié)果的魯棒性欠佳。文獻(xiàn)[5]綜述了遺傳算法的改進(jìn)方法及適用性。

本文在文獻(xiàn)[2-5]的基礎(chǔ)上，用多幅不同燃料的火焰圖像作為研究對(duì)象，從提高火源定位精度的角度出發(fā)，提出一種基于SURF的改進(jìn)遺傳算法求解框架。根據(jù)火焰圖像亮度信息用SURF算法進(jìn)行特征點(diǎn)提取和匹配，得到較好的匹配點(diǎn)對(duì)，攝像機(jī)標(biāo)定用自標(biāo)定方法，用遺傳算法對(duì)標(biāo)定結(jié)果進(jìn)行優(yōu)化解決其精度不高問(wèn)題，設(shè)計(jì)適用于大空間火源攝像機(jī)參數(shù)優(yōu)化問(wèn)題的選擇、交叉、變異算子。實(shí)驗(yàn)結(jié)果表明，該算法能有效提高大空間建筑火源定位的精度，滿足大空間建筑火源定位要求，能更好地應(yīng)用在大空間建筑火源定位中。

1圖像配準(zhǔn)與攝像機(jī)自標(biāo)定

1.1圖像配準(zhǔn)

特征點(diǎn)提取和匹配是后面攝像機(jī)標(biāo)定以及三維信息恢復(fù)的保證。針對(duì)火源攝像機(jī)標(biāo)定實(shí)時(shí)性差的問(wèn)題，SURF[6,7]算法在準(zhǔn)確性、重復(fù)性和魯棒性上均優(yōu)于其他同類算法，在計(jì)算速度上有明顯優(yōu)勢(shì)，因此采用文獻(xiàn)[8]中所提的SURF算法進(jìn)行火源特征點(diǎn)提取和匹配。

1.2攝像機(jī)自標(biāo)定

基礎(chǔ)矩陣表示相同場(chǎng)景不同視角圖像間的一種攝影幾何關(guān)系。表示為:

m′Fm=0

(1)

式中m和m′分別為兩幅圖像上的匹配點(diǎn)對(duì)，F(xiàn)為基礎(chǔ)矩陣。

kruppa方程為：

(2)

通過(guò)多對(duì)匹配點(diǎn)求出F解出式(2)中的C(K中的元素)即為所要求的值。

在完成特征點(diǎn)提取匹配以及得到標(biāo)定結(jié)果后利用三角形定位原理[9]來(lái)計(jì)算火焰三維深度信息。

2大空間建筑火源定位

2.1火源圖像特征識(shí)別與匹配

在大空間建筑火災(zāi)發(fā)生時(shí)，視頻幀中的火焰邊界不斷變化，因此主要利用火源的高亮度特征來(lái)進(jìn)行特征識(shí)別，保證及時(shí)有效性，對(duì)于火源圖像的灰度值求取二階導(dǎo)，得到亮度變化率的變化率，利用改進(jìn)的SURF算法進(jìn)行特征點(diǎn)提取。實(shí)驗(yàn)研究發(fā)現(xiàn)，在火源特征點(diǎn)提取中，由于許多特征點(diǎn)所含信息量較少，導(dǎo)致匹配計(jì)算量增加，為了解決這個(gè)問(wèn)題，本文在火源圖像配準(zhǔn)中引入火源特征點(diǎn)的熵值，通過(guò)計(jì)算火源特征點(diǎn)熵值來(lái)檢測(cè)其信息量，去掉信息量過(guò)低的特征點(diǎn)，提高算法效率，同時(shí)設(shè)定特征點(diǎn)距離閾值，刪除排列密集的特征點(diǎn)，提高算法的準(zhǔn)確度。

改進(jìn)算法具體步驟如下：

Step1設(shè)兩幅圖像上離散像素點(diǎn)分別為I1(x1,y1)、I2(x2,y2)，構(gòu)造Hessian矩陣行列式近似值圖像，找出圖像上亮度變化像素點(diǎn)；

Step2用不同尺度的高斯模板構(gòu)造尺度空間，處理hessian矩陣找其最大值或最小值做初步特征點(diǎn)。選取特征點(diǎn)主方向，構(gòu)造surf描述算子；

Step3設(shè)提取的特征點(diǎn)集合為M，計(jì)算M集合中所有元素的熵值H,計(jì)算所有熵值的均值作為閾值Hm,設(shè)距離閾值為L(zhǎng)，選取所有大于Hm和L的特征點(diǎn)；

Step4匹配得到匹配點(diǎn)對(duì)m和m′。

2.2大空間火源定位中攝像機(jī)標(biāo)定及深度信息計(jì)算

為了獲取大空間火源位置，利用匹配點(diǎn)對(duì)m和m′，以及式(1)和式(2)求出標(biāo)定結(jié)果，進(jìn)而求出三維深度信息。針對(duì)標(biāo)定結(jié)果精度不高問(wèn)題，遺傳算法[10,11]提供了一種效率高且魯棒性強(qiáng)的方法。因此設(shè)計(jì)一種適用于大空間建筑火源攝像機(jī)標(biāo)定的遺傳算法。

改進(jìn)算法具體步驟如下：

Step1生成初始種群N。編碼方式選擇實(shí)數(shù)編碼。

參數(shù)設(shè)置：NP=100,pc=0.7,pm=0.01,length=5,NG=100。X=(x1,x2,…,xm)，xi∈R,i=1,2,…,m(m為個(gè)體數(shù)目),xi為攝像機(jī)內(nèi)參數(shù)的五個(gè)值fn、fv、u0、v0、s。

Step2適應(yīng)度函數(shù)。令式(2)中三個(gè)等式依次為f1,f2,f3轉(zhuǎn)化為優(yōu)化代價(jià)函數(shù)并作為適應(yīng)度函數(shù)：

f(fn、fv、u0、v0、s)=(f1-f2)2+(f1-f3)2+(f2-f3)2

(3)

通過(guò)使優(yōu)化代價(jià)函數(shù)最小(或接近于0)來(lái)求得各參數(shù)其中m個(gè)個(gè)體的適應(yīng)度值為fm。

Step3改進(jìn)選擇算子。選用精英保留策略和輪盤(pán)賭選擇相結(jié)合。先精英保留，適應(yīng)度值fm按從大到小排序，選擇種群中fmax直接復(fù)制到下一代，再輪盤(pán)賭選擇，下一代的(N-1)個(gè)個(gè)體根據(jù)上一代N個(gè)個(gè)體的適應(yīng)度以概率選擇方法進(jìn)行選擇。

Step5改進(jìn)變異算子設(shè)計(jì)。 選擇自適應(yīng)變異算子。縮小適應(yīng)度較大的個(gè)體的變異范圍。避免收斂至局部最優(yōu),增大適應(yīng)度較小的個(gè)體的變異范圍和變異概率,保證群體中個(gè)體的多樣性。

Step6設(shè)當(dāng)前運(yùn)行代數(shù)為R，最大運(yùn)行代數(shù)為Rmax。當(dāng)R滿足Rmax時(shí)遺傳算法結(jié)束，輸出最優(yōu)標(biāo)定結(jié)果。

Step7獲得匹配和標(biāo)定結(jié)果，利用大空間三角形定位原理計(jì)算出三維深度信息。

3思想流程和核心代碼實(shí)現(xiàn)

具體思想及流程如圖2所示。

圖2　算法思想及流程示意

(1) 監(jiān)控系統(tǒng)發(fā)現(xiàn)火災(zāi)后，攝像機(jī)拍攝火災(zāi)視頻，截取視頻中兩幅火焰圖像；(2)用SURF算法提取火焰特征點(diǎn)引入火焰熵值減少劣特征點(diǎn)并匹配；(3)完成攝像機(jī)標(biāo)定；(4)用改進(jìn)遺傳算法優(yōu)化得到最優(yōu)的標(biāo)定結(jié)果；(5)利用三維重構(gòu)理論中的三角形定位原理完成火源定位計(jì)算出火源的三維深度信息。

? 火焰匹配中核心代碼實(shí)現(xiàn)

用Hessian矩陣檢測(cè)特征點(diǎn)部分加入熵值計(jì)算，提高匹配率，減少匹配時(shí)間。

FastHessian::FastHessian(std::vector &ipts, const int octaves, const int intervals, const int init_sample, const float thresh)

%參數(shù)：存特征點(diǎn)，(階梯，層，采樣間隔)金字塔參數(shù)，閾值。

double Entropy(std::vector &ipts)

%計(jì)算火焰特征點(diǎn)熵值，刪除熵值小的特征點(diǎn)

void Surf::getDescriptors(bool upright) %特征點(diǎn)描述

void Surf::getOrientation() %調(diào)兩個(gè)子函數(shù)確定主方向

void getMatches(IpVec &ipts1, IpVec &ipts2, IpPairVec &matches)

%參數(shù)：圖1特征點(diǎn)描述子，圖2特征點(diǎn)描述值，匹配結(jié)果。

? 標(biāo)定中核心代碼實(shí)現(xiàn)

用自標(biāo)定方法得到標(biāo)定結(jié)果，改進(jìn)遺傳算法中選擇、變異、交叉算子，得到精度高的標(biāo)定結(jié)果。

ComputeF(vector &inlierMap, CvMat *F)

% 計(jì)算F

Pfclose(fundmental); PfromF(F,P)

% 由F計(jì)算投影矩陣

NewAutocalib(K,P); cvMatMul(K,P)

%標(biāo)定完成

(NP=100,pc=0.7,pm=0.01,length=5,NG=100)

%參數(shù)設(shè)置

Pop(i)*K=rand(1)*K;

%隨機(jī)賦初值

K={ fu ,fv ,u0, v0,s}={ 679.29 ,681.35,258.80,383.19, -0.55};

f(fu,fv,u0,v0,s)=(f1-f2)^2+(f1-f3)^2+(f2-f3)^2;

%適應(yīng)度函數(shù)構(gòu)造選擇算子改進(jìn)：錦標(biāo)賽選擇法與精英保留相結(jié)合

pt_ts=rand(1)*(popsize*2-1)+1;

%錦標(biāo)賽選擇法

if pop(i).fit>bestfit

%精英保留策略

交叉算子改進(jìn)：?jiǎn)l(fā)式交叉算子

fitavg(k)=mean(cross_temp1′);fitmax(k)=max(cross_temp1′);

couple=randperm(popsize);

變異算子改進(jìn)：自適應(yīng)變異算子

fitavg(k)=mean(muta_temp1′);fitmax(k)=max(muta_temp1′);

4實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證算法的有效性，在Windows XP(內(nèi)存為4 GB，CPU為3.10 GHz，顯存為256 MB)的平臺(tái)下使用VisualC++6.0及Opencv及Matlab等開(kāi)發(fā)工具進(jìn)行實(shí)驗(yàn)。用三組火源圖片做實(shí)驗(yàn)，用20組匹配點(diǎn)對(duì)運(yùn)行本算法100次，圖像大小均為640×480像素。

在應(yīng)用實(shí)例中，選取三幅測(cè)試圖片進(jìn)行實(shí)驗(yàn)，圖片是在長(zhǎng)30 m，寬30 m，高7 m的空間中拍攝選取。

匹配結(jié)果如圖3-圖5所示。

圖3　第一組測(cè)試圖片及匹配結(jié)果

圖4　第二組測(cè)試圖片及匹配結(jié)果

圖5　第三組測(cè)試圖片及匹配結(jié)果

圖3-圖5的X軸和Y軸分別表示計(jì)算特征描述符時(shí)將X軸和Y軸特征點(diǎn)鄰域進(jìn)行投影的方向數(shù)，從圖3-圖5可以看出基于火源熵值的SURF算法對(duì)拍攝的火焰圖片匹配結(jié)果較好。

表1　改進(jìn)SURF算法匹配率匹配時(shí)間比較

在本測(cè)試中(如表1所示)，可以看出改進(jìn)SURF算法匹配率均達(dá)到80%以上，提高了匹配精度同時(shí)減小了匹配時(shí)間。為后面標(biāo)定做好了充分準(zhǔn)備，延時(shí)問(wèn)題得以解決。

表2　改進(jìn)遺傳算法攝像機(jī)標(biāo)定結(jié)果比較

表3　不同方法下的誤差值

fn、fv、u0、v0、s的邊界范圍為[0,1000]、[0,1000]、[0,500]、[0,500]、[-1,1]從表2和表3可以看出，通過(guò)對(duì)比可以看出本文算法標(biāo)定結(jié)果精度高于其他標(biāo)定方法，且誤差最小，更接近攝像機(jī)參數(shù)。實(shí)驗(yàn)結(jié)果表明大空間建筑火源中攝像機(jī)標(biāo)定的改進(jìn)遺傳算法有效提高了攝像機(jī)標(biāo)定的精度。

為了驗(yàn)證算法在大空間建筑火源三維深度信息獲取應(yīng)用中的有效性，與文獻(xiàn)[12]在基本條件相同、算法不同條件下實(shí)驗(yàn)對(duì)比。基線長(zhǎng)度為100 mm焦距為388 mm圖像像素大小為640×480。

表4　大空間建筑火源圖像三維深度信息結(jié)果對(duì)比

從表4可以看出，本文提出的新標(biāo)定方法應(yīng)用在大空間建筑火源定位中提高了大空間火源三維信息恢復(fù)的準(zhǔn)確度，提高了建筑火源定位中的精度。

5結(jié)語(yǔ)

本文提出一種基于SURF的改進(jìn)遺傳算法框架應(yīng)用在大空間建筑火源定位中，設(shè)計(jì)了基于火焰特征點(diǎn)熵值的SURF算法獲得好的匹配點(diǎn)對(duì)，并完成標(biāo)定。利用改進(jìn)遺傳算法對(duì)攝像機(jī)標(biāo)定結(jié)果進(jìn)行優(yōu)化，得到最優(yōu)參數(shù)，計(jì)算出火源三維深度信息，解決了定位中實(shí)時(shí)性差和精度不高的問(wèn)題。仿真結(jié)果證明，本文提出的方法對(duì)大空間建筑火源三維信息恢復(fù)有很好的效果，有一定的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] Robbins S,Murawski B,Schroeder B.Photogrammetric calibration and colorization of the SwissRanger SR-3100 3-D range imaging sensor[J].Optical Engineering,2009,48(5):053603-053603-8.

[2] 趙丹陽(yáng),王慧琴,胡燕. 火災(zāi)視頻圖像定位中特征點(diǎn)提取和匹配[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(11):161-165.

[3] 蘇立穎,李小鵬,么立雙.雙目攝像機(jī)快速標(biāo)定新算法[J].中南大學(xué)學(xué)報(bào),2013,44(2):364-367.

[4] 任貝,韓飛,吳堅(jiān).基于遺傳算法的攝像機(jī)標(biāo)定[J].吉林大學(xué)學(xué)報(bào):信息科學(xué)版,2013,31(4):432-436.

[5] Lu K D,Zeng G Q,Chen J,et al.Comparison of binary coded genetic algorithms with different selection strategies for continuous optimization problems [C]//Chinese Automation Congress (CAC), 2013. IEEE, 2013:364-368.

[6] Panchal P M,Panchal S R,Shah S K.A Comparison of SIFT and SURF[J].International Journal of Innovative Research in Computer and Communication Engineering,2013,1(2):323-327.

[7] Saleem S,Bais A,Sablatnig R. A performance evaluation of SIFT and SURF for multispectral image matching [M]//Image Analysis and Recognition.Springer Berlin Heidelberg,2012:166-173.

[8] 張銳娟,張建奇,楊翠. 基于SURF的圖像配準(zhǔn)方案研究[J].紅外與激光工程,2009,38(1)：160-165.

[9] 朱劍,趙海,徐久強(qiáng),等.三角形定位算法的誤差分析[J].東北大學(xué)學(xué)報(bào):自然科學(xué)版,2009,30(5):648-651.

[10] 玄光男,程潤(rùn)偉.遺傳算法與工程優(yōu)化[M].北京:清華大學(xué)出版社,2003:76-106.

[11] 雷秀娟. 群智能優(yōu)化算法及其應(yīng)用[M].北京:科學(xué)出版 社,2012:46-52.

[12] 孟浩, 程康.基于SIFT 特征點(diǎn)的雙目視覺(jué)定位[J].哈爾濱工程大學(xué)學(xué)報(bào),2009,30(6):649-652.

中圖分類號(hào)TP391.4

文獻(xiàn)標(biāo)識(shí)碼A

DOI:10.3969/j.issn.1000-386x.2016.02.041

收稿日期：2014-08-07。教育部高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金項(xiàng)目(20126120110008)；陜西省教育廳產(chǎn)業(yè)化項(xiàng)目(2011JG12)；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃項(xiàng)目(2012JQ8021)；教育廳專項(xiàng)科研項(xiàng)目(2013JK1144)；西安建筑科技大學(xué)校青年基金項(xiàng)目(QN1429)。毛穎，碩士生，主研領(lǐng)域：數(shù)字圖像處理，火源定位。王慧琴，教授。盧英，博士生。秦立科，碩士生。