概念粗糙
—支持向量機(jī)的啟發(fā)式火焰特征優(yōu)化與分類算法研究

沈　雯　王慧琴　胡　燕　馬宗方

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

?

概念粗糙
—支持向量機(jī)的啟發(fā)式火焰特征優(yōu)化與分類算法研究

沈雯王慧琴胡燕馬宗方

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

摘要針對目前火焰圖像特征不能隨監(jiān)控場景自適應(yīng)選擇的問題，提出基于概念格粗糙集—支持向量機(jī)的啟發(fā)式火焰圖像特征選擇與探測新算法。通過對火焰特征數(shù)據(jù)離散化，建立概念格的形式背景，計(jì)算形式背景的區(qū)別矩陣，再利用屬性重要性指標(biāo)對不同屬性的重要性進(jìn)行計(jì)算，最后將得到的最簡特征分類集輸入支持向量機(jī)中進(jìn)行測試。實(shí)驗(yàn)證明，該方法的識(shí)別準(zhǔn)確率明顯高于單獨(dú)應(yīng)用粗糙集進(jìn)行特征選擇和人工進(jìn)行特征選擇時(shí)的識(shí)別準(zhǔn)確率，達(dá)到了提高效率，減少誤報(bào)等的目的。

關(guān)鍵詞特征選擇圖像型火災(zāi)探測概念格粗糙集支持向量機(jī)

0引言

圖像型火災(zāi)探測的基本原理是通過攝像頭采集現(xiàn)場的視頻圖像，對采集到的視頻圖像進(jìn)行分割提取，如果提取出區(qū)域的特征符合火焰或煙霧的特有特征，則發(fā)出火災(zāi)報(bào)警信號(hào)。

近幾年來，隨著圖像型火災(zāi)探測技術(shù)越來越成熟，支持向量機(jī)等技術(shù)已廣泛應(yīng)用于火災(zāi)探測中，把支持向量機(jī)理論應(yīng)用于圖像型火災(zāi)探測的成果層出不窮，例如楊娜娟[1]等提出的基于支持向量機(jī)的圖像型火災(zāi)探測，馬宗方[2]等提出的快速支持向量機(jī)的圖像型火災(zāi)探測算法，胡燕[3]等提出的基于獨(dú)立成分分析和粗糙集的圖像型火災(zāi)探測，但這些研究只是人工選取火焰圖像的固定特征，并沒有讓圖像特征根據(jù)場景的不同自適應(yīng)選擇。胡燕[4]等提出了基于粗糙集和支持向量機(jī)的火災(zāi)探測算法，利用粗糙集的屬性約簡算法對特征進(jìn)行選擇，但是沒有考慮單個(gè)特征的屬性重要程度。針對這類問題，本文提出了概念粗糙——支持向量機(jī)的啟發(fā)式的火災(zāi)探測新算法。概念格[5]是一種有效的知識(shí)表示與知識(shí)發(fā)現(xiàn)的工具，是根據(jù)對象和屬性之間的二元關(guān)系建立起來的一種概念層次結(jié)構(gòu)，是數(shù)據(jù)分析和規(guī)則提取的一種有效工具，它的一個(gè)重要方面是知識(shí)約簡。而粗糙集[4]是一種處理模糊不確定型的數(shù)學(xué)方法，核心問題是屬性約簡。本文結(jié)合二者的優(yōu)勢用于火焰特征分類選擇，將特征的出現(xiàn)頻率作為屬性重要性度量指標(biāo)，從中自適應(yīng)選擇最佳特征組合，達(dá)到提高火災(zāi)探測的準(zhǔn)確率和效率的目的。

1基本理論

定義1設(shè)(U,A,F)是形式背景，其中U={u1,u2,…}是有限對象集，A={a1,a2,…}是有限屬性集，F(xiàn)∈U×A為U和A之間的二元關(guān)系，若(x,a)∈F，則稱x具有屬性a，記為xFa，若(x,a)?F，則稱x不具有屬性a。這種二元關(guān)系成為概念格[6]。

定義2設(shè)(U,R)為近似空間，U是對象集，R是U上的等價(jià)關(guān)系，由(U,R)產(chǎn)生的等價(jià)類[7]為:

U/R={[xi]R|xj∈R}

其中[xi]R={xj|(xi,xj)∈R}。

概念格的形式背景通常由二維表來表示，橫向表示屬性，縱向表示對象，第i行j列的數(shù)據(jù)為1表示存在該屬性，為0表示不存在該屬性。這種定義方式可使對象的知識(shí)以數(shù)據(jù)表格形式描述，數(shù)據(jù)表成為問題的形式背景[8]。

定義3設(shè)|U|=n，形式背景的差別矩陣D[6]是一個(gè)n階矩陣，其任意元素mi,j={a∈C:f(xi,a)≠f(xj,a)且w(xi,xj)=1}，其中：

顯然,D是一個(gè)對角線為空的對稱矩陣。

定義4設(shè)U是一個(gè)論域,P為定義在U上的一個(gè)等價(jià)關(guān)系簇,P中所有必要關(guān)系組成的集合,稱為簇集P的核[6],記作C0。

定義5設(shè)決策系統(tǒng)(U,A,F)的核屬性集為C0(可以為空),a∈C-C0定義在核屬性集中添加某個(gè)屬性后的互信息再除以該屬性的自信息量為關(guān)于屬性a的互信息分布率(屬性重要性)[6]:

2概念粗糙啟發(fā)式火災(zāi)特征分類算法

火焰具有圓形度，尖角數(shù)，面積變化率等特征，首先對采集到的視頻火災(zāi)進(jìn)行探測，檢測不同燃燒材料的不同火焰特征，并對不同燃燒材料的特征數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，得到火災(zāi)探測系統(tǒng)的形式背景。然后建立特征量歸類表，對不同火焰特征的數(shù)據(jù)進(jìn)行分類、總結(jié)，確定特征量歸類表。通過特征量歸類表對火災(zāi)探測系統(tǒng)的形式背景屬性值完全相同的燃燒材料歸類，簡化形式背景。計(jì)算簡化后數(shù)據(jù)的區(qū)別矩陣。找出差別矩陣中由單個(gè)屬性構(gòu)成的元素項(xiàng)，這些單個(gè)元素構(gòu)成了相對核C0。消去差別矩陣D中含有核C0的元素項(xiàng)，再計(jì)算剩余元素的SGF(a,C0,D)值，將SGF(a,C0,D)值最大者加入C0，再將差別矩陣中含有C0的元素項(xiàng)消去。重復(fù)以上步驟,直到差別矩陣為空時(shí),就得到了一個(gè)相對最優(yōu)屬性約簡集C0。

輸入一個(gè)形式背景(U,A,F)，其中U為所有火災(zāi)數(shù)據(jù)對象集，A為有限屬性集，F(xiàn)為U和A之間的二元關(guān)系。

輸出一個(gè)相對約簡集C0。

1) 通過對火焰圖像特征的分析研究構(gòu)造特征量歸類表，并通過特征量歸類表對獲取的樣本數(shù)據(jù)進(jìn)行離散化，建立數(shù)據(jù)的形式背景。

2) 利用上述定義2的等價(jià)類算法刪除形式背景中屬性值相同的對象，簡化形式背景。

3) 利用定義3計(jì)算區(qū)別矩陣。

4) 找出區(qū)別矩陣中只含有單個(gè)屬性ak的元素項(xiàng)，令核C0=∪ak。

5) 將區(qū)別矩陣中含有核C0的組合項(xiàng)置空；如果D為空,則轉(zhuǎn)7)。

6) 除去核C0中的元素，利用定義5的公式，計(jì)算余下元素的SGF(ak,C0,D)值:

6.1) 選擇SGF(ak,C0,D)值最大的元素，并入核C0中,將區(qū)別矩陣中含有C0的元素項(xiàng)置空;

6.2) 如果D為空,則轉(zhuǎn)7),否則轉(zhuǎn)6.1)。

7) 輸出核C0。

3概念粗糙—支持向量機(jī)的啟發(fā)式火焰特征優(yōu)化與分類算法流程

支持向量機(jī)SVM是對于小樣本、高維數(shù)、非線性的分類問題效果顯著。但是只單單將支持向量機(jī)應(yīng)用于火焰的特征識(shí)別中，需要對特征逐個(gè)進(jìn)行識(shí)別，冗余性高，識(shí)別時(shí)間比較長?，F(xiàn)將概念粗糙約簡后的特征輸入支持向量機(jī)中，對分類器進(jìn)行訓(xùn)練，達(dá)到降維、簡化分類器、提高火災(zāi)識(shí)別速度的目的?；诟拍畲植凇С窒蛄繖C(jī)的啟發(fā)式火焰特征優(yōu)化與分類算法框圖如圖1所示。

圖1　概念粗糙—支持向量機(jī)的啟發(fā)式火焰特征優(yōu)化與分類算法流程

4實(shí)驗(yàn)結(jié)果及分析

分別在公路邊，網(wǎng)球場旁，實(shí)驗(yàn)室樓里和大型廠房內(nèi)提取一段有火視頻和一段相應(yīng)的干擾視頻，對視頻進(jìn)行分幀處理，從每段有火視頻和干擾視頻中取出20幀圖像作為訓(xùn)練樣本，對它們進(jìn)行分割和特征提取，所得的實(shí)驗(yàn)數(shù)據(jù)如表1所示。

表1　火焰特征的實(shí)驗(yàn)數(shù)據(jù)表

從上面的實(shí)驗(yàn)結(jié)果可以看出，有火視頻如汽油，柴油，酒精燈等尖角數(shù)相對較多，而打火機(jī)和日光燈則尖角數(shù)少，幾乎趨于0。平均圓形度，有火視頻的平均圓形度較小，而打火機(jī)，日光燈等平均圓形度較大，而這些顯著的特征都很容易發(fā)現(xiàn)是否有火。

特征量歸類表即對上面所測得的特征數(shù)據(jù)進(jìn)行離散化的標(biāo)準(zhǔn)。用a1、a2、a3、a4、a5、a6、a7、a8、a9和1、0表示圓形度、尖角數(shù)、面積變化率等9種特征和決策結(jié)果，屬性A={a1,a2,a3,a4,a5,a6,a7,a8,a9}，屬性值Y= { 0，1}分別代表無火和有火。通過大量火災(zāi)圖像實(shí)驗(yàn)仿真，確定特征量歸類表如表2所示。

表2　特征量歸類表

(1) 計(jì)算區(qū)別矩陣

根據(jù)簡化后的形式背景計(jì)算區(qū)別矩陣：D=

(2) 利用屬性重要性度量指標(biāo)對特征進(jìn)行約簡

由上面的區(qū)別矩陣可知，屬性a8已經(jīng)被約簡掉，矩陣的第5行第6列含有單個(gè)元素a3,構(gòu)成相對核。于是消去差別矩陣中含有a3的元素項(xiàng),消去后差別矩陣不為空，再計(jì)算剩余屬性a1,a2,a4,a5,a6,a7,a9的SGF值。得到a1的SGF值最大，將a1加入到相對核中。將差別矩陣中含有a1的元素項(xiàng)消去，這時(shí)消去后的差別矩陣仍不為空。重復(fù)以上步驟，直到差別矩陣為空時(shí),就得到了一個(gè)相對最優(yōu)屬性約簡集R={a1,a3，a6}={圓形度，面積變化率，偏心率}。

(3) 輸入支持向量機(jī)中進(jìn)行測試

根據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)，火災(zāi)分類模型選用徑向基核函σ=0.2和懲罰因子C=100。利用實(shí)驗(yàn)室樓里和大型廠房內(nèi)提取兩組視頻作為測試數(shù)據(jù)的來源，從兩組視頻中各提取120幀圖像作為測試數(shù)據(jù)，分別用本文算法與文獻(xiàn)[1]和文獻(xiàn)[2]進(jìn)行對比試驗(yàn)，試驗(yàn)結(jié)果如表3所示。

表3　三種方法對比試驗(yàn)結(jié)果

從表3的實(shí)驗(yàn)數(shù)據(jù)可以看出，在視頻序列1中，本文算法在保證識(shí)別速度的前提下，識(shí)別準(zhǔn)確率比文獻(xiàn)[1]高出2.8%，比文獻(xiàn)[4]高出了1.1%。同樣在視頻序列2中，本文算法的識(shí)別準(zhǔn)確率也略高于文獻(xiàn)[1]和文獻(xiàn)[4]，這是因?yàn)楦拍罡翊植诩瘑l(fā)式算法不僅對屬性進(jìn)行約簡，而且就單個(gè)屬性的重要性進(jìn)行度量，選取了最能夠描述火焰圖像特征的屬性作為火災(zāi)分類依據(jù)，從而達(dá)到了提高效率，減少誤報(bào)等的目的。

5結(jié)語

本文就提高火災(zāi)探測準(zhǔn)確率和效率等為目的研究了火災(zāi)圖像探測的特征選擇的新方法，即在特征選擇過程中將屬性重要性的度量指標(biāo)和粗糙集的中改進(jìn)的區(qū)分矩陣運(yùn)用于概念格中的屬性約簡，減少了特征之間的相關(guān)性，降低了特征空間的維數(shù)。通過仿真實(shí)驗(yàn)驗(yàn)證了算法的可行性和有效性。

參考文獻(xiàn)

[1] 楊娜娟,王慧琴,馬宗方.基于支持向量機(jī)的圖像型火災(zāi)探 測[J].計(jì)算機(jī)應(yīng)用,2010,30(4):1129-1140.

[2] 馬宗方,程詠梅,潘泉,等.基于快速支持向量機(jī)的圖像型火災(zāi)探測算法[J].計(jì)算機(jī)應(yīng)用研究,2010,27(10):3985-3987.

[3] 胡燕,王慧琴,馬宗方,等.基于獨(dú)立成分分析和支持向量機(jī)的圖像型火災(zāi)探測[J].計(jì)算機(jī)應(yīng)用,2012,32(3):889-892.

[4] 胡燕,王慧琴,秦薇薇,等.基于粗糙集的火災(zāi)圖像特征選擇與識(shí)別[J].計(jì)算機(jī)應(yīng)用,2013,33(3):704-707.

[5] 呂躍進(jìn),劉洪梅.改進(jìn)的概念格屬性約簡算法[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(8):146-148.

[6] 王柯,朱啟兵.一種基于差別矩陣的啟發(fā)式屬性約簡算法[J].計(jì)算機(jī)工程與科學(xué),2008,30(6):73-75.

[7] 戴上平,何田,謝祥明.概念格與粗糙集的數(shù)據(jù)分析方法研究[J].計(jì)算機(jī)工程與設(shè)計(jì),2008,6(29):1423-1425.

[8] 王凱,李紹穩(wěn),張友華,等.概念格理論與方法研究[J].農(nóng)業(yè)網(wǎng)絡(luò)信息,2010(3):14-27.

[9]GB15631-2008特種火災(zāi)探測器[S].北京:中國標(biāo)準(zhǔn)出版社,2008.

[10]CelikT,DemirelH.Firedetectioninvideosequencesusingagenericcolormode[J].FireSafetyJournal,2009,44(2):147-158.

[11]WirthM,ZarembaR.Flameregiondetectionbasedonhistogrambackprojection[C]//Proceedingsof2010CanadianConferenceComputerandRobotVision.Washington,DC:IEEEComputerSociety,2010:1163-1167.

RESEARCH ON HEURISTIC FLAME FEATURES OPTIMISATION AND CLASSIFICATIONALGORITHMBASEDONCONCEPTANDROUGH-SUPPORTVECTORMACHINE

Shen WenWang HuiqinHu YanMa Zongfang

(School of Information and Control Engineering,Xi’an University of Architecture and Technology,Xi’an 710055,Shaanxi,China)

AbstractAiming at the problem that currently the flame image features cannot be adaptively selected along with the monitoring scenes, this paper put forward a new algorithm of heuristic flame image features selection and detection, which is based on concept lattice and rough set—support vector machine (SVM). Through the discretisation of fire flame feature data, we built the formal background of concept lattice, calculated its difference matrix, and then used attribute importance indexes to calculate the importance of different attributes, and finally we put the derived simplest feature classification set into SVM for test. Experiments proved that the recognition rate of this method was obviously higher than that of feature selection using sole rough set and manual work, and reached the goal of efficiency and false alarm reduction.

KeywordsFeature selectionImage fire detectionConcept latticeRough setSupport vector machine

收稿日期：2014-11-19。陜西省教育廳專項(xiàng)科研計(jì)劃項(xiàng)目(14JK 1438)；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃項(xiàng)目(2012JQ8021)；高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金項(xiàng)目(20126120110008)。沈雯，碩士生，主研領(lǐng)域：數(shù)字圖像處理。王慧琴，教授。胡燕，博士生。馬宗方，博士生。

中圖分類號(hào)TP3

文獻(xiàn)標(biāo)識(shí)碼A

DOI:10.3969/j.issn.1000-386x.2016.06.051