多特征融合與相關向量機的火災煙霧識別方法

蔡榮文

杭州萬向職業(yè)技術學院，浙江杭州310023

多特征融合與相關向量機的火災煙霧識別方法

蔡榮文

杭州萬向職業(yè)技術學院，浙江杭州310023

針對當前單一特征以及簡單組合特征描述火災煙霧狀態(tài)的不足，以提高火災煙霧識別準確性為目標，本文提出了一種多特征融合和相關向量機的火災煙霧識別方法（MF-RVM）。首先獲取火災煙霧的可疑區(qū)域，并提取火災煙霧可疑區(qū)域的靜態(tài)和動態(tài)特征，然后利用主成分析法對靜態(tài)和動態(tài)特征進行融合，消除特征之間冗余，最后利用相關向量機對融合特征進行訓練，建立火災煙霧識別模型。采用多個火災煙霧視頻圖像在Matlab2012平臺上對MF-RVM的識別性能進行仿真測試。結(jié)果表明，MF-RVM能夠有效地對火災煙霧進行識別，平均識別率達到了95%以上，并且提高火災煙霧識別效率，以滿足火災煙霧識別的實時性要求。

火災煙霧；運動特征；相關向量機

近些年來，火災發(fā)生的頻率越來越高，給人們財產(chǎn)和生命安全帶來巨大危害，火災損失有時比地震損失還要嚴重，因此對早期的火災進行及時報警，有效降低火災帶來的危害，具有十分重要的研究意義［1］。通常情況下火災剛發(fā)生時火焰不十分明顯，但會產(chǎn)生大量煙霧，因此可以火災煙霧的識別有助于發(fā)現(xiàn)早期的火災情況，如何提高火災煙霧識別的準確性，并根據(jù)識別結(jié)果進行相應的預警，具有十分重要的實際應用價值［2］。

近幾十年來，國內(nèi)相關的學者和專家對火災煙霧識別問題進行一系列的研究，取得了許多研究成果，并且提出一些優(yōu)秀的火災煙霧識別方法［3-5］。傳統(tǒng)火災煙霧識別方法主要基于煙霧傳感器實現(xiàn)，在建筑物、隧道等火災預警應用十分廣泛，主要根據(jù)火災的煙霧量與閾值進行比較，如果大于閾值就進行火災報警［6］，但是傳統(tǒng)方法不適合于高大空間的火災報警，尤其當環(huán)境比較惡劣時，傳感器易效率，應用范圍受到了一定的限制［7］。隨著計算機圖像處理技術的不斷成熟，學者提出了基于視頻的火災煙霧識別方法，較好的克服了基于傳感器識別方法的不足，成為當前的主要研究方向［8］。基于視頻的火災煙霧識別是一種二分類問題，首先需要提取火災的煙霧特征，然后建立火災煙霧識別的分類器，火災煙霧特征可以劃分兩類：靜態(tài)特征和動態(tài)特征，其中靜態(tài)特征主要有顏色、亮度、煙霧面積等，它們不能描述火災煙霧動態(tài)變化特征，當前火災煙霧受到風的干擾時，火災煙霧識別大幅度下降，誤識率高［9］。動態(tài)特征主要包括煙霧方向特征、煙霧形態(tài)變化、能量特征等，由于沒有考慮到火災煙霧區(qū)域的顏色分布特征，當背景復雜多變時，識別正確率也有所降低［10］。為了克服單一特征難以準確描述火災煙霧狀態(tài)的不足，基于組合優(yōu)化理論，有學者提出了一些多特征的火災煙霧識別方法，它們只是簡單的將特征進行組合，導致特征之間出現(xiàn)冗余，特征維數(shù)高，對火災煙霧識別的實時性產(chǎn)生不利影響［11］。當前火災煙霧識別的分類器主要基于神經(jīng)網(wǎng)絡和支持向量機進行構建［12，13］，其中神經(jīng)網(wǎng)絡是一種基于“經(jīng)驗風驗最小原則”的機器學習算法，具有很好的非線性學習模能力，但要求訓練樣本大，若不能滿足該條件，火災煙霧識別效果并；支持向量機雖然具有仍好的泛化能力，但計算復雜度高、訓練時間長，不利于進行火災煙霧的實時識別［14］。

相關向量機（Relevance vector machine，RVM）不僅具有支持向量機的良好泛化能力，避免了神經(jīng)網(wǎng)絡的“過擬合”缺陷，而且學習速度要明顯優(yōu)于支持向量機［15］。針對當前單一特征和組合特征存在的不足，為了提高火災煙霧識別的準確性，提出了一種多特征和相關向量機（Multi-feature relevance vector machine MF-RVM）的火災煙霧識別方法，并在Matlab2012平臺進行仿真實驗。

1　MF-RVM的火災煙霧識別方法

基于MF-RVM的火災煙霧識別方法的工作原理為：首先采集火災煙霧識別視頻，并對視頻圖像進行預處理，然后提取火災煙霧的可疑區(qū)域，并提取火災煙霧可疑區(qū)域像的靜態(tài)特征和動態(tài)特征，最后采用主成分析法（PCA）對靜態(tài)特征和動態(tài)特征進行融合，并采用RVM根據(jù)融合特征構建取火災煙霧識別的分類器，從而實現(xiàn)取火災煙霧的識別，MF-RVM的工作流程具體如圖1所示。

圖1　MF-RVM的取火災煙霧識別框圖Fig.1 The process of recognizing fire smog with MF-RVM

2　MF-RVM的火災煙霧識別設計

2.1提取火災煙霧的可疑區(qū)域

提取火災煙霧的可疑區(qū)域是火災煙霧識別的基礎，其直接影響到后續(xù)火災煙霧特征提取和火災煙霧識別效果，具體步驟如下：

Step1：設火災煙霧圖像相鄰兩行的亮點數(shù)分別為f（n）和f（n-1），如果x=f（n-1）/f（n）的值大于1，那么表示不是火災煙霧可疑區(qū)域，不然就是火災煙霧可疑區(qū)域S1，具體如下

Step2：采用式（2）對火災煙霧圖像進行處理，從背景區(qū)域提取火災煙霧的可疑區(qū)域S2。

式中，TH表示二值化運算。

Step3：對火災煙霧圖像的顏色進行變換，然后根據(jù)Cb和Cr間的距離提取火災煙霧圖像的可疑煙霧S3。

Step4：將S1、S2、S3進行有效融合，從而火災煙霧圖像的煙霧可疑區(qū)域S。

將法定最高刑在3年有期徒刑以下的犯罪劃為輕罪，主要解決的是輕罪的“上限”問題，而對其“下限”如何把握，則仍然需要進一步探討。其中的關鍵問題就是，是否應當將輕罪的范圍進一步拓展至相關的行政違法領域？

一幅圖火災煙霧圖像的可疑區(qū)域提取結(jié)果如圖2所示。

圖2　火災的可疑煙霧區(qū)域提取Fig.2 The extraction of suspicious smog from fire area

2.2提取火災煙霧圖像的特征

2.2.1靜態(tài)特征隨著火災不斷的發(fā)展，煙霧面積會不斷的增大，可以根據(jù)連續(xù)多幀火災圖像的煙霧面積增長率對火災狀態(tài)進行描述，因此采用煙霧面積增長率作為火災煙霧識別的靜態(tài)特征，煙霧面積增長率G（t，t0）的計算公式為

式中，size（T）t和size（T）t0表示第t和t0幀的煙霧面積大小。

2.2.2動態(tài)特征對于火災煙霧圖像的可疑區(qū)域全部像素點的光流方向劃分為4個區(qū)域：

這樣，統(tǒng)計火災煙霧可疑區(qū)域S像素點的光流分布，得到可疑區(qū)域的火災煙霧方向特征Fi=（Ui，Di，Li，Ri），它們表示表4個方向上像素的光流統(tǒng)計百分比，具體如：

式中，ku，kd，kl，kr表示火災煙霧可疑區(qū)域S在I1，I2，I3，I4方向上的點。

由于火災煙霧可疑區(qū)域在4個方向上的比例高，而非火災煙霧可疑區(qū)域的光流分布僅一方向上的比例高，因此根據(jù)特征Fi可以描述火災煙霧可疑區(qū)域運動特點。

2.3基于相關向量機的火災煙霧識別

式中，wi表示權向量；K（x，xi）表示核函數(shù)。

假設目標函數(shù)獨立、含噪聲（εn），那么就有

訓練集的似然函數(shù)計算公式為

為了防止在求解最優(yōu)w中，出現(xiàn)“過擬合”問題，通過Bayesian法給w賦予先驗條件概率分布，即有：

采用Bayesian法計算全部未知參數(shù)的后驗條件概率分布，具體如下

W的后驗概率計算公式變?yōu)椋?/p>

通過delta函數(shù)將相關向量學習過程化為超參數(shù)后求解過程，根據(jù)delta函數(shù)峰值逼近超參數(shù)后驗，反復使用迭代估計法得

式中，μi表示第i個后驗概率的均值；γi=1-∑ij；∑ij第i個對角元素。

RBF函數(shù)只需估計寬度參數(shù)σ，簡單、訓練效率高，因此本文選擇RBF函數(shù)構建相關向量機，RBF函數(shù)定義如下：

根據(jù)訓練好的相關向量機對火災煙霧進行分類和識別，并根據(jù)識別結(jié)果做出相應的措施。

3　仿真實驗

3.1數(shù)據(jù)源

為了測試MF-RVM的火災煙霧識別有效性和優(yōu)越性，在英特爾酷睿4核2.8 GHz CPU，8 G RAM，800 G HDD，Win7的計算機上，采用Matlab2012工具箱進行火災煙霧識別的仿真實驗，火災煙霧視頻大小為640×480，幀的工作速率為30幀/s，部分視頻圖像如圖3所示。選擇靜態(tài)特征+相關向量機（RVM1）、動態(tài)特征+相關向量機（RVM2）、簡單特征融合+相關向量機（RVM3）、多特征融合+BP神經(jīng)網(wǎng)絡（MF-BP）以及多特征融合+支持向量機（MF-SVM）進行對比實驗。

圖3　部分火災煙霧識別的測試數(shù)據(jù)Fig.3 The test data to recognize partial fire smog

4　結(jié)果與分析

每一種火災煙霧識別方法均進行10次仿真實驗，統(tǒng)計它們的平均識別率以及平均運行時間，MF-RVM與其它火災煙霧識別方法的實驗結(jié)果如表1所示。

表1　不同方法的實驗結(jié)果統(tǒng)計Table 1 The statistic results with different methods

對表1各種方法的火災煙霧測試結(jié)果進行對比和分析，得到如下結(jié)論：

（1）單一靜態(tài)特征或者動態(tài)特征火災煙霧識別方法（RVM1、RVM2）的運行時間少，每幀識別速度快，但火災煙霧的誤碼率相當高，火災煙霧識別效果均比較差，平均識別率遠遠低于實際應用要求的85%，沒有什么實際應用價值。

（2）相對于RVM1和RVM2，RVM3火災煙霧的誤識率降低，火災煙霧識別率得到了改善，但是平均運行時間和每幀運行時間急劇上升，這是因為RVM3只是將靜態(tài)特征和動態(tài)特進行簡單組合，雖然可以從多個方面描述火災煙霧狀態(tài)，但是出現(xiàn)了大量的冗余特征，使得關向量機的輸入維數(shù)過高，計算機復雜度增加，火災煙霧識別效率低，而且冗余特征對火災煙霧識別率產(chǎn)生了不利影響。

（3）相對于RVM1和RVM2以及RVM3，MF-RVM火災煙霧識別效果得到了顯著的提高，這主要是由于MF-RVM通過核主成分分析對靜態(tài)特征和動態(tài)特征進行有效融合，不僅克服靜態(tài)特征或者動態(tài)特征只能部分描述火災煙霧狀態(tài)，同時克服了簡單組合特征信息冗余嚴重的缺陷，有效降低了相關向量機的輸入向量維數(shù)，不僅提高了火災煙霧識別的正確率，而且提高了火災煙霧識別效率。

（4）相對于MF-BP以及MF-SVM，MF-RVM火災煙霧識別率也相應提高，主要因為RVM不僅具有支持向量機的良好泛化能力，避免了神經(jīng)網(wǎng)絡的“過擬合”缺陷，而且克服了支持向量機學習效率低的不足，加快了火災煙霧識別的速度，識別結(jié)果和識別速度完全可以滿足火災煙霧識別實際應用要求。

5　結(jié)束語

針對當前火災煙霧識別中的特征選擇和分類器構建問題，本文提出了一種多特征融合和相關向量機的火災煙霧識別方法，該方法首先提取可疑火災區(qū)域的多種煙霧特征，準確刻畫了火災的發(fā)生狀態(tài)，然后采用KPCA對多特征進行融合，降低特征的維數(shù)和消除特征之間冗余干擾，減少分類器的輸入向量數(shù)目，最后采用相關向機構建火災煙霧識別模型，從而實現(xiàn)火災煙霧識別，實驗結(jié)果表明，PSO-RMV的平均識別正確率要優(yōu)于其它火災煙霧識別模型，而且識別效率可以滿足火災煙霧識別的實時性要求，具有廣泛的應用前景。在實際應用中，相關向量機的火災煙霧識別性能與其參數(shù)設置密切相關，如何獲得最優(yōu)的參數(shù)，進一步提高火災煙霧識別是一下步將要研究的方向。

［1］DongilH，LeeB.Flameandsmokedetectionmethodforearlyreal-timedetectionofatunnelfire［J］.FireSafetyJournal，2009，44：951-961

［2］Courbata J，Pascub MM，Gutmacherc D，et al.A colorimetric CO sensor for fire detection［J］.Procedia Engineering，2011，25：1329-1332

［3］Celik T，Demirel H.Fire detection in video sequences using a generic color model［J］.Fire Safety Journal，2009，44：147-158

［4］Krstini? D，Stipani?ev D，Jakov?evi? T.Histogram-based smoke segmentation in forest fire detection system［J］. Information Technology and Control，2009，38（3）：237-244

［5］王瑩，李文輝.基于多特征融合的高精度視頻火焰檢測算法［J］.吉林大學學報：工學版，2010，21（3）：769-775

［6］許宏科，房建武，文常保.基于亮度與火焰區(qū)域邊緣顏色分布的火焰檢測［J］.計算機應用研究，2010，27（9）：100-103

［7］Wang L，Ye M，Ding J，et al.Hybrid fire detection using hidden Markov model and luminance map［J］.Computers and Electronic Engineering，2011，37（6）：905-915

［8］Teng Z，Kim JH，Kang DJ.Fire detection based on hidden Markov models［J］.International Journal of Control，Automation and Systems，2010，8（4）：822-830

［9］Ko BC，Cheong KH，Nam JY.Fire detection based on vision sensor a support vector machines［J］.Fire Safety Journal，2009，44（3）：322-329

［10］Truong TX，Kim JM.Fire flame detection in video sequences using multi-stage pattern recognition techniques［J］. Engineering Applications of Artificial Intelligence，2011，25（7）：1365-13722

［11］吳愛國，杜春燕，李明.基于混合高斯模型與小波變換的火災煙霧探測［J］.儀器儀表學報，2008，29（8）：1622-1626

［12］楊猛，趙春暉，潘泉，等.基于小波分析的煙霧多特征融合和空間精度補償森林火情檢測算法［J］.中國圖象圖形學報，2009，14（4）：698-700

［13］袁非牛，張永明，劉士興，等.基于累積量和主運動方向的視頻煙霧檢測方法［J］.中國圖象圖形學報，2008，13（4）：808-813

［14］Ko BC，Park JO，Nam JY.Spatiotemporal bag-of-features for early wildfire smoke detection［J］.Image and Vision Computing，2013，31（10）：786-795

［15］柳長源，畢曉君，韋琦.基于相關向量機的含噪聲人臉圖像識別［J］.吉林大學學報：工學版，2013，43（3）：1121-1126

AMethod of Identification for the Smog in the Fire Based on Multi-feature Fusion and Relevance Vector Machine

CAI Rong-wen
Hangzhou Wanxiang Ploytechnic，Hangzhou 310023，China

Aiming at a defect in identification for the fire smog described by a single feature and a simple combination in order to improve the accuracy of identification for the fire smog，this paper put forward a new method which fire smog was identified by the Multi-feature fusion and Relevance Vector Machine（MF-RVM）.Firstly，the static and dynamic features were obtained in a suspected fire smog area and then combined them with principal component analysis to eliminate the redundancy message between features.Lastly，relevance vector machine was used to train the fusion features and established an identification model for a fire smog to carried out the simulation test on the Matlab 2012 platform.The results showed that the proposed method could effectively identify a fire smog to be more than 95%an average recognition accuracy and increase the efficiency of identification so as to satisfy the real time requirements of identification for fire smog.

Fire smog；motion features；relevance vector machine

TP391.4

A

1000-2324（2016）02-0259-05

2014-11-12

2014-12-06

浙江省高等學校訪問學者教師專業(yè)發(fā)展項目：基于圖像處理的火災煙霧智能探測研究（FX2014196）

蔡榮文（1974-），男，浙江蒼南，本科，講師，主要研究方向：計算機應用.E-mail：wxxycrw@126.com