基于SIFT特征與SVM分類的地震災(zāi)情圖像 信息異常檢測(cè)方法

張瑩 郭紅梅 尹文剛 趙真 冉青

摘要：通過(guò)分析以往震后獲取的圖像信息發(fā)現(xiàn)，部分信息存在與地震發(fā)生時(shí)間不吻合、不屬于地震影響范圍或與地震災(zāi)情無(wú)關(guān)等異常。通過(guò)將圖像分類算法運(yùn)用到震后災(zāi)情圖像信息的異常檢測(cè)中，提出了一種基于SIFT特征與SVM分類的地震災(zāi)情圖像信息異常檢測(cè)模型，以2013年蘆山7.0級(jí)地震建筑物破壞災(zāi)情圖像為例對(duì)模型進(jìn)行驗(yàn)證。結(jié)果表明：該模型對(duì)圖像信息異常的檢測(cè)效果較好，可進(jìn)一步補(bǔ)充和完善地震應(yīng)急救援的災(zāi)情信息源，為政府抗震救災(zāi)科學(xué)決策提供災(zāi)情信息支撐。

關(guān)鍵詞：地震災(zāi)情圖像信息;異常檢測(cè);SIFT;SVM;蘆山地震

中圖分類號(hào)：P315.941 ??文獻(xiàn)標(biāo)識(shí)碼：A ??文章編號(hào)：1000-0666（2019）02-0265-08

0 引言

地震災(zāi)害作為一種突發(fā)性自然災(zāi)害，震后獲取到的災(zāi)情信息是開(kāi)展地震應(yīng)急救援工作的基礎(chǔ)（胡素平，帥向華，2012）。受災(zāi)民眾是地震災(zāi)害的目擊者和直接參與者，對(duì)受災(zāi)情況比較清楚（劉文，2017），通過(guò)移動(dòng)終端設(shè)備，利用微博、微信等社交網(wǎng)絡(luò)平臺(tái)不斷向外界提供大量以文字、圖像等為載體的災(zāi)情信息，是最直接有效的信息源。在海量災(zāi)情信息中，圖像相比文字等信息能更加快速、直觀地反映災(zāi)區(qū)實(shí)際受災(zāi)情況（曹彥波等，2017，2018）。但是，分析以往震后獲取到的圖像信息，發(fā)現(xiàn)部分圖像信息存在與地震發(fā)生時(shí)間不吻合、不屬于地震影響范圍或與地震災(zāi)情無(wú)關(guān)等問(wèn)題。

本文將圖像分類算法運(yùn)用到震后圖像災(zāi)情信息的異常檢測(cè)中，設(shè)定與地震發(fā)生時(shí)間不吻合、不屬于地震影響范圍或與地震災(zāi)情無(wú)關(guān)的圖像信息為異常信息。首先對(duì)獲取地震事件有效圖像信息量過(guò)程進(jìn)行建模，預(yù)篩出與地震發(fā)生時(shí)間吻合且屬于地震影響范圍內(nèi)的圖像集，進(jìn)一步判斷與地震災(zāi)情相關(guān)的圖像集。然后構(gòu)建基于尺度不變特征變換（Scale Invariant Feature Transform，簡(jiǎn)稱SIFT）與以支持向量機(jī)（Support Vector Machne，簡(jiǎn)稱SVM）分類的地震災(zāi)情圖像信息異常檢測(cè)算法模型，并以2013年蘆山7.0級(jí)地震建筑物破壞災(zāi)情圖像為例對(duì)模型進(jìn)行驗(yàn)證。

1 獲取地震事件有效圖像信息量過(guò)程建模 ?地震發(fā)生后，可從社交網(wǎng)絡(luò)平臺(tái)（Social Network Site，簡(jiǎn)稱SNS）上獲取海量與地震相關(guān)的圖像信息資源，形成SNS圖像池，將SNS圖像池具體表示為：

式中：P為SNS圖像池的向量集;X為圖像信息，共包含n行，表示該圖像池共有n張圖像，每一行為一條圖像的基本信息;共包含m列，表示該圖像池共有m類圖像信息，如第一列為圖像拍攝的時(shí)間信息，第二列為圖像拍攝的位置信息等。即SNS圖像池的每張圖像pi=（xi1，xi2，xi3，…，xim）都包含拍攝時(shí)間、位置等相對(duì)一致的信息量。

針對(duì)不同的地震事件ω，需對(duì)每張圖像pi=（xi1，xi2，xi3，…，xim）進(jìn)行篩選，提取所需的有效信息。首先將圖像的時(shí)間信息限定為地震發(fā)生以后，位置信息限定為地震影響范圍內(nèi)（根據(jù)地震烈度快速評(píng)估結(jié)果確定），根據(jù)ω限定向量值，基于網(wǎng)絡(luò)輔助信息預(yù)篩選出和地震事件相關(guān)的新圖像集P′，包含a張圖像。若圖像集P′中存在與地震災(zāi)情無(wú)關(guān)的噪聲信息，則需進(jìn)一步通過(guò)圖像信息異常檢測(cè)篩選出與災(zāi)情相關(guān)的圖像集P″，包含b張圖像，且a≥b，直到滿足設(shè)定的篩選條件為止。即由在得到包含b張有效圖像的圖像集P″后，將圖像集P″傳遞給地震應(yīng)急指揮中心，應(yīng)急指揮中心進(jìn)一步從得到的b張圖像中提取有效的信息量I（i1，i2，…，in），獲取包含i1：被困人員情況;i2：人員傷亡情況;i3：建筑物破壞情況;i4：生命線工程破壞情況;i5：次生災(zāi)害情況;i6：災(zāi)區(qū)環(huán)境特征等災(zāi)情信息，最大化地利用不同信息輔助地震應(yīng)急指揮中心進(jìn)行決策，具體過(guò)程如圖1所示。

第2期

張 瑩等：基于SIFT特征與SVM分類的地震災(zāi)情圖像信息異常檢測(cè)方法

在整個(gè)有效圖像信息量獲取過(guò)程中，如何在預(yù)篩選出的圖像集中進(jìn)一步判斷出與預(yù)設(shè)地震災(zāi)情密切相關(guān)的圖像集是研究的重點(diǎn)和難點(diǎn)?；诖?，本文提出了一種基于SIFT特征與SVM分類的地震災(zāi)情圖像信息異常檢測(cè)模型。

2 地震災(zāi)情圖像信息異常檢測(cè)算法模型 ?圖像信息異常檢測(cè)算法的關(guān)鍵點(diǎn)在于自動(dòng)進(jìn)行圖像標(biāo)注，其難點(diǎn)在于計(jì)算機(jī)能從像素中提取的底層視覺(jué)特征和用戶在特定情境下對(duì)圖像內(nèi)容的高層語(yǔ)義解讀之間存在語(yǔ)義鴻溝（傅衛(wèi)平等，2011）。為消除語(yǔ)義鴻溝，需利用一組人工標(biāo)注的訓(xùn)練數(shù)據(jù)在視覺(jué)特征和語(yǔ)義標(biāo)簽之間建立某種映射關(guān)系，再根據(jù)這種映射關(guān)系自動(dòng)為待標(biāo)注的圖像添加相關(guān)標(biāo)簽。目前較為有效的解決方案是通過(guò)SIFT將描述得到的圖像特征加上以SVM為主的分類器。

本文將圖像分類算法運(yùn)用到地震災(zāi)情圖像信息的異常檢測(cè)中，提出基于SIFT特征與SVM分類的圖像信息的異常檢測(cè)算法模型，如圖2所示。

2.1 基于SIFT的地震事件圖像特征提取

SIFT是圖像處理領(lǐng)域的一種局部特征描述算法，該算法對(duì)圖像的尺度縮放、平移、旋轉(zhuǎn)變換，甚至亮度變化及仿射變換都具有相當(dāng)?shù)姆€(wěn)健性，適用于海量數(shù)據(jù)庫(kù)中的快速精準(zhǔn)匹配（汪松，2013）。本文將SIFT算法應(yīng)用于地震災(zāi)情圖像的識(shí)別和特征提取中，重點(diǎn)識(shí)別提取被困人員情況、人員傷亡情況、建筑物破壞情況、生命線工程破壞情況、次生災(zāi)害情況等災(zāi)情信息特征。為實(shí)現(xiàn)算法的訓(xùn)練，收集了大量已標(biāo)注為地震災(zāi)情信息的圖像，針對(duì)每張地震災(zāi)情圖像，通過(guò)以下4個(gè)步驟采用SIFT進(jìn)行特征提?。?/p>

（1）尺度空間極值檢測(cè)

式中：k為相鄰兩個(gè)尺度空間倍數(shù)的常數(shù)。

為檢測(cè)D（x，y，σ）的局部極值點(diǎn)，需將DOG尺度空間每個(gè)點(diǎn)與其相鄰尺度和相鄰位置的26個(gè)點(diǎn)逐個(gè)進(jìn)行比較，如圖3所示。

若像素（x， y）是一個(gè)可能的SIFT關(guān)鍵點(diǎn)，則它必須在周圍26個(gè)近鄰像素點(diǎn)中是極值點(diǎn)，所有的局部極值點(diǎn)構(gòu)成一個(gè)SIFT候選關(guān)鍵點(diǎn)的集合。

（2）關(guān)鍵點(diǎn)定位

通過(guò)尺度空間極值檢測(cè)得到地震災(zāi)情圖像的所有候選關(guān)鍵點(diǎn)，但還需通過(guò)兩步檢測(cè)才能確定關(guān)鍵點(diǎn)：首先關(guān)鍵點(diǎn)必須與周圍的像素有明顯的差異，即需要剔除對(duì)比度低的關(guān)鍵點(diǎn);其次DOG算子有較強(qiáng)的邊緣響應(yīng)，需刪除不穩(wěn)定的邊緣響應(yīng)點(diǎn)。

（3）關(guān)鍵點(diǎn)大小和方向匹配

在完成關(guān)鍵點(diǎn)定位后，為使DOG算子具備旋轉(zhuǎn)不變性，采用梯度直方圖確定關(guān)鍵點(diǎn)的主方向，像素點(diǎn)（x， y）處梯度的模值和方向的計(jì)算公式（完文韜，楊成禹，2018）為：

對(duì)于地震災(zāi)情圖像的各關(guān)鍵點(diǎn)，模值的峰值代表該關(guān)鍵點(diǎn)處領(lǐng)域梯度的主方向，將其作為該關(guān)鍵點(diǎn)的方向。依次為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，使得DOG算子具備旋轉(zhuǎn)不變性。

（4）輸出SIFT描述符

為確保旋轉(zhuǎn)不變性，將坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵點(diǎn)的方向。以一個(gè)關(guān)鍵點(diǎn)為中心，取N×N的窗口，再將窗口切成M×M的子窗口（M ????2.2 基于Kmeans聚類算法的地震事件圖像標(biāo)簽庫(kù) ?由SIFT算法提取后的每張地震災(zāi)情圖像都是大量SIFT關(guān)鍵點(diǎn)的集合，每一個(gè)關(guān)鍵點(diǎn)都是一個(gè)多維的特征向量，描述著圖像中物體的某一部分特征信息，如人、建筑物、生命線工程特征等。但每張圖像經(jīng)過(guò)SIFT算法所產(chǎn)生的關(guān)鍵點(diǎn)個(gè)數(shù)不盡相同，不便于計(jì)算機(jī)對(duì)災(zāi)情圖像的自動(dòng)識(shí)別和判斷，因此本文采用Kmeans聚類算法對(duì)SIFT特征進(jìn)行聚類，將關(guān)鍵點(diǎn)的特征向量做分類處理。

SIFT特征向量X到第i個(gè)聚類中心的歐氏距離（崔紅艷，曹建芳，2016）為：

式中：xj是向量X的第j維;kij是第i個(gè)聚類中心的第j維。

利用Kmeans算法進(jìn)行多次迭代計(jì)算得到k個(gè)聚類中心，k值可通過(guò)多次試驗(yàn)進(jìn)行選取測(cè)試，最終結(jié)合聚類速度和分類精度綜合考慮后確定（任恒怡等，2017）。

若輸入的地震災(zāi)情圖像有n個(gè)SIFT關(guān)鍵點(diǎn)，則需統(tǒng)計(jì)這n個(gè)關(guān)鍵點(diǎn)在k個(gè)聚類中心的分布情況，從而形成圖像對(duì)應(yīng)的特征向量。特征向量第j維的計(jì)算公式為（楊松等，2016）：

式中：Sij取值為0或1，取1時(shí)表示第i個(gè)SIFT關(guān)鍵點(diǎn)屬于第j個(gè)聚類中心。

通過(guò)上述算法可將一張具有n個(gè)SIFT關(guān)鍵點(diǎn)的圖像轉(zhuǎn)化成一個(gè)k維特征向量，表示該圖像的分類特征，經(jīng)過(guò)對(duì)大量已標(biāo)注的地震災(zāi)情圖像的訓(xùn)練，得到地震災(zāi)情異常圖像特征向量標(biāo)簽庫(kù)，作為進(jìn)行SVM分類的基礎(chǔ)。

2.3 基于SVM的圖像分類

SVM是解決小樣本、非線性識(shí)別的一種二分類器算法（李紅麗等，2018），主要通過(guò)各單一數(shù)據(jù)的特征向量判斷其標(biāo)簽，以此來(lái)確定樣本的類別，獲得良好的分類效果。本文分“離線圖像訓(xùn)練”和“在線圖像判別”兩部分進(jìn)行地震災(zāi)情圖像分類處理，如圖4所示。

首先，在本地采集歷史地震災(zāi)情圖像和與災(zāi)情無(wú)關(guān)的圖像，對(duì)采集的離線圖像做SIFT圖像特征提取和Kmeans特征聚類，整合出地震災(zāi)情異常圖像標(biāo)簽庫(kù)，對(duì)標(biāo)簽庫(kù)進(jìn)行學(xué)習(xí)訓(xùn)練，形成異常圖像SVM分類器集合。然后在社交網(wǎng)絡(luò)平臺(tái)采集在線圖像，通過(guò)將圖像的時(shí)間信息限定為地震發(fā)生后，位置信息限定為地震影響范圍內(nèi)，預(yù)篩選出和地震事件相關(guān)的圖像，進(jìn)行SIFT圖像特征提取和Kmeans特征聚類，最后利用異常圖像SVM分類器對(duì)其進(jìn)行判別，輸出與地震災(zāi)情相關(guān)的有效圖像，剔除無(wú)關(guān)的異常圖像。

2.4 模型應(yīng)用場(chǎng)景

基于SIFT特征與SVM分類的圖像信息異常檢測(cè)算法模型在地震事件中的應(yīng)用場(chǎng)景如圖5所示。

地震發(fā)生后，從微博、微信等社交網(wǎng)絡(luò)平臺(tái)，獲取海量受災(zāi)民眾通過(guò)手持移動(dòng)通訊設(shè)備發(fā)送的相關(guān)圖像信息資源，基于SIFT特征與SVM分類的地震災(zāi)情圖像信息異常檢測(cè)算法模型，篩選出包含被困人員情況、人員傷亡情況、建筑物破壞情況、生命線工程破壞情況、次生災(zāi)害情況、災(zāi)區(qū)環(huán)境特征等災(zāi)情信息在內(nèi)的圖像，將其傳遞給地震應(yīng)急指揮中心，完善地震應(yīng)急救援的災(zāi)情信息源，為科學(xué)制定應(yīng)急方案提供有效支撐。

3 蘆山7.0級(jí)地震建筑物破壞災(zāi)情圖像異常檢測(cè) ??以2013年蘆山7.0級(jí)地震建筑物破壞災(zāi)情圖像為例，從地震災(zāi)情數(shù)據(jù)庫(kù)中收集80張地震災(zāi)情圖像，從本地收集110張與地震災(zāi)情無(wú)關(guān)的圖像，進(jìn)行離線圖像訓(xùn)練，形成異常圖像SVM分類器集合。從微博、微信、新聞網(wǎng)站等網(wǎng)絡(luò)平臺(tái)收集到95張地震災(zāi)情圖像和122張與地震災(zāi)情無(wú)關(guān)的圖像。

根據(jù)圖像屬性信息，應(yīng)用C#的PropertyItem類提取拍攝時(shí)間及位置，存放在PohtoStore圖像集中：

再以時(shí)間信息DATE在2013年4月20日8時(shí)2分之后，位置信息LATITUDE、LONGITUDE到震中的距離不超過(guò)117 km（根據(jù)蘆山地震烈度快速評(píng)估結(jié)果確定）為篩選條件，從PohtoStore圖像集預(yù)篩選出和蘆山地震事件相關(guān)的圖像共205張，其中的92張為地震災(zāi)情圖像，113張為與地震災(zāi)情無(wú)關(guān)的圖像。用通過(guò)預(yù)篩選的圖像對(duì)異常圖像SVM分類器集合訓(xùn)練效果進(jìn)行檢驗(yàn)。

在MATLAB環(huán)境下完成訓(xùn)練和分類過(guò)程，將190張離線圖像和205張通過(guò)預(yù)篩選的在線圖像分為訓(xùn)練集V和測(cè)試集T。在訓(xùn)練集V中，地震建筑物破壞災(zāi)情圖像的集合為V1，與地震建筑物破壞災(zāi)情無(wú)關(guān)圖像的集合為V2;在測(cè)試集T中，地震建筑物破壞災(zāi)情圖像的集合為T1，與地震建筑物破壞災(zāi)情無(wú)關(guān)圖像的集合為T2，分類結(jié)果如表1所示。

分析建筑物破壞圖像特征主要包括：

（1）幾何特征：建筑物雖然外形各不相同，但作為一種相對(duì)規(guī)則的人工地物，實(shí)際大多為矩形或由矩形組合構(gòu)成的多直角形狀，相鄰邊緣相垂直，排列較規(guī)整。在地震中建筑物發(fā)生不同程度的破壞后，邊緣輪廓傾斜錯(cuò)落，其結(jié)構(gòu)和排列呈現(xiàn)出非規(guī)則性和紊亂性等特點(diǎn)。

（2）灰度特征：建筑物邊緣及不同建筑物連接處的灰度變化較大，而建筑物內(nèi)部灰度值相對(duì)較均勻，灰度分布離散性明顯。建筑物破壞引起表面反射率發(fā)生變化，圖像灰度值增加，分布離散性減弱。

（3）拓?fù)潢P(guān)系特征：建筑物作為面狀地物，具有多邊形的拓?fù)涮卣?，可用鏈狀?dú)立編碼表達(dá)拓?fù)潢P(guān)系。建筑物破壞后，多邊形出現(xiàn)斷邊，拓?fù)潢P(guān)系鏈狀編碼的獨(dú)立性受到影響，相互間的交互增多。

根據(jù)上?從表3可知，應(yīng)用SIFT特征與SVM分類的地震災(zāi)情圖像信息異常檢測(cè)算法模型對(duì)蘆山7.0級(jí)地震建筑物破壞災(zāi)情圖像信息進(jìn)行異常檢測(cè)的效果較好，該算法模型具有一定的可行性?？蛇M(jìn)一步用于對(duì)被困人員情況、人員傷亡情況、生命線工程破壞情況、次生災(zāi)害情況等其他災(zāi)情圖像信息的異常檢測(cè)中。

4 結(jié)論

本文針對(duì)震后微博、微信等社交網(wǎng)絡(luò)平臺(tái)中與地震相關(guān)的圖像信息資源與當(dāng)次地震發(fā)生時(shí)間不吻合、不屬于地震影響范圍或與地震災(zāi)情無(wú)關(guān)等異常，將圖像分類算法運(yùn)用到異常檢測(cè)中。通過(guò)對(duì)獲取地震事件有效圖像信息量過(guò)程進(jìn)行建模，構(gòu)建了基于SIFT特征與SVM分類的地震災(zāi)情圖像信息異常檢測(cè)算法模型，并以蘆山7.0級(jí)地震建筑物破壞災(zāi)情圖像為例對(duì)模型進(jìn)行驗(yàn)證，結(jié)果表明該模型對(duì)圖像信息異常的檢測(cè)效果較好，可有效補(bǔ)充和完善用于地震應(yīng)急救援的災(zāi)情信息源，為政府抗震救災(zāi)科學(xué)決策提供災(zāi)情信息支撐。

隨著5G網(wǎng)絡(luò)和智能移動(dòng)終端的快速發(fā)展和普及，未來(lái)網(wǎng)絡(luò)平臺(tái)的信息量將呈現(xiàn)井噴式增長(zhǎng)。因此，需進(jìn)一步結(jié)合數(shù)據(jù)挖掘技術(shù)及PSO粒子群優(yōu)化等算法，提高地震災(zāi)情圖像信息異常檢測(cè)的效率和準(zhǔn)確度。在震后第一時(shí)間為地震應(yīng)急指揮中心提供更加準(zhǔn)確、可靠的災(zāi)情圖像信息。

參考文獻(xiàn)：

曹彥波，吳艷梅，許瑞杰，等.2017.基于微博輿情數(shù)據(jù)的震后有感范圍提取[J].地震研究，40（2）：303-310.

曹彥波.2018.基于新浪微博的2018年云南通海5.0級(jí)地震輿情時(shí)空特征分析[J].地震研究，41（4）：525-533.

崔紅艷，曹建芳.2016.基于改進(jìn)的分布式KMeans特征聚類的海量場(chǎng)景圖像檢索[J].計(jì)算機(jī)應(yīng)用與軟件，33（6）：195-199.

傅衛(wèi)平，秦川，劉佳等.2011.基于SIFT算法的圖像目標(biāo)匹配與定位[J].儀器儀表學(xué)報(bào)，32（1）：163-169.

胡素平，帥向華.2017.網(wǎng)絡(luò)地震災(zāi)情信息智能處理模型與地震烈度判定方法研究[J].震災(zāi)防御技術(shù)，7（4）：420-430.

李紅麗，許春香，馬耀鋒.2018.基于多核學(xué)習(xí)SVM的圖像分類識(shí)別算法[J].現(xiàn)代電子技術(shù)，41（6）：50-52.

劉文.2017.地震災(zāi)情信息采集與分類分析[J].科學(xué)與信息化，（29）：5-6.

任恒怡，賀松，陳文亮.2017.一種改進(jìn)的Kmeans聚類算法在圖像分割中的應(yīng)用[J].通信技術(shù)，50（12）：2704-2707.

湯海林.2013.基于SIFT的圖像特征提取算法研究[J].電腦開(kāi)發(fā)與應(yīng)用，21（8）：54-56.

完文韜，楊成禹.2018.改進(jìn)的SIFT算法在圖像特征點(diǎn)匹配中的應(yīng)用[J].長(zhǎng)春理工大學(xué)學(xué)報(bào)（自然科學(xué)版），41（1）：44-47.

汪松.2013.基于SIFT算法的圖像匹配方法研究[D].西安：西安電子科技大學(xué).

楊松，邵龍?zhí)叮尉S波，等.2016.一種基于SIFT特征的快速圖像匹配算法[J].計(jì)算機(jī)應(yīng)用與軟件，33（7）：186-189.