改進(jìn)AFSA算法優(yōu)化TWSVM的火焰識別方法

高一鍇，彭 力，徐龍壯

物聯(lián)網(wǎng)技術(shù)應(yīng)用教育部工程研究中心（江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院），江蘇 無錫214122

如何更準(zhǔn)確、更及時地探測火災(zāi)一直是人們研究的熱門課題。由于環(huán)境的多樣性、火災(zāi)發(fā)生的隨機(jī)性和各種干擾，火災(zāi)的檢測和預(yù)測通常是不容易的。近年來，隨著計算機(jī)技術(shù)的快速發(fā)展，結(jié)合機(jī)器視覺和模式識別算法的圖像火災(zāi)檢測方法得到了廣泛的研究，并成功應(yīng)用到實踐當(dāng)中。

圖像火災(zāi)探測的核心問題是從各類火焰干擾中對火焰進(jìn)行分類和識別。近年來，出現(xiàn)了越來越多的火災(zāi)模式識別算法，其中常用的方法有支持向量機(jī)[1-3]、神經(jīng)網(wǎng)絡(luò)[4-6]、馬爾可夫模型[7]等?；诮y(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小化的支持向量機(jī)（Support Vector Machine，SVM）是繼人工神經(jīng)網(wǎng)絡(luò)對火焰識別之后出現(xiàn)的一個新的發(fā)展方向，SVM 能夠很好地處理高維度以及局部極值等問題，而且具有直觀的數(shù)學(xué)模型和簡潔的數(shù)學(xué)理論，其得到的解為全局最優(yōu)解，從而解決了人工神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值等問題[8]。曹勇[9]分別用LVQ神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)以及SVM 對火焰特征向量進(jìn)行識別分析，實驗結(jié)果表明SVM 的火焰識別準(zhǔn)確率最高。楊娜娟等人[10]在每幀火焰圖像中都用SVM 進(jìn)行識別，識別效果優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)和RBF 神經(jīng)網(wǎng)絡(luò)，克服了神經(jīng)網(wǎng)絡(luò)容易過學(xué)習(xí)、容易陷入局部極小點等不足。張興坤[11]同時將SVM和深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）應(yīng)用于火焰檢測，實驗結(jié)果表明SVM可以進(jìn)行火焰的有效分類識別，效果良好，而CNN 模型對火焰干擾物體的分辨能力較弱，泛化能力較差。雖然SVM 在火焰識別領(lǐng)域取得了較好的成果[1-3，8-11]，但是SVM 分類算法在面對規(guī)模較大的數(shù)據(jù)時通常需要進(jìn)行大量的二次規(guī)劃計算，這可能導(dǎo)致分類計算量大、分類速度慢。孿生支持向量機(jī)（Twin Support Vector Machines，TWSVM）是2007 年由Jayadeva提出，TWSVM的訓(xùn)練學(xué)習(xí)速度更快，計算復(fù)雜度更低，時間開銷上僅為SVM的1/4[12]，并且TWSVM已經(jīng)成功應(yīng)用于發(fā)動機(jī)故障識別[13]、圖像分類[14]、手勢分類[15]等領(lǐng)域。本文將基于SVM且性能更優(yōu)的TWSVM理論應(yīng)用于火焰識別這個領(lǐng)域，這樣做不僅能夠得到優(yōu)于SVM 在火焰識別中的檢測效果，而且大大降低了算法的時間復(fù)雜度。另外，火焰樣本數(shù)據(jù)經(jīng)常存在不平衡的情況，也就是一個樣本數(shù)據(jù)少，一個樣本數(shù)據(jù)多，SVM往往無法很好地處理這種情況，而TWSVM還能有較好的分類效果，這是因為TWSVM可以分別對正負(fù)樣本設(shè)置不同的懲罰參數(shù)，從而克服SVM 在處理樣本不平衡問題時的缺點。

盡管TWSVM 算法在跨區(qū)域數(shù)據(jù)集上的性能通常優(yōu)于傳統(tǒng)的SVM算法，但是仍存在不足之處，其中之一就是TWSVM無法很好地處理參數(shù)選擇問題。參數(shù)對分類結(jié)果有很大的影響，不適合的參數(shù)將造成TWSVM分類精度大大降低。參數(shù)選擇的困難將會極大地限制TWSVM在火焰識別問題中的應(yīng)用，要想將TWSVM應(yīng)用到火焰識別上，TWSVM參數(shù)選擇是一個不可回避的問題。一種最常見的方法為網(wǎng)格搜索法（Grid）[16]，但是這種方法非常耗時。近年來一些學(xué)者利用群體智能優(yōu)化算法來實現(xiàn)TWSVM 的參數(shù)選擇，遺傳算法（GA）是目前應(yīng)用最廣泛的優(yōu)化方法之一，然而遺傳算法中有四個參數(shù)需要選擇和優(yōu)化[17]，這種算法往往使得計算成本變高。粒子群算法（PSO）[18]是另一種基于隨機(jī)軌跡的搜索模型，但它偶爾會收斂到局部最優(yōu)點或任意點，而不是全局最優(yōu)點。Ding 等人采用果蠅算法（FOA）和螢火蟲算法（GSO）對TWSVM的參數(shù)進(jìn)行優(yōu)化，但是這兩種優(yōu)化算法依然存在陷入局部最優(yōu)解的可能[19-20]。2019年李景燦等人首次將TWSVM與人工魚群算法[21]（AFSA）結(jié)合來解決TWSVM 的參數(shù)選擇問題[22]。但是不足之處在于，人工魚群算法尋優(yōu)速度較慢，這使得TWSVM無法快速準(zhǔn)確地得到全局最優(yōu)解[22]，TWSVM 的分類性能并不是很理想。

應(yīng)用于TWSVM參數(shù)優(yōu)化的GA算法[17]、PSO算法[18]、FOA算法[19]、GSO算法[20]大多存在陷入局部最優(yōu)解的缺點，而人工魚群算法有著很強的逃離局部極值的能力，并在尋找全局極值點時也有著非常好的效果[23]。但是由于基本的人工魚群參數(shù)設(shè)置為固定值，缺乏自適應(yīng)性和動態(tài)調(diào)整能力，造成后期收斂速度較慢，另外在搜索后期存在大量人工魚聚集在非全局最優(yōu)解附近，或仍在漫無目的隨機(jī)游動的現(xiàn)象，導(dǎo)致魚群算法的求解效率較低[24-25]，本文利用一種改進(jìn)人工魚群算法（Improved Artificial Fish Swarm Algorithm，IAFSA）對TWSVM的參數(shù)進(jìn)行優(yōu)化。首先，在魚群初始化時，利用基于聚類的魚群初始化方法來使魚群在空間上分布均勻；其次，利用自適應(yīng)參數(shù)動態(tài)調(diào)整人工魚群的視野范圍和移動步長，平衡了AFSA的全局搜索能力和局部搜索能力之間的矛盾；最后，為了提高算法的收斂性，除了經(jīng)典的人工魚群行為如覓食行為、聚群行為和追尾行為外，還提出了兩種新的行為：跳躍行為和淘汰重生行為。通過以上對基本人工魚群算法的改進(jìn)，得到一種性能更加優(yōu)良的人工魚群算法，克服了基本人工魚群算法中尋優(yōu)精度低和尋優(yōu)速度較慢的缺點，實現(xiàn)對TWSVM參數(shù)的快速準(zhǔn)確選取，從而幫助TWSVM 獲得更高的分類精度，為TWSVM 應(yīng)用到火災(zāi)火焰識別領(lǐng)域提供了可行有效的思路。

1 孿生支持向量機(jī)

孿生支持向量機(jī)是基于支持向量機(jī)而提出來的，由于TWSVM所求解的二次規(guī)劃問題的規(guī)模是原SVM的1/4，所以從理論上來說計算效率是傳統(tǒng)SVM的4倍，極大地提高了分類效率[12]。

假設(shè)在n維實空間Rn有m個訓(xùn)練樣本，m1個樣本屬于正類，m2=m-m1個樣本屬于負(fù)類，矩陣A∈Rm1×n代表正類的訓(xùn)練樣本，矩陣B∈Rm2×n代表負(fù)類的訓(xùn)練樣本，A和B的每一行代表一個樣本。TWSVM 的訓(xùn)練過程是尋找兩個不平行的超平面如式（1）：

K是待確定的核函數(shù)，CT=[A,B]T，通過求解下面兩個二次規(guī)劃問題可以得到這兩個超平面如式（2）、（3）：

e1是一個單位列向量，其行數(shù)與K(A,CT) 核函數(shù)相同。e2是一個單位列向量，其行數(shù)與K(B,CT)核函數(shù)相同。c1和c2是懲罰參數(shù)，與線性模型的情況相似，測試樣本屬于哪一類，取決于它們更接近哪一個分類超平面。

2 基于改進(jìn)人工魚群算法的孿生支持向量機(jī)

2.1 基本人工魚群算法

人工魚群算法（AFSA）主要是通過人工魚個體的覓食、聚群和追尾3種行為進(jìn)行尋優(yōu)的。在AFSA中，每條魚的位置被看作是待優(yōu)化問題的一個可行解，每個解都有一個由適應(yīng)度函數(shù)評估的適應(yīng)度值，根據(jù)待優(yōu)化問題的不同，合理的選擇不同的適應(yīng)度函數(shù)。定義初始人工魚有N條，每條人工魚狀態(tài)為Xi=[x1x2…xm]T，食物濃度（適應(yīng)度）函數(shù)定義為Yi=f(Xi)，將向量Xi代入適應(yīng)度函數(shù)便能得出該位置相應(yīng)的適應(yīng)度值Yi，通過適應(yīng)度值來評價個體人工魚的好壞。dij=‖Xi-Xj‖為兩個人工魚之間的距離。在每次迭代中，人工魚通過覓食、聚群和追尾等行為來更新自己，具體的行為描述如下。

覓食行為：假設(shè)人工魚當(dāng)前狀態(tài)為Xi，并且相應(yīng)的適應(yīng)度為Yi=f(Xi)，在Xi的視野范圍內(nèi)隨機(jī)選擇另外一個狀態(tài)Xj，如果對應(yīng)的適應(yīng)度Yj ＞Yi，則按式（4）向Xj移動一步，否則，重新選取新的Xj判斷是否滿足前進(jìn)條件，如果嘗試Π次仍然無法前進(jìn)，則按式（5）隨機(jī)移動到一個新的狀態(tài)，rand(0,1)是[0，1]內(nèi)的隨機(jī)正數(shù)，Step是移動的步長。

聚群行為：假設(shè)人工魚當(dāng)前狀態(tài)為Xi，以Xi為中心的視野范圍內(nèi)共有nf個人工魚伙伴，當(dāng)nf≥1，根據(jù)式（6）計算出魚群中心位置Xc，若滿足Yc/nf ＞δYi條件，表示魚群中心狀態(tài)較優(yōu)且不太擁擠，故根據(jù)式（7）向該魚群中心所對應(yīng)的方向移動一步，若不滿足該條件，則選擇執(zhí)行覓食行為。

追尾行為：假設(shè)人工魚當(dāng)前狀態(tài)為Xi，其相應(yīng)的適應(yīng)度函數(shù)為Yi，人工魚在當(dāng)前視野范圍內(nèi)搜尋到的具有適應(yīng)度最大值的人工魚伙伴所在位置為Xmax，則該位置所對應(yīng)的適應(yīng)度值為Ymax。若滿足Ymax＞Yi，則以Xmax為中心點搜尋在其視野范圍內(nèi)的所有人工魚，數(shù)量為nf，如果滿足Ymax/nf ＞δYi，說明Xmax位置較優(yōu)且不太擁擠，則根據(jù)式（8）朝Xmax移動一步，若不滿足該條件，則選擇執(zhí)行覓食行為。

2.2 改進(jìn)人工魚群算法

雖然AFSA 算法具有魯棒性強、收斂性好的優(yōu)點，但在搜索效率上仍存在著后期盲目搜索、算法速度慢、優(yōu)化結(jié)果精度低等缺點。在本小節(jié)中，針對以上問題，本文對基本人工魚群算法進(jìn)行如下改進(jìn)，并且詳細(xì)闡述了改進(jìn)人工魚群算法（IAFSA）的核心改進(jìn)步驟。

（1）基于聚類的種群初始化

基本AFSA的初始化是在可行范圍內(nèi)隨機(jī)生成的，隨機(jī)初始化可能導(dǎo)致初始種群的不均勻分布，這使得啟發(fā)式算法陷入局部最優(yōu)并影響它們的收斂性。為了克服這個缺點，提出一種基于聚類的魚群初始化方法來使魚群在空間上分布均勻，假設(shè)初始種群規(guī)模為N，誤差精度為ω，該聚類初始化步驟具體如下：

步驟1隨機(jī)產(chǎn)生N個個體作為初始人工魚群（初始中心點），迭代計數(shù)器s=0。

步驟2隨機(jī)產(chǎn)生M個個體，并把它們歸到離自己最近的中心點，形成N個簇。

步驟3計算這N個簇的中心點，更新中心點的位置。

步驟4判斷條件‖Xi(s+1)-Xi(s)‖＜ω是否成立i=1,2,…,N，若滿足條件執(zhí)行步驟5，否則執(zhí)行步驟2。

步驟5輸出這N個中心點，就產(chǎn)生了N條分布均勻的人工魚作為初始魚群。

（2）視覺范圍和步長的改進(jìn)

在標(biāo)準(zhǔn)人工魚群算法中，視野范圍和步長在整個迭代過程中保持不變。如果設(shè)定的視野范圍和步長較大，人工魚群更有可能跳出局部最優(yōu)解，但同時，人工魚難以進(jìn)行精確的局部搜索，降低了全局搜索的精度。如果使用較小的視野范圍和步長，它能夠進(jìn)行精細(xì)的局部搜索，但必須降低收斂速度才能達(dá)到全局最優(yōu)。

為了平衡AFSA 的全局搜索能力和局部搜索能力之間的矛盾，本文利用式（9）和（10）自適應(yīng)地調(diào)整人工魚的視野范圍和步長。在AFSA的早期，更大的視野范圍和步長可以加快聚群行為和追尾行為的收斂速度，使得人工魚經(jīng)過較少次數(shù)的迭代后能夠快速收斂到局部和全局最優(yōu)位置。在后期，較小的視野范圍和步長使覓食行為占主導(dǎo)地位，圍繞在極值點附近的人工魚可以準(zhǔn)確地找到極值點的位置，從而找到最優(yōu)值。

Visualmin為視野范圍的最小值，Stepmin為步長的最小值，t∈(1,2,…,t_max)為當(dāng)前迭代次數(shù)，t_max 為最大迭代次數(shù)，0.5＜η ＜1。從式（9）和（10）可以看出，視野范圍和步長隨著算法的迭代不斷變小并且最終趨于Visualmin和Stepmin，如果沒有設(shè)定Visualmin和Stepmin值，Visual和Step在迭代后期將下降到一個接近零值的值，如果發(fā)生這種情況，人工魚將會失去搜索能力，算計將無法繼續(xù)迭代下去。

Visualmin和Stepmin的設(shè)置影響著算法的性能。如果設(shè)置大的Visualmin和Stepmin值，它可能影響局部搜索的精度，如果設(shè)置小的Visualmin和Stepmin值，可能會消耗更多的時間來獲取最優(yōu)解，影響收斂速度。因此，本文設(shè)置在閾值t_des迭代次數(shù)內(nèi)，Visualmin和Stepmin值保持一定值，當(dāng)?shù)螖?shù)大于閾值t_des時，Visualmin和Stepmin的值按照式（12）和（13）梯度下降的方式發(fā)生變化。

（3）引入了跳躍行為和淘汰重生行為

在基本人工魚群算法的覓食行為中，人工魚在嘗試Π次后如果仍然不能前進(jìn)，則選擇隨機(jī)移動，這種盲目的隨機(jī)行為會導(dǎo)致算法收斂緩慢，人工魚陷入局部最優(yōu)解無法跳出。在這種情況下，如果以概率選擇一定數(shù)量的人工魚，并使其位置顯著地發(fā)生改變，人工魚群往往會跳出局部極值區(qū)域，有利于提升算法的全局搜索能力和收斂速度。這種人工魚位置的顯著性變化稱為跳躍行為，具體描述如下。

當(dāng)?shù)螖?shù)t大于閾值t_jump且人工魚迭代后的適應(yīng)度值增量小于閾值Yχ時，為每個符合條件的人工魚生成一個介于0和1之間的隨機(jī)數(shù)。隨機(jī)數(shù)大于跳躍閾值ρ的人工魚在視野范圍內(nèi)執(zhí)行跳躍行為，如式（14），μ為跳躍系數(shù)，函數(shù)random(1,m)產(chǎn)生一個1 行m列的隨機(jī)數(shù)矩陣。

跳躍行為是以概率選擇一定數(shù)量的人工魚，一部分人工魚仍在漫無目地隨機(jī)游動，甚至出現(xiàn)退化現(xiàn)象。因此，在算法每迭代Γ次以后，如果人工魚的適應(yīng)度值小于淘汰重生閾值Yreb，這種人工魚被認(rèn)為競爭力較弱，應(yīng)該在可行解范圍內(nèi)隨機(jī)重生。淘汰重生閾值Yreb由式（15）來定義：

θ是適應(yīng)度值的增量系數(shù)，Ybasic是淘汰適應(yīng)度初始值，淘汰重生閾值Yreb隨著算法迭代增加，但是它的最大值不能超過Ymax。在自然環(huán)境中，魚通常在死前盡力掙扎。類似地，這個算法中的每一條人工魚在被淘汰之前都有機(jī)會通過跳躍行為存活下來。如果人工魚跳躍行為后的食物濃度高于閾值Yreb，它將繼續(xù)生存，否則將被淘汰并重生。每隔Γ次迭代，每個人工魚都會被評估是否需要淘汰重生。每個人工魚都有足夠的時間搜索最優(yōu)值，同時遵循適者生存、弱者淘汰的原則。淘汰重生行為具體描述如下：

當(dāng)?shù)螖?shù)t大于閾值t_rebirth時，計算每個人工魚迭代后的適應(yīng)度值Yi，判斷人工魚是否滿足跳躍行為的條件，若滿足條件，執(zhí)行跳躍行為并計算跳躍后的適應(yīng)度值Yj，否則令Yj=Yi并執(zhí)行下一步判斷；判斷是否執(zhí)行淘汰操作，如果Yj ＜Yreb，淘汰該人工魚，并重生新的人工魚，否則人工魚位置保持不變。每隔Γ次迭代，利用式（15）計算淘汰重生閾值Yreb，重新評估每條人工魚是否需要淘汰重生。

2.3 IAFSA-TWSVM算法

與SVM 相似，懲罰參數(shù)與核參數(shù)的選擇問題直接影響到TWSVM 的性能。TWSVM 常用的核函數(shù)是線性核函數(shù)、多項式核函數(shù)和高斯核函數(shù)，其中以高斯核函數(shù)最為普遍。高斯核函數(shù)具有以下優(yōu)點，表達(dá)式簡單，即使輸入多個變量，復(fù)雜度也不會明顯增加；它的任何階的導(dǎo)數(shù)都存在并且具有良好的光滑性；它具有良好的性能和很強的學(xué)習(xí)能力，能夠適應(yīng)各種維度和樣本量。大量實驗結(jié)果表明，高斯核函數(shù)在TWSVM中的應(yīng)用效果良好[17-20，22]。所以本文選取該函數(shù)作為核函數(shù)進(jìn)行實驗，高斯核函數(shù)表達(dá)式如式（16）：

利用改進(jìn)人工魚群算法優(yōu)化TWSVM 的懲罰系數(shù)c1、c2和高斯核參數(shù)σ，優(yōu)化目標(biāo)是尋求最優(yōu)的參數(shù)組合(c1,c2,σ)使TWSVM的分類正確率達(dá)到最大化。參數(shù)組合(c1,c2,σ)視為人工魚的位置，采用K-折交叉驗證法(K-CV），將平均分類準(zhǔn)確率作為目標(biāo)函數(shù)值。在計算人工魚適應(yīng)度值時，將人工魚的當(dāng)前位置作為參數(shù)組合(c1,c2,σ)構(gòu)建TWSVM 模型，將訓(xùn)練樣本隨機(jī)分成大小相同的K(K=10)份，進(jìn)行十折交叉驗證，把平均分類準(zhǔn)確率作為該人工魚當(dāng)前位置的適應(yīng)度值。對于給定的訓(xùn)練樣本，利用改進(jìn)人工魚群算法優(yōu)化TWSVM參數(shù)的算法（IAFSA-TWSVM）詳細(xì)流程如下：

步驟1初始化。設(shè)定最大迭代次數(shù)t_max、種群規(guī)模N、視野范圍最小值的初始值Visualmin、移動步長最小值的初始值Stepmin、覓食最大試探次數(shù)Π、擁擠度因子δ、閾值t_des、閾值t_jump、閾值t_rebirth、適應(yīng)度值增量閾值Yχ、跳躍閾值ρ、淘汰重生行為執(zhí)行相隔代數(shù)Γ、適應(yīng)度值的增量系數(shù)θ、淘汰適應(yīng)度初始值Ybasic等參數(shù)，并且設(shè)置TWSVM 中參數(shù)組合c1、c2、σ取值范圍。

步驟2利用2.2 節(jié)中基于聚類的方法來初始化N條人工魚。

步驟3計算初始魚群中每條人工魚的適應(yīng)度值。對于每條人工魚，以當(dāng)前位置作為參數(shù)組合(c1,c2,σ)建立TWSVM 模型，對訓(xùn)練樣本進(jìn)行五折交叉驗證，將平均分類準(zhǔn)確率作為該魚的適應(yīng)度值。

步驟4將魚群中適應(yīng)度值最大值作為當(dāng)前魚群的最優(yōu)值，并將對應(yīng)人工魚的位置保存在公告板中。

步驟5魚群更新。每條人工魚分別進(jìn)行覓食、聚群和追尾行為，按步驟3 的方法計算各行為的適應(yīng)度值，選擇較優(yōu)的行為作為魚的移動方向并更新每條人工魚的位置。

步驟6首先利用2.2 節(jié)中式（9）、（10）對視野范圍、移動步長進(jìn)行修改；判斷條件t ＞t_des是否滿足，若條件成立，Visualmin和Stepmin值按照式（12）和（13）梯度下降的方式發(fā)生變化，否則Visualmin和Stepmin值保持不變；判斷條件t ＞t_jump是否滿足，若條件成立，對符合條件的人工魚執(zhí)行跳躍行為，否則不執(zhí)行任何操作；判斷條件t ＞t_rebirth是否滿足，若條件成立，對執(zhí)行過跳躍行為的人工魚執(zhí)行淘汰重生行為，并且每隔Γ代后，通過式（15）計算淘汰重生閾值Yreb，重新評估每條人工魚是否需要淘汰重生，否則不執(zhí)行任何操作。

步驟7魚群最優(yōu)值的確定。將各魚的適應(yīng)度值與公告板中的值進(jìn)行比較，如果較優(yōu)則替換，并保存相應(yīng)的位置，公告板中始終保持歷史最優(yōu)的值。

步驟8判斷是否滿足終止條件，若是，輸出公告板中的值，即TWSVM的平均分類準(zhǔn)確率和最優(yōu)參數(shù)組合(c1,c2,σ)。否則跳轉(zhuǎn)執(zhí)行步驟5。

IAFSA-TWSVM的流程圖如圖1所示，通過這個流程圖可以直觀地看出本文所提出算法的過程。

圖1 IAFSA-TWSVM算法流程圖

3 火焰圖像分割與特征提取

火災(zāi)火焰圖像識別需要獲得圖像相關(guān)特征量，因此還需要經(jīng)過火焰圖像分割和特征提取的步驟。

3.1 火焰圖像分割

由于火災(zāi)在燃燒時其現(xiàn)場相對很復(fù)雜，所以單一的顏色模型可能無法很好地把火焰區(qū)域從背景區(qū)域分割出來。因此本文提出了一種RGB-YCbCr混合顏色空間模型方法，將RGB顏色空間模型和YCbCr顏色空間模型結(jié)合在一起，對火焰區(qū)域進(jìn)行分割。

Wang等人[26]在實際的火焰數(shù)據(jù)集上將YCbCr顏色空間模型每個通道中的火焰像素值與相應(yīng)通道中的平均像素值進(jìn)行比較，得出了YCbCr顏色空間模型中火焰像素的分布特點：在Y通道中火焰區(qū)域的像素值明顯大于整個圖像的平均像素值；在Cb通道中，火焰區(qū)域的像素值小于整個圖像的平均像素值；在Cr通道中，火焰區(qū)域像素值大于整個圖像的平均像素值。上述分布特點可用式（17）～（19）表示：

Y(i,j)、Cb(i,j)、Cr(i,j)分別為(i,j)位置的Y 通道像素值、Cb 通道像素值、Cr 通道像素值，Ymean、Cbmean、Crmean為對應(yīng)通道的平均像素值。

申小龍等人[27]通過對隨機(jī)選取的134幅火災(zāi)圖片和945幅未發(fā)生火災(zāi)的圖片進(jìn)行RGB值統(tǒng)計分析，分析發(fā)現(xiàn)對于火焰區(qū)域的RGB 值其紅色分量值普遍較高，而綠色通道的值偏低，從而得出了在RGB 顏色空間模型中火焰像素的分布特點：R通道上的火焰像素的像素值大于G通道上的像素值。該特點可用式（20）表示：

R(i,j)、G(i,j)分別表示在RGB顏色空間模型中(i,j)位置的R通道像素值和G通道像素值。

為了更好地分割火焰圖像，本文分別根據(jù)YCbCr和RGB 顏色空間模型中的火焰像素分布特點來提取火焰。然后對同時滿足以上兩種條件的像素點進(jìn)行整理，最終得到完整的火焰目標(biāo)區(qū)域，火焰圖像分割的流程圖如圖2所示。

圖2 火焰圖像分割流程圖

RGB-YCbCr 混合顏色空間模型的火焰圖像分割效果示例圖如圖3 所示，從中可以看出，本文所使用的RGB-YCbCr混合顏色模型能夠有效地從背景區(qū)域分割出火焰目標(biāo)區(qū)域。

3.2 火焰圖像特征提取

早期火災(zāi)火焰的顏色、形態(tài)和紋理不斷變化，對火焰的這些特殊特征進(jìn)行提取，能夠作為很好的火災(zāi)火焰識別依據(jù)。本文選取常用的顏色矩、圓形度、紋理特征作為火焰圖像識別的判據(jù)。

圖3 RGB-YCbCr混合顏色空間模型的火焰圖像分割效果示例圖

（1）顏色矩。利用火焰圖像的低階顏色矩就能夠描述顏色的存在狀態(tài)，因為圖像的顏色分布主要集中在低階矩。圖像的一階顏色矩M1、二階顏色矩M2、三階顏色矩M3分別表示圖像的平均顏色、標(biāo)準(zhǔn)方差以及二次根非對稱性，其表達(dá)式如式（21）～（23）：

其中，L代表的是圖像的總像素集合，Y(p(i,j))代表的是在YCbCr顏色空間模型中，火焰目標(biāo)區(qū)域p的(i,j)位置的Y通道分量值。

（2）圓形度?；鹧娴男螤钕鄬τ诟蓴_物（如蠟燭火焰、照明燈等）則顯得不是那么有規(guī)律，所以圓形度可以作為火災(zāi)火焰識別的另一個重要的判據(jù)。圓形度是圖元面積和周長之比，其表達(dá)式如式（24）：

其中，Ai、Pi、Mi分別是第i個圖元的面積、周長、圓形度。周長為物體的邊界長度，從邊界鏈碼中得到，面積通過統(tǒng)計亮點數(shù)獲得。

（3）紋理特征。紋理特征是表示目標(biāo)區(qū)域像素灰度空間分布的另一個重要特征，本文利用灰度共生矩陣中的能量(ASM)、熵(ENT)、關(guān)聯(lián)度(COR)和慣性矩(CON) 四個量來表示火焰識別問題的紋理特征，如式（25）～（28）所示。ph(i,j)為目標(biāo)火焰區(qū)域的灰度值分別為i和j的像元對的概率，μx、σx、μy、σy分別為px(i)=的均值和標(biāo)準(zhǔn)方差。

4 實驗結(jié)果和分析

在本章中，從互聯(lián)網(wǎng)網(wǎng)站下載327幅火焰圖像進(jìn)行火焰識別測試，其中223 幅火焰圖像，其余104 幅為蠟燭、燈光等干擾圖像。實驗選取了樣本總數(shù)的70%，即229幅圖像（156幅火焰圖像和73幅干擾圖像）作為訓(xùn)練集，30%的樣本（67 幅火焰圖像和31 幅干擾圖像）作為測試集。如3.1節(jié)所述，根據(jù)RGB-YCbCr混合顏色空間模型中火焰像素的分布特點對火焰圖像進(jìn)行分割，然后提取每個圖像的各個分量的顏色矩、圓形度和紋理特征作為特征向量，作為TWSVM 分類器模型的訓(xùn)練和測試樣本。實驗在Matlab 環(huán)境下實現(xiàn)，硬件配置為Windows 10 操作系統(tǒng)，8 GB 內(nèi)存，1 TB 硬盤，i5-4210H和2.90 GHz主頻CPU的計算機(jī)。

為了證明所提出的IAFSA-TWSVM 的有效性，選取傳統(tǒng)支持向量機(jī)（SVM）、基于網(wǎng)格搜索的孿生支持向量機(jī)（Grid-TWSVM）、基于遺傳算法的孿生支持向量機(jī)（GA-TWSVM）[17]、基于粒子群算法的孿生支持向量機(jī)（PSO-TWSVM）[18]、基于果蠅算法的孿生支持向量機(jī)（FOA-TWSVM）[19]、基于螢火蟲算法的孿生支持向量機(jī)（GSO-TWSVM）[20]、基于人工魚群算法的孿生支持向量機(jī)（AFSA-TWSVM）[22]作為對比實驗，與IAFSA-TWSVM進(jìn)行比較。為了保證算法對比的公平性，如2.3節(jié)所述，實驗中所有智能優(yōu)化算法的適應(yīng)度函數(shù)為采用十折交叉驗證方法得到的平均分類準(zhǔn)確率。由于啟發(fā)式算法得到的結(jié)果對于每個運行周期可能不完全相同，因此每個算法運行5 次，每次算法最大迭代次數(shù)為100，并將5次中的最優(yōu)適應(yīng)度值相對應(yīng)的(c1,c2,σ)作為TWSVM的最優(yōu)參數(shù)。表1 給出了不同算法尋找到的最優(yōu)參數(shù)(c1,c2,σ)，最優(yōu)參數(shù)對應(yīng)的最優(yōu)適應(yīng)度值，算法運行5次的平均參數(shù)尋優(yōu)時間。

圖4給出了IAFSA-TWSVM、AFSA-TWSVM、PSOTWSVM、GA-TWSVM、GSO-TWSVM、FOA-TWSVM 6種智能優(yōu)化算法運行5次最優(yōu)的參數(shù)尋優(yōu)過程曲線。

圖4 不同算法參數(shù)尋優(yōu)過程曲線

表1 不同算法參數(shù)尋優(yōu)結(jié)果比較

實驗利用參數(shù)尋優(yōu)得到的最優(yōu)參數(shù)(c1,c2,σ)作為最終選定的TWSVM參數(shù)，在全部訓(xùn)練集上建立TWSVM模型，并對剩余的30%測試集進(jìn)行測試。

考慮到近年來深度學(xué)習(xí)的快速發(fā)展，以及卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像分類上的卓越表現(xiàn)，本文將其應(yīng)用于火焰識別作為對比實驗。為了與SVM和TWSVM算法進(jìn)行比較，該對比實驗使用3.1 節(jié)火焰分割方法獲得火焰目標(biāo)區(qū)域，減少了無關(guān)干擾物的影響同時壓縮了輸入CNN 模型的圖像大小和數(shù)據(jù)量，然后送入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本實驗選用具有很強擴(kuò)展性且泛化能力良好的VGGNet-16[28]深度卷積神經(jīng)網(wǎng)絡(luò)來構(gòu)建火焰圖像識別網(wǎng)絡(luò)模型。另外由于火焰目標(biāo)可能只存在火焰圖像的某些位置，本實驗將適用于實時目標(biāo)檢測的Fast R-CNN 算法[29]和YOLO 算法[30]也作為對比算法進(jìn)行比較。

對于二分類問題，ROC（Receiver Operating Characteristic）曲線分析和混淆矩陣（Confusion Matrix）是分類器比較的重要性能指標(biāo)。實驗利用測試集的分類結(jié)果可以獲得混淆矩陣的四個基本指標(biāo)：TP（True Positive）即真陽性、FP（False Positive）即假陽性、FN（False Negative）即假陰性、TN（True Negative）即真陰性。基于以上四個基本指標(biāo)，利用式（29）～（32）可以計算出準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)、精確率和召回率的調(diào)和平均數(shù)F1分?jǐn)?shù)(F1score)。

ROC 曲線的縱坐標(biāo)為TPR（True Positive Rate）即真陽性率，橫坐標(biāo)為FPR（False Positive Rate）即假陽性率，TPR和FPR可以利用混淆矩陣中的基本指標(biāo)得到，如式（33）、（34）。

圖5給出了十一種算法的ROC曲線圖。AUC（Area Under Curve）被定義為ROC曲線下與坐標(biāo)軸圍成的面積。AUC 為分類算法的性能對比提供了數(shù)字化依據(jù)，為了計算AUC，只需要得到ROC 曲線下的面積。表2給出了十一種算法在測試集上準(zhǔn)確率、F1分?jǐn)?shù)、AUC和算法運行時間（SVM、TWSVM 算法運行時間包含參數(shù)尋優(yōu)時間）四種性能指標(biāo)的對比情況。

表2 不同算法性能指標(biāo)比較

從表1和圖4中可以看出，本文提出的IAFSA-TWSVM可以以更少的迭代次數(shù)，更快地尋找到TWSVM的最優(yōu)參數(shù)。從表2可以看出，所提出的IAFSA-TWSVM在準(zhǔn)確率、F1分?jǐn)?shù)、AUC三種性能指標(biāo)上均獲得了最優(yōu)的結(jié)果，同時所提的算法運行時間最短，實時性最好。從表2也可以看出，雖然Fast R-CNN 算法取得了較好的分類效果，但是由于該算法使用Selective Search方法提取候選區(qū)域，存在很多冗余運算使得算法比較耗時；YOLO算法實時性與SVM 算法比較接近，但是該算法的分類效果不是很理想，這是因為YOLO算法自身存在定位不準(zhǔn)的問題，容易出現(xiàn)漏檢的情況；VGGNet-16 深度卷積神經(jīng)網(wǎng)絡(luò)各項性能指標(biāo)與SVM 算法比較接近，另外由于VGGNet-16卷積層計算量較大且相對于SVM算法參數(shù)數(shù)量較多，使得VGGNet-16 算法運行時間較長。值得注意的是，SVM算法也比較耗時達(dá)到了4 091.83 s，而七種基于TWSVM的算法相比SVM算法運行時間大大縮短。從理論上講，TWSVM時間開銷上為SVM的1/4，在實驗中發(fā)現(xiàn)，實驗結(jié)果和理論值存在一定的差距，但是依然可以驗證TWSVM在火焰識別領(lǐng)域比SVM更有優(yōu)勢。在七種基于TWSVM 的算法中，所提的IAFSATWSVM 算法運算時間最短，分類性能指標(biāo)最好。這主要得益于2.2 節(jié)對人工魚群算法的改進(jìn)，改進(jìn)后的AFSA可以以更快的速度跳出局部最優(yōu)解，尋找到適合TWSVM的全局最優(yōu)參數(shù)，從而解決了TWSVM應(yīng)用于火焰識別時參數(shù)選擇困難、常用參數(shù)尋優(yōu)算法尋優(yōu)時間長等問題。

圖5 測試集上不同方法的ROC曲線

5 結(jié)束語

本文針對孿生支持向量機(jī)應(yīng)用到火焰識別領(lǐng)域時參數(shù)選擇困難、常用參數(shù)尋優(yōu)算法尋優(yōu)時間長等問題，提出了一種改進(jìn)人工魚群算法優(yōu)化孿生支持向量機(jī)參數(shù)（IAFSA-TWSVM）的火焰識別方法。該方法通過基于聚類的方法實現(xiàn)人工魚群的均勻初始化，同時用自適應(yīng)參數(shù)取代AFSA算法的固定視野范圍和步長，引入新的跳躍行為和淘汰重生行為更好地幫助魚群跳出局部最優(yōu)解，提高了算法的收斂速度和識別率，克服了前人優(yōu)化算法后期收斂速度慢、易陷入局部最優(yōu)的缺點，為TWSVM應(yīng)用到火焰識別提供了一種有效的新方法。