礦山應(yīng)急救援紅外圖像SVM分割算法

楊 偉，陳益能，童 鑫

(1.四川川煤華榮能源有限責(zé)任公司宜賓救護消防大隊，四川 宜賓 644500；2.西安科技大學(xué) 安全學(xué)院，陜西 西安 710054)

0 引言

近年來，我國礦山事故呈減少趨勢，但百萬噸死亡率遠(yuǎn)高于歐美產(chǎn)煤國，每年仍有多起事故發(fā)生。在一些事故救援時，受巷道垮塌、地質(zhì)等客觀條件的限制，為保障成功救援以及救援人員的生命安全，只能采取地面打鉆救援，即垂直救援的方式開展。然而，垂直救援的關(guān)鍵在于鉆孔施工和人員搜尋與定位。尤其是被困人員的搜尋與定位，是目前礦山垂直救援的一個難點和關(guān)鍵點。如2015年12月山東平邑石膏礦難救援時，國家礦山救援西安研究中心文虎教授攜帶其團隊自主研制的鉆孔救援生命信息探測儀，有效解決了鉆孔故障探查、被困人員搜尋及巷道環(huán)境信息等難題，成功救出多名被困礦工。因此，高效、精確的鉆孔生命信息探測技術(shù)在礦山鉆孔救援領(lǐng)域占據(jù)十分重要的位置。

目前，鉆孔生命信息探測可視化裝置基于可見光成像，受光照強度影響其有效探測距離僅為15 m，依靠溫度成像的紅外熱成像生命信息探測技術(shù)可彌補這一缺陷。體溫是人體機能內(nèi)在活動的客觀反映，是事故后探測被困人員位置及生存狀態(tài)的有效手段之一。由于紅外熱成像儀具有熱靈敏度高(0.1 ℃)、“穿透”能力強(可穿透水霧、黑夜、煙氣及一定量煤塵)及遠(yuǎn)距離非接觸成像等優(yōu)點，國內(nèi)外眾多學(xué)者將該技術(shù)應(yīng)用于生命信息探測，取得了良好的成果[1-3]。西安科技大學(xué)安全科學(xué)與工程學(xué)院應(yīng)急救援團隊研發(fā)了應(yīng)用于礦山鉆孔救援的紅外熱成像生命信息探測系統(tǒng)，該系統(tǒng)可對井下巷道清晰成像，實時偵察井下災(zāi)區(qū)情況及被困人員情況。

然而，為實現(xiàn)該系統(tǒng)對人體目標(biāo)的自動識別與示警，需先對系統(tǒng)探測的紅外圖像進(jìn)行準(zhǔn)確分割。目前，國內(nèi)外學(xué)者研發(fā)了上百種圖像分割方法，如邊緣檢測法(Sobel、Perwitt及Roberts梯度算子；LoG算子；Canny算子)[4-5]、Hough變換法、Otsu閾值分割法[6-7]、K-mean聚類法[8]等分割方法，還研究了基于形態(tài)學(xué)[9]、模糊數(shù)學(xué)[10]、遺傳算法[11-12]及神經(jīng)網(wǎng)絡(luò)[13]等多種新的紅外圖像分割算法。

受紅外熱成像儀成像原理限制，紅外圖像與其它圖像相比存在目標(biāo)與環(huán)境對比度低、目標(biāo)邊緣模糊及干擾噪聲大等特點，因此在復(fù)雜的災(zāi)后巷道環(huán)境中精確的分割紅外目標(biāo)是一個巨大的挑戰(zhàn)。針對目標(biāo)邊緣模糊的特性，前人研究了模糊聚類法[14]與模糊連接度法[15]等算法，該類算法有效降低了信噪比，且對目標(biāo)模糊邊緣具有較好的劃分效果，但計算時間過長，不適宜數(shù)據(jù)集較大的圖像庫；BO等[16]提出了信息熵算法，有效解決了紅外圖像目標(biāo)邊緣模糊問題，但存在局部分割最優(yōu)問題；CHITTAJALLU等[17]提出了模糊圖割概念，因未考慮灰度接近程度，目標(biāo)邊緣定位不準(zhǔn)；劉松濤等[18]利用高斯理論建立目標(biāo)與環(huán)境的灰度概率分布模型，估計圖像分割能量函數(shù)的似然能，但由于該算法收斂于似然估計，僅取得局部最優(yōu)，圖像整體分割精度不高；LI等[19]將熵算法引入，實現(xiàn)了圖像的自動分割，增強了抗噪聲干擾能力，提高了圖像分割精度，由于該算法的能量函數(shù)以似然能參數(shù)為基礎(chǔ)，因此仍然存在分割效果差的問題。

支持向量機(Support Vector Machine，SVM)具有強大的自學(xué)能力，遵循結(jié)構(gòu)風(fēng)險最小化原則，解決了人工神經(jīng)網(wǎng)絡(luò)過度訓(xùn)練和過度擬合的問題，因而具有優(yōu)異的泛化性能[20]。目前已有學(xué)者將SVM算法成功應(yīng)用于醫(yī)學(xué)圖像、航空圖像及遙感圖像分割等領(lǐng)域[21]，但目前SVM在礦山應(yīng)急救援紅外圖像分割方面的應(yīng)用鮮有報道。為實現(xiàn)事故后巷道復(fù)雜環(huán)境下紅外圖像的有效分割，提出了基于SVM的礦山鉆孔救援紅外圖像分割新算法。

1 SVM算法

SVM算法的基本思想是：利用核函數(shù)將樣本映射到某一高維空間，以升維的方式使得原本在低維空間線性不可分的問題在高維空間線性可分。

1.1 間隔函數(shù)

給定一訓(xùn)練樣本集(xi,yi),x∈RN,y∈[-1,1],i=1,2,…,n；存在最優(yōu)超平面ψ將目標(biāo)與環(huán)境準(zhǔn)確的分割為2類

ψ∶ωT·xi+b=0

(1)

設(shè)定xi到平面ψ的間隔函數(shù)為

γi=yi(ωTxi+b)

(2)

式中，yi為類標(biāo)簽，值為-1時表示負(fù)樣本，值為1時表示正樣本。

由于樣本xi到平面ψ的距離為|ωTxi+b|/‖ω‖，將其代入(2)式，得

(3)

1.2 SVM分類器

根據(jù)式(3)，求出γi的最值，即給出了最優(yōu)超平面ψ，則問題轉(zhuǎn)化為求解γi最值問題，其形式化表達(dá)為

(4)

將全局的函數(shù)間隔進(jìn)行歸一處理，則(4)變?yōu)?/p>

(5)

對式(5)中的約束條件乘以Lagrange乘數(shù)αi，代入式(5)中目標(biāo)函數(shù)，則問題轉(zhuǎn)化為無約束優(yōu)化問題，即L關(guān)于ω、b及αi的最小化問題。

L(ω,b,α)

(6)

至此，式子與ω和b無關(guān)，僅為αi的函數(shù)，則優(yōu)化問題變?yōu)?/p>

(7)

式中，β為懲罰因子。

α解出后，ω和b可根據(jù)對偶問題的解α來確定，見式(8)

(8)

解出α、ω及b對應(yīng)的最優(yōu)解α*、ω*及b*后，即可得到最優(yōu)分類函數(shù)，見式(9)

(9)

式中，xi為測試樣本。

2 材料與方法

2.1 試驗裝置

試驗采用XKQY-Ⅰ型礦山鉆孔救援紅外生命信息探測儀,如圖1所示。像素為320×240 dpi。

圖1 紅外生命信息探測儀Fig.1 Infrared life information detector

生命信息鉆孔探測系統(tǒng)主要由鉆孔生命探測器(含一路紅外熱成像攝像、一路可見光成像、兩路音頻、一路環(huán)境參數(shù))、高強度傳輸線纜、地面雙路無線信號傳輸控制輪盤、系統(tǒng)專用筆記本電腦4部分組成。本安型紅外熱成像儀自動采集井下事故現(xiàn)場紅外圖像，將采集的圖像、環(huán)境氣體參數(shù)及音頻信號一起發(fā)送至COFDM無線傳輸模塊。視音頻合成壓縮模塊首先將模擬的視頻、音頻信號轉(zhuǎn)換成數(shù)字信號，再采用H.264壓縮編碼，QPSK調(diào)制、卷積編碼等處理后傳輸至COFDM發(fā)送模塊與無線射頻將數(shù)據(jù)發(fā)出。地面接收端基站集成了COFDM收據(jù)接收模塊與射頻接收模塊，接收模塊通過USB接口連接計算機。另一個冗余設(shè)計是系統(tǒng)采用XDSL網(wǎng)絡(luò)協(xié)議，并進(jìn)行本安處理，將發(fā)送與接收模塊間最大傳輸距離增至4 km。采集模塊采集的多媒體信息經(jīng)過調(diào)制，再傳輸至XDSL模塊，通過礦用雙絞線傳輸至地面。地面接收端基站中的XDSL模塊將電話信號再調(diào)制成網(wǎng)絡(luò)信號，XDSL線路接入模塊解碼提供一個RJ45用戶端接口，最后通過計算機將視頻和音頻信息展示給救援人員。

2.2 試驗條件

設(shè)備與人的布局信息，如圖2所示。計算機配置為Intel(R)Core(TM)i7-2600CPU@3.40 GHz，8G內(nèi)存，Win7(32位)系統(tǒng)，MATLAB2014a模擬軟件。圖像分割的本質(zhì)是對圖像的像素點進(jìn)行分類，即將表征目標(biāo)的像素點與環(huán)境像素點進(jìn)行區(qū)分。每個像素點均有對應(yīng)的數(shù)據(jù)，通過MATLAB2014a利用SVM算法對圖像數(shù)據(jù)分析，即可實現(xiàn)紅外圖像的分割。試驗所需樣本在國家礦山應(yīng)急救援芙蓉隊模擬試驗巷道內(nèi)拍攝，模擬試驗巷道如圖3所示。計算時選取7×7的滑動窗口，RBF核函數(shù)，用交叉驗證法選擇最佳懲罰因子β及核參數(shù)G。

圖2 拍攝場景示意Fig.2 Shooting scene

圖3 礦井安全生產(chǎn)模擬試驗巷道實物Fig.3 Mine safety production simulation test roadway

2.3 圖像增強

為優(yōu)化分割效果，首先對圖像進(jìn)行高低帽變化[7]，加強灰度對比度。將圖像形態(tài)操作的圓盤結(jié)構(gòu)半徑設(shè)為15個像素，增強的圖像如圖4所示。

3 試驗結(jié)果分析與評價

3.1 仿真結(jié)果分析

選擇直立、半蹲和雙人3幅紅外圖進(jìn)行仿真試驗(圖4(d))。將邊緣檢測算子、K聚類分析法(K-mean)、P參數(shù)法(P-tile)、分水嶺算法(Watershed)、Ostu算法及量子遺傳算法(QGA)用于紅外圖像分割，并與SVM分割算法比較，仿真結(jié)果如圖5、6所示。

圖4 紅外增強效果Fig.4 Infrared enhancement effect

圖5 邊緣檢測算子分割效果Fig.5 Segmentation effect of edge detection operator

由圖4可以看出，Canny算子和Log算子不割掉重要信息，但受噪聲影響嚴(yán)重，且Log算子的平滑效果不如Canny算子。由于Sobel算子和Prewitt算子均對像素的4個鄰點灰度進(jìn)行檢測，分割效果相似，相比Sobel算子抗噪能力強，但計算量大且邊緣較粗；由于Roberts算子是檢測對角線2個相鄰像素間的梯度幅度差異，所以邊緣最清晰。

與圖5相比，圖6中目標(biāo)邊緣連續(xù)性好且清晰，受噪聲干擾小，分割效果明顯優(yōu)于邊緣檢測算子。如圖6(a)所示K-mean算法對紅外圖像的分割效果較差，因為該算法在中間灰度中心尋優(yōu)結(jié)果偏高。P-tile算法要求目標(biāo)在圖像中所占比例固定在某一值附近，才可有效分割目標(biāo)與環(huán)境，實際應(yīng)用中隨環(huán)境和探測距離的變化目標(biāo)在圖像中的比例呈浮動狀態(tài)，因此圖6(b)存在過分割。由于Watershed算法對圖像的灰度變化靈敏度很高，因此易受環(huán)境噪聲干擾，如圖6(c)的雙人圖。紅外圖像的直方圖多以多峰值狀況存在，因此尋找雙峰分割目標(biāo)與環(huán)境的Ostu算法不適用于紅外圖像，如圖6(d)分割效果較差；由圖6(e)，QGA算法分割效果較前幾種算法有所提高，對目標(biāo)的邊緣識別較模糊，對噪聲的處理不強；SVM算法完整的分割出了目標(biāo)，抗干擾能力強，無噪聲點，目標(biāo)邊緣清晰，分割效果最佳。

圖6 不同紅外圖像分割算法分割效果Fig.6 Segmentation effect of different infrared image segmentation algorithms

為了比較各算法的抗噪性能，對直立姿勢的圖添加椒鹽噪聲，再進(jìn)行分割處理，結(jié)果如圖7所示。

從圖7可以看出，在嚴(yán)重的椒鹽噪聲干擾下，SVM算法仍可非常完整的分割出人體目標(biāo)，而QGA算法的分割效果明顯下降。

圖7 抗噪性能對比Fig.7 Comparison of anti noise performance

3.2 效果評價

為客觀評價分割性能，選取多種算法對直立圖像的分割為例，對比各算法的分割時間和分類錯誤率[22](Misclassfication Error，ME)。

3.2.1 時間對比

各算法的計算時間見表1，可見SVM算法運算時間僅為0.190 s，在各算法中用時最短，是QGA算法運行時間的24.33%。

表1 各算法計算時間Table 1 Calculation time of each algorithm

3.2.2 ME對比

根據(jù)文獻(xiàn)[22]，ME越小圖像分割效果越好，計算式為

(9)

式中，B0為圖像理想分割時背景像素總和；Bγ為算法仿真結(jié)果中背景像素總和；F0為理想分割時目標(biāo)像素總和；Fγ為算法仿真結(jié)果中目標(biāo)總像素和。利用式(9)計算各算法對直立人體圖像分割效果的ME值，如圖8所示。由表1和圖8可以看出，SVM算法的運行時間和錯分率均較低，SVM算法運行時間僅為QGA算法的24%。因為SVM算法使用訓(xùn)練好的分類器，省去了閾值、隸屬度函數(shù)及中間灰度中心等參數(shù)的確定環(huán)節(jié)。

圖8 錯分率對比Fig.8 Comparison of misclassification rate

4 結(jié)論

(1)SVM算法運算時間僅為0.190 s，是QGA算法運行時間的24.33%；ME值為0.06，是QGA算法的55.05%；SVM算法的抗噪能力強。

(2)通過對比多種紅外圖像分割算法，SVM分割算法對紅外圖像分割效果最佳。

(3)將SVM紅外圖像分割算法可以應(yīng)用于礦山鉆孔救援生命信息探測系統(tǒng)，可為災(zāi)害事故發(fā)展趨勢的實時監(jiān)測提供有力的科學(xué)支持，為垂直救援工作中被困人員的搜尋與定位提供及時準(zhǔn)確的數(shù)據(jù)支持。