ａ叶技２０１０年第２３卷第５期 Ｅｌｅｃｔｒｏｎｉｃ Ｓｃｉ．＆Ｔｅｃｈ．／Ｍａｙ．１５．２０１０ 一种自适应的图像型火灾探测算法 张前园，赵文静，杨娜娟 （西安建筑科技大学信息与控制工程学院，陕西西安７１００５５） 摘要提出了一种自适应图像型火灾探测算法。选择核函数时充分考虑样本数据的影响，在确定核函数基本类 型后，根据信．ｇ－几何中保角映射的方法对核函数进行修正，在此基础上，利用修正后的核函数训练支持向量机并进行 分类识别。实验结果表明该算法进一步提高了火灾图像的分类精度和火灾识别的准确率。 关键词 自适应；保角映射；数据驱动；火灾探测；支持向量机 中图分类号ＴＰ３９１．４ 文献标识码Ａ 文章编号１００７—７８２０（２０１０ Ｊ０５—１０２—０４ Ａｎ Ａｄａｐｔｉｖｅ Ｉｍａｇｅ Ｆｉｒｅ Ｄｅｔｅｃｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｚｈａｎｇ Ｑｉａｎｙｕａｎ，Ｚｈａｏ Ｗｅｎｊｉｎｇ，Ｙａｎｇ Ｎａｊｕａｎ （Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ＆Ｃｏｎｔｒｏｌ，Ｘｉ’ａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｒｃｈｉｔｅｃｔｕｒｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｘｉ’ａｌｌ ７ １００５５，Ｃｈｉａｎ） Ａｂｓｔｒａｃｔ Ａｎ ａｄａｐｔｉｖｅ ｍａｇｅ ｆｉｒｅ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｉｓ ｐｒｅｓｅｎｔｅｄ．Ｔｈｅ ｋｅｒｎｅｌ ｆｕｎｃｔｉｏｎ ｉｓ ｃｈｏｓｅｎ ｗｉｔｈ ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｓａｍｐｌｅ ｄａｔａ ｉｎ ｃａｒｆｕｌ ｃｏｎｓｉｄｅｒａｔｉｏｎ，ａｎｄ ｃｏｒｒｅｃｔｅｄ ｂｙ ｔｈｅ ｃｏｎｆｏｒｍａｌ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｇｅｏｍｅｔｒｙ．Ｔｈｅｎ ｔｈｅ ｃｏ￣ｅｃｔｅｄ ｆｕｎｃｔｉｏｎ ｉｓ ｕｓｅｄ ｔｏ ｔｒａｉｎ ｔｈｅ ＳＶＭ ｔｏ ｉｄｅｎｔｉｆｙ ｆｉｒｅ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｈｓ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｉｍｐｒｏｖｅｓ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｒｅｃｉｓｉｏｎ ｏｆ ｉｒｅ ｉｍａｇｅ ａｆｎｄ ａｃｃｕｒａｃｙ ｏｆ ｆｉｒｅ ｒｅｏｒｇａｎｉｚａｔｉｏｎ． Ｋｅｙｗｏｒｄｓ ａｄａｐｔｉｖｅ；ｃｏｎｆｏｒｍａｌ ｔｒａｎｓｆｏｒｍａｔｉｏｎ；ｄａｔａ ｄｒｉｖｉｎｇ；ｆｉｒｅ ｄｅｔｅｃｔｉｏｎ；ｓｕｐｐｏ￣ｖｅｃｔｏｒ ｍａｃｈｉｎｅ 图像型火灾探测技术的核心问题是火焰和干扰物 体的分类识别，而支持向量机（ＳＶＭ）采用结构风险 最小化原理兼顾训练误差和泛化能力，是一种有效的 最小原理和ＶＣ维理论基础上的方法，根据给定的训 练样本对系统输入输出之间的依赖关系进行估计， 并利用这种依赖关系对未知输入作出准确的预测和 估计。对于小样本、高维数、非线性的分类问题效 果显著。 数据分类工具。利用支持向量机实现图像型火灾探测 既可以克服阈值法识别火灾时需要人为确定阈值的复 杂性，也可以克服利用神经网络识别火灾时结构选择 设线性可分样本集为｛（Ｘ ，Ｙ ）｝ｌ ｉ＝１，…，Ⅳｌ， 其中Ｘｉ是第ｉ个样本的输入，Ｙ 是第ｉ个样本的期望 输出，对于两类识别问题一般令Ｙ∈｛一ｌ，＋１｝，Ⅳ 为样本数目。线性判别函数的一般形式为ｇ（ ）＝ ｗＴｘ＋ｂ。，难、易陷入局部极小点等问题，提高了火灾识别的自 适应性和准确率。 在传统的ＳＶＭ算法中，所选取的核函数类型都 是固定的，未考虑样本数据对核函数的影响。为了提 高支持向量机的分类精度和火灾识别准确率，利用保 角映射的方法构建了自适应核函数，并做仿真实验， 对算法的分类精度和火灾识别准确率进行了验证。 分类间隔为２／ｌｌｗ 最优分类判别函数为 ）＝ｓｇｎ（，Ｉ，・Ｘ＋ｂ）。 为了克服神经网络易陷入局部最优解的缺点，将 最优分类面问题转化成凸二次优化问题ｌ２ｊ ＾， ， Ⅳ Ｎ １支持向量机 支持向量机…是建立在统计学理论的结构风险 ｍａｘＱ（ａ）＝∑ 一了ｌ∑∑ ｉ Ⅳ （１） ｓｕｂｊｅｃｔ ｔｏ∑ ｉ＝０；０≤ ≤Ｃ ｉ＝ｌ 其中，Ｏｔ ｔ＞０为拉格朗日乘子，Ｃ＞０是惩罚因子，用 收稿日期：２０１０—０４—０９ 基金项目：陕西省教育厅专项基金资助项目（０８ＪＫ３１９） 来控制对错分样本的惩罚程度。 作者简介：张前园（１９８５一），男，硕士研究生。研究方向：算 法研究以及数据库理论与应用。赵文静（１９４９一），女，教授。 对于线性不可分问题，可通过非线性变换 一 （ ）将原问题转化为某个高维空间的线性问题，在 变换后的高维空间求解广义最优分类面。式（１）中的 优化问题将变为式（２）的形式 研究方向：分布式计算技术，数据结构与数据库。杨娜娟 （１９８４一），女，硕士研究生。研究方向：图像处理和模式识别。 １０２ 张前园，等：一种自适应的图像型火灾探测算法 Ｑ（ ）＝∑∑ｏｔｉａｙ＆．６（ｘ ）・ （ ） （２） 引人满足Ｍｅｒｃｅｒ条件 的核函数Ｋ（ ， ）＝ 西（ ，）・咖（ ），在高维空间中的内积运算就可以通过 系数作为火灾识别的依据。 ２．２．１面积变化率 火灾在发生初期，火苗是不断跳动的，表现在图 像上是：在连续几帧图像中，高亮区域的面积是不断 变化的并呈现增长趋势。但车灯等快速闪动的物体高 亮区域的面积变化率比较小，或者会突然发生很大的 原空间中的一个内积函数来实现，使得问题简化。此 时，式（２）所示的凸二次优化问题变为式（３）的形式， 最优分类判别函数变为式（４）的形式 ｎ １ ｎ ｎ 变化。根据这一特性，可以识别火焰和干扰物体。 ２．２．２ 圆形度 Ｑ（ ）＝∑ａ 一÷∑∑ｏｔｌｏｔｙｉＹｉＫ（ｘ ，ｘｊ）（３） Ｉ １ Ｉ １ Ｊ １ Ⅳ ）＝ｓｇｎ［∑ｏｔｉ＇ｙｊＫ（ｘ， ）＋ｂ ］ （４） 此最优分类判别函数即为支持向量机。 目前研究最多的核函数有３种形式 Ｊ。 （１）多项式型函数 Ｋ（ｘ， ）＝［（ ， ）＋１］ ； （２）径向基内积函数 Ｋ（ ， ｉ）＝ｅｘｐＩ一Ｌ ｌＪ ； （３）Ｓｉｇｍｏｉｄ函数 Ｋ（ｘ， ｉ）＝ｔａｎｈ（ｖ（ｘ・ ）＋ｃ）。 ２ 自适应图像型火灾探测算法 自适应图像型火灾探测算法利用保角映射的方 法，充分考虑训练样本数据的影响，根据训练样本数 据对核函数进行修正，并利用修正后的核函数训练支 持向量机，在此基础上将测试数据送入训练好的支持 向量机进行分类识别。 ２．１ 疑似火焰区域检测 通过摄像头获取的是ＲＧＢ空间的图像，假设所采 集图像中总共的像素点数为，其中任意一点ｉ的颜色 可表示为Ｇ （Ｒ ，Ｇ ，Ｂ）。通过资料显示及大量实验 发现：火灾火焰的平均亮度和红色饱和度有着很明显 的特征 Ｊ，当某一点的平均亮度＞２００并且红色饱和 度＞０．４时可以把其判定为疑似火焰点。即满足 ０．２２Ｒｉ＋０．５８７Ｇ ＋０．１１４Ｂｉ＞２００ （５） Ｒ ／（ｇ ＋Ｇ‘＋Ｂ ）＞０．４ （６） 对图像进行扫描，把图像中满足式（５）和式（６） 条件的像素点保留，其他像素点的值置零，就可得到 疑似火焰区域。 ２．２疑似区域特征提取 火灾发生初期，火灾的光、热、辐射等物理现象 会在图像上形成相应的图像信息。根据火焰在图像上 表现出的特征信息，特征提取的可行性以及组合特征 识别的有效性等，选取了面积变化率、圆形度和相关 圆形度是反映物体（或区域）的形状的复杂程度 的特征量 Ｊ。定义其为 国上，一２ 圆形度 ４—，ｔｒ ￣ ￣２ （７） 早期火焰的形状是极其不规则的，而大部分固定 的其它干扰光源形状是比较规则的。从圆形度的定义 可以看出，根据某图元圆形度的大小能够区分火灾图 像和干扰光源，圆形度较大时的图元为火灾图像。 ２．２．３相关系数 由于火焰燃烧时气体羽流的卷吸特性和空气流动 的影响，燃烧的火焰表现出不停的振荡特性 ，基于 这种振荡特性可以利用图像的相关性来实现火灾识 别。对于／７，帧图像序列可得到相关系数序列为 Ｇ （ｎ），通过检测相关系数序列的振荡频率或者过零 点次数来识别火焰和疑似火焰物体。 ２．３ 自适应核函数的构造 在ＳＶＭ算法中，选取的核函数的类型都是固定 的，没有充分考虑实际的样本数据对核函数的影响， 为了进一步提高支持向量机的分类精度，根据实际的 样本数据构造了数据驱动的自适应核函数。 从几何的观点看，从输入空间 到特征空间， 的非线性变换西（ ）是一个曲子流形，它定义了特征 空间Ｆ的表面．ｓ的形状。尽管 （ ）是未知的，但可 以通过核方法得到｜ｓ上的黎曼度量ｇ （ ）。ｇ （ ）可 定义为 ［ ］ （８） 为了增加不同类别数据的可分离性，通过修改核 函数来增加决策面附近数据点的黎曼度量ｇ ，（ ）。同 时，减少其它区域数据点的黎曼度量。核函数的修改 通过引入保角映射 Ｃ（ ）实现，修正后的新核函 数为 （ ， ｉ）＝Ｃ（ ）Ｃ（ｘ ）Ｋ（ｘ， ￡） （９） 为了避免类边界向样本较少的类方向偏移，对于 靠近样本较少的类边界的数据点也赋予较大的黎曼度 量。根据以上条件定义保角映射函数Ｃ（Ｘ）如式（８）所 ｌｏ３ 张前园，等：一种自适应的图像型火灾探测算法 示。其中，Ａ 根据特征空间Ｆ中支持向量的分布确定 ｃ（ ）＝∑ｅｘｐ（一ＩＩｘ—Ｘ Ａ ） （１ｏ） Ｘｋ ＳＶ Ａ ＝ａｖｇ（ＩＩ （ ）一 （ ）ｌｌ ， ∈｛Ｙ ≠ ｝）（１１） 式（９）中 （ ）未知，但可以利用式（１２）得 ｌＩ （ ）一 （ ） ＝Ｋ（ ，Ｘ ）－２Ｋ（ｘ ，Ｘ ）＋Ｋ（ ，Ｘ ） （１２） ■＿ 图２ 火灾干扰图像中的疑似火焰区域 从式（１１）可以看出Ａ：是由 （ ）邻域中具有不同类 别的支持向量的平均距离构成的，它充分考虑了特征 检测出疑似火焰区域之后，要进一步确定该区域 是否真正的火焰区域，需要利用火灾特征作为依据来 空间，中的支持向量的空间分布，具有较好的数据自 适应性。故将式（１１）代人式（１０）得到的保角映射函 数具有较好的数据自适应性。相应地，根据保角映射 函数修改后的新核函数也具有较好的数据自适应性。 ２．４利用自适应核函数ＳＶＭ识别火灾 利用自适应核函数ＳＶＭ识别火灾，可以通过以 下步骤实现。 Ｓｔｅｐｌ：提取图像的火灾特征，用特征值构成训 练样本数据。 Ｓｔｅｐ２：初步确定核函数类型。 Ｓｔｅｐ３：使用初步确定的核函数训练ＳＶＭ，获得 支持向量信息。再利用式（９）～式（１１）对核函数修 正，得到新的核函数。 Ｓｔｅｐ４：利用新的核函数训练ＳＶＭ。 Ｓｔｅｐ５：将部分测试数据送人训练好的ＳＶＭ，若 能得到满意的分类效果，ＳＶＭ训练完成，跳转至 Ｓｔｅｐ６；否则，跳转到Ｓｔｅｐ３。 Ｓｔｅｐ６：将全部测试数据送入训练好的ＳＶＭ，得 到分类识别结果。 ３ 实验分析 为了验证文中算法的性能，采用了５组火灾和干 扰视频作为测试数据的来源。首先对视频进行分帧处 理，从前３段有火视频和干扰视频中分别取出３Ｏ帧 图像作为训练图像。然后利用图像在ＲＧＢ彩色空间 的颜色信息检测出疑似火焰区域。第一段火灾视频和 干扰视频中第１０帧图像的疑似火焰区域检测结果分 别如图１和图２所示。 ■■ 图１ 火灾图像中的疑似火焰区域 ｌＯ４ 进行分类识别。分别提取１８０帧训练图像的３个特征 量作为训练样本数据，用获取到的１８０组特征量作为 支持向量机的输入向量。 为了初步确定核函数类型，分别采用多项式核函 数，径向基核函数和Ｓｉｇｍｏｉｄ核函数训练ＳＶＭ分类 器。由表１可看出，利用径向基核函数训练的ＳＶＭ 分类器识别准确率最高，故初步确定核函数类型为径 向基核函数。 表１ ３种类型核函数分类器的识别结果 利用径向基核函数训练ＳＶＭ得到支持向量信息 后，再利用保角映射方法对原核函数进行修正，并用 修正后的核函数训练ＳＶＭ，得到满意的分类效果时 停止训练。最后用５组视频来测试自适应图像型火灾 探测算法的性能，并与传统ＳＶＭ对火灾图像的分类 识别效果进行了比较，结果如表２所示。 表２两种ＳＶＭ算法对火灾的识别准确率比较 可以看出，文中提出的自适应核函数ＳＶＭ对火 灾图像的识别准确率高于传统核函数ＳＶＭ。这是因 为提出的自适应核函数算法，在选取核函数时充分考 虑了训练样本数据对核函数的影响，使得修正后的新 核函数具有数据自适应性，从而使得利用此核函数构 建的支持向量机具有数据自适应性。相应地，利用此 支持向量机识别火灾时的识别准确率得到了提高。 （下转第１１８页） 王志文，等：浅析计算机网络实验的设计与使用 成绩。开放式实验的成绩是从实验内容设计、实验环 境选择、成果认定等多方面综合进行评定的。这种评 参考文献 教育部高等学校计算机基础课程教学指导委员会．高等 学校计算机基础教学发展战略研究报告暨计算机基础课 价方式不仅了改变了“重结果、轻过程”的传统实验 考核方式，将培养学生实际动手和解决问题的能力作 为新的成绩考核点，不仅激发了学生的实验热情，还 促进了学生、师生之间的技术交流与互动。展示了学 生的实验成果。 程教学基本要求［ｓ］．北京：高等教育出版社，２００９． 夏秦．计算机网络实验教学改革探讨［Ｃ］．西安：大学 计算机基础课程报告论坛论文集，２００５． 何建新，习胜丰．网络实验教学改革研究与实践［Ｊ］． 实验科学与技术，２００９（４）：１４３２—１４３６． ４ 结束语 通过重新整合计算机网络课程的实验，在设计 方面，重点研究与教学内容相联系，能够反映不同 技能水平，紧跟主流网络技术的实验内容，进一步 规范实验结构，逐步应用多种类型的实验形式；在 使用方面，将软件环境与硬件环境相结合，真实环 境与虚拟环境相结合，课外学习与课内实验相结合， 郭绪坤，范冰冰，张树伟．网络实验系统的设计和建设 ［Ｊ］．华南师范大学学报：自然科学版，２００６（８）：１１４８ —１１５１． 潘玉奇，周劲，郑艳伟．计算机网络实验室建设的研究 ［Ｊ］．实验室研究与探索，２００７（１２）：１４３２—１４３６． 陈妍，王志文，朱海萍，等．计算机网络原理［Ｍ］． 西安：西安交通大学出版社，２００８． 单一考核点与多个考核点相结合。文中实验内容在 １Ｊ １１ １』夏秦．计算机网络实验教程［Ｍ］．北京：高等教育出 １Ｊ 实验教学过程调动学生的实验热情，取得了满意的 实验效果。 版社，２００５． 刘志平．基于ＶＭｗａｒｅ虚拟网络的构建［Ｊ］．内蒙古大 学学报：自然科学版，２００７（１）：４５—４８． （上接第１０４页） ４ 结束语 实验结果表明：与传统ＳＶＭ的火灾图像识别方 法相比，文中提出的算法具有更高的火灾识别准确 率。但由于该算法要对核函数进行修正，增加了算法 的时间复杂度。所以，使得算法运行时间略有增加， 这是该算法需要改进的一个方面。 参考文献 唐发明．基于统计学习的支持向量机算法研究［Ｄ］．武 汉：华中科技大学，２００５． ｌｌｏ Ｃｒｉｓｔｉａｎｉｎｉ，Ｊｏｈｎ Ｓｈａｗｅ Ｔａｙｌｏｒ．支持向量机导论 ［２］ Ｎｅ络的火焰燃烧诊断研究［Ｊ］．动力工程，２００４，２４（６）： ８５２—８５６． ［４］ 张淑雅，赵一鸣，李均利．基于ＳＶＭ的图像分类算法 与实现［Ｊ］．计算机工程与应用，２００７，４３（２５）：４０ —４２． ［５］ 王亚军，徐大芳，陈向成，等．基于火焰图像动态特征 的火灾识别算法［Ｊ］．测控技术，２００７，２６（５）：７—９． ［６］ 袁非牛，廖光煊，张永明，等．计算机视觉火灾探测中 的特征提取［Ｊ］．中国科学技术大学学报，２００６，３６ （１）：３９—４３． ［７］ 沈诗林，于春雨，袁非牛，等．一种基于视频图像相关 性的火灾火焰识别方法［Ｊ］．安全与环境学报，２００７，７ （６）：９６—９９． ［Ｍ］．李国正，王猛，曾华军，译．北京：电子工业出 版社，２００６． ［８］ 王自强，段爱玲，张德贤．基于自适应核函数的支持向 量数据描述算法［Ｊ］．北京化工大学学报，２００８，９５ （２）：８７—９１． ［３］ 马骏，余岳峰，范浩杰．基于频谱分析和自组织神经网 １１８