基于视频图像火灾探测方法研究.docVIP

基于视频图像火灾探测方法研究 　　摘要：传统的火灾检测手段存在传播速度慢、信息量损失、稳定性较差和实时信息无法存储等缺陷。而基于图像处理技术的火灾探测技术可以有效克服上述弊端，具有更广阔的应用前景。本文将粗糙集与支持向量机模型相结合，提取原始帧图像的7种特征变量，利用不同的属性约简算法对其进行属性降维，利用上述两种约简结果作为支持向量机的输入向量，对支持向量机训练后测试该分类模型的识别效率。实验结果表明：不同属性约简算法对分类器识别率的影响不同，基于属性重要性的属性约简算法更适合该实验环境下的火焰识别。 　　关键词：火灾检测；粗糙集；支持向量机 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）14-0166-03 　　火灾的发生能够给人们的生命和财产带来巨大的损害。常见的火灾探测设备一般是基于可接触性传感器的使用，例如烟感探测、红外探测、紫外探测设备等设备，但在实际应用中，这些方式均存在其自身无法克服的缺陷，而基于图像的火灾方法是一种非“接触式”探测方法，能够避免上述传统探测方法的弊病，具有更广泛的适用性。 　　常见的图像型火灾火焰探测方法的基础是图像本身的特征变量，包括静态特征及动态特征，理论上来说增加判据的数量能在一定程度上提高辨识的准确性，但由于每一种特征变量都需要从图像中提取，过多的特征将大大增加计算的时间，而且分类器的训练也将花费更多的时间，难以满足实时性的要求。因此在输入分类器之前确定更有参考性的特征变量是有必要的，我们选择了粗糙集的属性约简理论对输入向量进行降维，减少了冗余计算。支持向量机能较好地解决小样本、非线性、高维数等实际问题[2]。本文将支持向量机与粗糙集理论相结合，自适应选择火灾图像的特征变量，降低分类器输入维数，降低了训练和识别的时间，提高了火灾火焰识别的准确性。 　　1 火灾图像预处理及分割 　　常见图像型火灾火焰识别算法流程如图1所示。 　　复杂环境下摄像头采集的视频将受到诸如光线、阴影及随机噪声的影响，造成检测难度加大。只有先对所采集的图像进行一系列预处理，才能有效的提取到图像的特征信息。 　　1.1 图像滤波 　　本文选用了常见的滤波方式进行滤波实验，根据实验结果最终选择了中值滤波作为滤波方法。该种滤波方式能够有效避免扫描图像时造成的干扰及去除脉冲干扰，无需考虑其统计特性，使用会非常方便。中值滤波的基本原理是将数字图像中的任一点用同领域中各点的中值替代，使该点周围的像素值接近真实值，达到剔除孤立噪声的目的。 设有一个一维序列[{x1，x2，...，xn}]，取窗口长度为m（m为奇数）。对这个一维进行中值滤波，就是从输入序列中相继抽出m个数，[xi-v，....，xi-1，x1，...，xi+1，...，xi+v]，其中i是窗口的中心位置，v=（m?1）/2，再将这m个点按其数值大小排序，取其序列号为正中间的那个数作为滤波输出[3]。 　　2. 基于RS-SVM火焰识别分类器的实现 　　2.1 粗糙集与支持向量机 　　在数据与信息处理中，粗糙集理论与支持向量机之间存在着互补性，两者的结合使用可以充分发挥两者的优势，通过此法构造的分类器具有良好的推广能力，并且能够比较好的抑制噪声 [5]。具体分析如下： 　　1）粗糙集理论是利用已有的知识库来近似的描述不确定的知识，在处理大量数据、消除冗余信息时效果良好；支持向量机理论具有较强的学习和适应能力，分类器精度较高。 　　2）当支持向量机的输入信息过于庞大时将会导致分类器的训练速度大大变慢，而粗糙集能够发现输入信息各变量之间的关系，剔除其中冗余变量，简化分类器的输入信息。 　　3）实际应用中，粗糙集方法对噪声较敏感，容错和泛化能力相对较差，而支持向量机则具有很好的抗噪声能力和泛化性能。 　　2.2 RS-SVM识别流程 　　基于RS-SVM的火灾识别算法的识别步骤： 　　1）选取不同场景下的视频图像作为实验样本，提取出描述火灾的七种特征变量作为拟输入向量； 　　2）依据特征样本的数据规律构造特征量归类表，将拟输入向量离散化； 　　3）运用两种约简算法进行属性降维，确定最终输入向量； 　　4）训练支持向量机模型，直到识别率满足要求，得到RS-SVM分类模型。 　　2.3实验分析 　　1）用a1、a2、a3、a4、a5、a6、a7七个变量表示图像的七种特征变量，分别是：红绿面积分量比、圆形度、尖角数、面积变化率、相关系数、相似度、整体移动特性。有火/无火表示识别结果，能够构造火灾样本集如表1所示。 　　2）依据特征变量提取结果，能够获得该样本集的特征量归类表如表2。 　　3）分别应用基于差别矩阵和基于属性重要性的属性约简算法对离散化后的归类表进行属性降维。基于差别矩阵的属