袁斌

摘 要： 针对火灾图像特征提取方法使用的特征单一造成火灾误报率高的问题，在最小二乘支持向量机超参数选取在快速留一法的基础上，结合共轭梯度算法，提出改进的最小二乘支持向量机的火灾图像处理方法，构建了FR?LSSVM模型。通过对比采用BP神经网络、最小二乘法支持向量机、FR?LSSVM和标准支持向量机的实验结果可以得出，改进算法具有更好的稳定性、更快的运算速度和更高的识别率，有利于提高火灾识别的有效性，进而保护人们的生命财产安全。

关键词： 图像处理； 火灾识别； 快速留一法； 共轭梯度； BP 神经网络； 最小二乘支持向量机

中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2018）13?0043?04

Abstract： Since the traditional fire image feature extraction method has high false alarm rate due to its single feature， an improved fire image processing method based on least square support vector machine （LSSVM） is proposed in combination with the conjugate gradient algorithm and parameter selection of least square support vector machine based on the fast leave?one?out method， and the FR?LSSVM （Fletcher Reeves?least squares support vector machine） model is constructed. The experimental results of BP neural network， LSSVM， FR?LSSVM and standard support vector machine are compared to obtain that the improved algorithm has higher stability， faster operating speed and higher recognition rate， can improve the effectiveness of fire identification， and further protect people′s life and property safety.

Keywords： image processing； fire disaster recognition； fast leave?one?out method； conjugate gradient； BP neural network； least square support vector machine

0 引 言

模式识别是通过计算机技术对图像、客观物体、各种物理对象与过程进行描述、分类的科学，在最小错误概率的情况下，使识别后的结果最大程度地符合实际情况，提高识别的准确度，达到利用机器对物理对象自动分类、识别的目的[1?2]。在进行模式识别时，需要根据研究对象和应用场合选择需要采用的理论与方法[3]。

本文研究基于图像处理技术的火灾识别方法的目的是从火灾图像中判别是否存在火源，它属于两类识别问题[4?5]。这种对不同火灾图像进行分类识别的情况被称为基于特征的模式识别，把区分类别定义为“分类”，把对不确定样本的分类过程定义为“识别”，把在识别过程中度量某类目标影像都具有的且有代表性和实际意义的核心特征集合称为“模式”。本文在最小二乘支持向量机超参数选取在快速留一法的基础上，结合共轭梯度算法，提出改进的最小二乘支持向量机的火灾图像处理方法，并构建FR?LSSVM模型。

1 基于人工神经网络的火灾图像识别

1.1 人工神经网络

人工神经网络是一种模仿人脑神经运行的信息处理系统，人工神经算法能够处理大规模的数据，具有非线性和自适应的特点，是一种仿人脑运转的理论模型。人工神经网络是由许多通过某种恰当方式连起来的许多处理单元构成的 [6?7]，其最基本的处理单元称为神经元，包括3个基本重要的组成元素：连接、求和单元、激活函数。其中连接是指将生物神经元的突触进行连接；激活函数负责完成系统的线性映射和非线性映射，与此同时，将神经元的输出限定在某一特定范围里；求和单元的作用主要是求取各输入信号的加权和。人工神经元网络的基本模型如图1所示。

在解决最优化问题时，最普遍的方法是共轭梯度法，这是由于该方法操作简单、数据存储量少、收敛速度快，能够很好地解决大规模的复杂问题，共轭梯度法需要计算搜索方向和步长因子。本文在最小二乘支持向量机超参数选取在快速留一法的基础上，结合共轭梯度算法优化全样本的留一预测误差平方和，进而确定超参数并构造FR?LSSVM模型。

在应用网格搜索法时，在[C∈[0，1]]和[D∈[0，2]]区间内，留一最小误差平方和与[C，D]有着错综复杂的关系，只有将步长设置的非常小时，才能够得到高精度的最优超参数值，这无形中降低了效率。

3 仿真实验结果与分析

本文通过对比FR?LSSVM、LS?SVM、标准SVM和BP神经网络对火焰图像处理结果的分析说明FR?LSSVM的优越性能。

在图像特征数据库中选取81个含有早期火点及干扰的样本对模型性能进行检测，其中，每个样本都是7维的。每次在这81组数据中先取出一组数据用来预测分类，然后优化选择剩余的80组数据的超参数。在每次构建FR?LSSVM模型时，初始点均选[C0=1]，[D0=1]，通过共轭梯度法搜索可得[C]和[D]的均值分别为0.14和0.24，[C]和[D]的均方差分别为0.031和0.028，因此，优选后的超参数更加稳定。选取60个样本用来训练，20个样本用来测试，4种方法的结果对比如表2所示。

由表2可得，BP神经网络和LS?SVM方法的识别率都相对较低，而FR?LSSVM和标准SVM的识别率比这两种方法的识别率要高。FR?LSSVM和LS?SVM所需的训练时间较短，而标准SVM和BP神经网络所需的训练时间则相对较长，而且BP神经网络不仅是训练时间长，识别率也很低，若想改变这一现象，需要修正BP神经网络的权值。虽然标准SVM的识别率比LS?SVM高，但是需要大量的训练和识别时间。FR?LSSVM超参数的算法具有算法稳定、所需时间短、不确定性低的优点，非常适合构建非线性的小样本模型，能够提高识别的速度和精度。若图像不清晰，提取目标不完整或提取目标里有噪声都可能导致识别率降低。

为了进一步测试本文提出算法的环境适应性和检测可靠性，在模拟巷道里进行实验，结果如表3～表6所示。各测试视频的图像像素选320×240，采集帧率选25 f/s。

从表3～表6可以看出，测试结果与表2相同，检测率最高的是FR?LSSVM，第二高的是标准SVM，而BP和LS?SVM的检测率低于FR?LSSVM和标准SVM。FR?LSSVM所需的检测时间最短，其中，检测率会受到探测距离、火源大小以及视频帧数的影响。

4 结 语

本文针对火灾识别方法问题进行研究，在分析研究图像特征的基础上，结合火灾图像的小样本和非线性问题并融合借鉴了支持向量机在高维方面的特点，提出改进的最小二乘支持向量机的火灾图像处理方法。通过共轭梯度法对超参数进行寻优操作，构建FR?LSSVM模型。通过对BP神经网络、LS?SVM和标准SVM、FR?LSSVM仿真实验结果的对比分析，可以看出相比于传统算法，改进后的FR?LSSVM方法能够更加有效地识别出火焰图像和干扰图像，并且显著提高了学习效率、速度和精度。

参考文献

[1] 王瑜，苑津莎，尚海昆，等.组合核支持向量机在放电模式识别中的优化策略[J].电工技术学报，2015，30（2）：229?236.

WANG Yu， YUAN Jinsha， SHANG Haikun， et al. Optimization strategy research on combined?kernel support vector machine for partial discharge pattern recognition [J]. Transactions of China electrotechnical society， 2015， 30（2）： 229?236.

[2] 孙茜，封皓，曾周末.基于图像处理的光纤预警系统模式识别[J].光学精密工程，2015，23（2）：334?341.

SUN Qian， FENG Hao， ZENG Zhoumo. Recognition of optical fiber pre?warning system based on image processing [J]. Optics and precision engineering， 2015， 23（2）： 334?341.

[3] 潘海洋，杨宇，郑近德，等.基于径向基函数的变量预测模型模式识别方法[J].航空动力学报，2017，32（2）：500?506.

PAN Haiyang， YANG Yu， ZHENG Jinde， et al. Variable predictive model based RBF class discriminate method [J]. Journal of aerospace power， 2017， 32（2）： 500?506.

[4] 朱思思，丁德红，陈朝迎，等.基于图像处理的森林火灾识别方法研究[J].红外技术，2016，38（5）：440?446.

ZHU Sisi， DING Dehong， CHEN Chaoying， et al. The research of forest fire recognition method based on image processing [J]. Infrared technology， 2016， 38（5）： 440?446.

[5] 王媛彬.基于图像特征的煤矿火灾检测与识别研究[D].西安：西安科技大学，2013.

WANG Yuanbin. Research on fire detection and recognition in coal mine based on image features [D]. Xian： Xian University of Science and Technology， 2013.