一种基于多尺度局部纹理特征和CART决策树的野外火灾火焰图像识别算法

一种基于多尺度局部纹理特征和CART决策树的野外火灾火
焰图像识别算法
冯丽琦;赵亚琴;孙一超;龚云荷
【摘要】为了消除野外环境中枯草、枯树枝、枯树叶等干扰对象对野外火灾识别的影响,提高火焰识别的准确率,提出一种新的基于Gabor滤波和局部二值模式(LBP)的多尺度局部纹理特征提取方法,并构建Adaboost-SVM火焰图像分类器.利用火焰的颜色特征提取出疑似火焰区域;对疑似火焰区域进行Gabor滤波,再对Gabor滤波后不同尺度下的图像以16×16的像素邻域网格作为采样窗口,采用LBP提取其纹理特征;运用CART决策树对LBP特征向量进行降维,将分类回归树算法(CART)选择出来的特征输入到支持向量机(SVM)训练分类器,进行火灾火焰图像识别.实验结果表明,野外火灾火焰的识别准确率为96％,证明了该算法的有效性.【期刊名称】《计算机应用与软件》
【年(卷),期】2019(036)005
【总页数】5页(P194-198)
【关键词】火焰识别;Uniform LBP;Gabor滤波;CART决策树;支持向量机
【作者】冯丽琦;赵亚琴;孙一超;龚云荷
【作者单位】南京林业大学机械电子工程学院江苏南京210037;南京林业大学机械电子工程学院江苏南京210037;南京林业大学机械电子工程学院江苏南京210037;南京林业大学机械电子工程学院江苏南京210037
【正文语种】中文
【中图分类】TP391.41
0 引言
野外杂草树木丛生，发生火灾时蔓延速度很快，而且交通不便，火灾扑救难度很大，一旦发生火灾，会导致严重后果。

因此，早期火灾识别和及时扑救就显得尤为关键。

视频监控系统能够实现24小时监控，能够及时发现早期火灾，很大程度上减少了早期火灾的误报和漏报的情况。

许多研究者们致力于野外火灾识别研究，取得了一定的进展，主要分为基于火焰图像和基于火焰视频两大类。

由于火焰区域的纹理特征与颜色相似的干扰对象有较大区别，因此，基于火焰图像的识别方法主要研究火焰的纹理特征提取，如徐小军等[1]采用灰度共生矩阵分析法分析火焰以及干扰物在能量、熵、惯性矩和局部平稳
性四个主要方面的纹理特征。

卢英等[2]利用局部二值模式(LBP)和全局二值模式(GBP)提取火焰局部纹理特征和全局纹理特征。

张霞[3]基于双树复小波变换特征和DRLBP模式分析火焰的纹理特征。

严云洋等[4]提出用三正交平面局部混合模式(LMP-TOP)描述火焰的静动态纹理。

白晓静等[5]提出一种基于多尺度颜色特征和
小波纹理特征(MCWT)的火焰图像特征提取方法。

宋昱等[6]提出了一种基于Log-Gabor小波和分数阶多项式核主成分分析(KPCA)的火焰图像状态识别方法。

基于
火焰视频的火灾识别方法通过提取火焰的动态特征来达到高的识别准确率，如张兴坤[7]综合火焰颜色及运动的帧间相关性，融合多维度特征，用于火焰的识别。

朱
正超[8]利用Freeman链码获得火焰轮廓的外接矩形，利用KNN算法进行火焰特征选择。

徐铭铭[9]基于滑动时间窗将林火监控视频划分成时空视频块，在视频片
段大粒度下分析火焰的时空特征。

杨娟利[10]依据火焰运动累积和颜色特性，并结合视频背景建模方法构建火焰的时间显著图。

但是以上基于图像的火灾识别算法对于复杂野外环境如枯草、可树枝树叶等情况下
的野外火灾识别准确率还有待提高。

基于视频的火灾识别方法需要提取相邻帧的动态特征，使得火灾图像识别的实时性不高。

本文从提高野外复杂环境下的火灾识别准确率和火灾识别速度两方面考虑，首先提出一种多尺度局部纹理提取算法，对Gabor滤波的不同尺度图像提取LBP局部纹理特征。

考虑到一个帧率内火焰图像区域的变化很小，选择每一帧图像进行特征提取显然是没有必要的，为了提高识别效率，在保证识别准确率的前提下，每3个帧率作为时间窗口，随机选择其中的5幅图像的识别结果代替3个帧率的所有图像。

然后，对于LBP局部纹理特征运用CART决策树进行降维处理，筛选特征以提高分类器的分类精度和速度。

火焰识别算法框架如图1所示。

图1 本文的火焰识别算法框架
1 基于颜色的疑似火焰区域检测
本文基于RGB和HSV颜色模型计算不同像素对应的不同的通道值，通过对不同场景拍摄的火灾火焰图像像素的RGB值和HSV值分析，最终选定如下公式去除绝大多数的非火焰像素：
(1)
式中：R、G、B、V分别代表着图像的红色分量、绿色分量、蓝色分量和亮度。

如果图像中的像素满足式(1)，则被判断为疑似火焰像素。

但是，枯草和光照等干扰物的颜色与火焰的颜色相近，就很容易被误判为火焰像素，因而需要结合其他特征来进一步排除。

图2所示为3个包含干扰对象的实验视频图像的火焰像素检测结果，从图2中可以看出，由于枯草、光照等干扰对象的影响，所以一些非火焰像素被错误地识别为火焰像素。

(a) 原始火焰图像
(b) 疑似火焰像素提取结果图图2 像素提取效果图
2 局部纹理特征提取和选择
2.1 Gabor滤波提取纹理特征图
在图像处理中，Gabor函数是一个用于边缘提取的线性滤波器。

Gabor滤波器因其频率和方向的表达同人类视觉体系类似，且在方向选择和尺度选择中具有优势，被广泛用于纹理分析。

二维Gabor函数的数学表达式[11]如下：
(2)
实数和虚数部分分别如式(3)和式(4)：
(3)
(4)
式中：λ为波长，θ为方向角，其指定了Gabor函数并行条纹的方向，φ为相位偏移，γ为长宽比，b为带宽，x′和y′的计算公式如下：
x′=xcosθ+ysinθ
y′=-xsinθ+ycosθ
(5)
本文的实验中选择5个尺度8个方向的Gabor特征，分别取φ=0，γ=0.5，
b=360°。

将疑似火焰区域进行Gabor滤波处理后，通过观察各个方向、各个尺度的Gabor特征图如图3所示。

可以发现其反映了火焰的不同特征，并且在不同的光照处理下其依旧可以保持稳定的状态，但有一部分特征图并不是很清晰，例如λ=2.828 4，θ=157.5°和λ=5.656 9，θ=0°等的特征图，火焰的本真信息难以完整地表达出来。

(a) 原图
(b) Gabor特征图图3 Gabor滤波特征图
2.2 基于Gabor特征图的LBP局部纹理提取
本文运用均匀模式LBP(Uniform LBP)提取局部纹理特征，LBP模式将中心位置像素的灰度值与8邻域像素的灰度值进行比较，如果某个邻域像素的灰度值大于中
心位置像素灰度值，则该邻域像素点的位置被标记为1，否则为0，从而得到中心像素的LBP值。

其数学表达式如下[3]：
(6)
式中：(xc,yc)为中心像素的坐标，p为邻域的第p个像素，ip为邻域像素的灰度值，ic为中心像素的灰度值，s(x)为符号函数，计算公式如下：
(7)
一个LBP算子可以得到不同的二进制模式，得到256个LBP特征，而二进制模式的种类还会随着邻域内采样点数的增加而急剧增加，这大大降低了纹理表达的效果。

Uniform LBP对原始LBP进行降维，将256个LBP特征值分为59个，这59个
模式占据了图像中所有模式的绝大部分，能够较好地描述了图像的局部纹理，图4所示为某个火焰区域的原始LBP直方图和Uniform LBP直方图。

同时，为了避免因为“位置没有对准”而产生的误差，本文将Gabor滤波特征图以16×16的像
素邻域网格作为采样窗口，以没有重叠的方式遍布整张图，从而对每个子区域内的每个像素点都提取LBP特征。

(a) 原始LBP直方图
(b) Uniform LBP直方图图4 某个火焰区域的原始LBP直方图和Uniform LBP直方图
2.3 基于单层决策树的局部纹理特征选择
由于对火焰图像Gabor滤波后进行LBP特征提取得到了40×59即2 360维特征
向量，向量维数太高，而且包含大量的冗余特征，不利于后期的分类识别。

因此，本文引入CART决策树来挑选出最具代表性的特征，降低特征向量的维度。

CART 决策树运用AdaBoost算法的思想，即针对同一个训练集训练不同的弱学习算法，然后将这些弱学习算法集合起来，构造一个更强的最终学习算法。

本文以CART决策树作为弱分类器，将200棵决策树通过Adaboost思想进行集成，形成更加稳定的强分类器。

根据强分类器训练好的模型，可以得到2 360维
特征对应的重要性因子。

再将2 360维特征的重要性因子进行降序排列，最终选
取特征重要性大于90%的前477维作为最终的特征向量。

在合理的容错率范围内，将有效数据的维度降低。

3 实验数据和结果分析
本文采用SVM对火焰特征向量进行分类，核函数选用高斯径向基函数[12]：
(8)
式中：xi是输入特征向量，δ是核函数的参数。

实验基于MATLAB R2017b编程环境，实验火焰视频素材包含室内、室外，火焰
的背景静止或运动等复杂场景。

干扰视频包含枯草、燃烧后的枯枝、浓烟、光照等。

从每个不同场景的视频中分别截取100帧图片，随机选取80帧图片作为样本集，剩余20帧图片作为测试集。

为了验证本文的有效性，通过三种算法的实验来进行对比分析。

在同一个实验平台下，相同的实验数据，使用不同的特征提取和选择方法，记录下支持向量机的平均准确率作为本次实验的准确率。

算法1 采用本文方法，先基于颜色特征确定疑似火焰区域，再基于其Gabor滤波特征图得到LBP特征向量，最后将2 360维特征向量经CART决策树降维处理后
传入SVM进行训练得出实验结果。

算法2 对2 360维特征向量经PCA降维处理，其余操作步骤同实验1，记录其实验结果。

算法3 对输入图像经过颜色特征确定疑似火焰区域，小区域分割后直接将其LBP 特征向量传入SVM进行训练，记录实验结果。

两个复杂场景的火焰视频(一个视频包含浓烟和大量燃烧的枯枝，另一个视频包含枯草和光照)的实验结果如图5所示(第一行是原始火焰图像，第二行是实验1结果图，第三行是实验2结果图，第四行是实验3结果图)。

图5 两个复杂场景的火焰视频实验结果图
国内文献常用来验证的火焰视频识别的算法的评价准则是检测一个视频中有多少火焰图片被检测出来，从而用准确率来进行评价，这种评价方式很粗略，无法说明一个火焰图片中有多少前景像素没有检测出来，也无法说明有多少背景像素被错误地识别为前景。

为了避免上述缺陷，本文用TPR和TNR从像素级来评价算法的性能[13]。

(9)
(10)
式中：TP是指正确识别出来的火焰像素数目，FN是指背景像素被错误地识别为火焰的像素数目，TN是指正确识别出来的背景像素数目，FP是把火焰像素错误地识别为背景的像素数目。

三种算法的TPR和TNR实验结果如图6所示。

图6 三种算法的TPR和TNR实验结果对比
从图6可以看出，本文提出的算法的TPR平均值为87%，由于本文研究的是包含大量干扰对象的复杂野外环境(如图5)，所以TPR值还是比较满意的，TNR的值
达到了98%，取得了很好的结果。

与本文采用的CART决策树相比，PCA的降维效果并不理想，这是因为PCA寻求的是能够有效表达同一类样本共同特点的主轴
方向，当火灾视频中包含多种干扰对象时，PCA选择的主元特征难以很好地区分
多个样本类。

4 结语
本文提出了一种基于Gabor滤波和LBP的CART决策树降维处理的火焰识别算法。

为了更好地区分火焰图像和的枯草、枯枝、光照等复杂场景的干扰对象图像，采用了Gabor滤波和Uniform LBP提取疑似火焰的局部纹理特征向量；为了有效提取特征向量的关键信息的同时减少特征向量的维度、提高运算速度，采用了CART
决策树对纹理特征进行选择。

实验结果表明，在复杂的环境中，本算法的检测率高、适应性好，是一种高效的视频火焰检测算法。

参考文献
【相关文献】
[1] 徐小军, 邵英, 郭尚芬. 基于灰度共生矩阵的火焰图像纹理特征分析[J]. 计算技术与自动化, 2007, 26(4): 63-67.
[2] 卢英, 王慧琴, 柴茜, 等. 基于多尺度LBP与 GBP特征的火焰识别[J]. 计算机科学, 2015, 42(10): 316-320.
[3] 张霞. 基于多特征的视频火焰检测[D]. 上海:上海师范大学, 2016.
[4] 严云洋, 唐岩岩, 刘以安, 等. 使用多尺度LBP特征和SVM的火焰识别算法[J]. 山东大学学报, 2012,42(5): 47-58.
[5] 白晓静, 卢钢，闫勇. 基于多尺度颜色小波纹理特征的火焰图像分割[J]. 计算机工程与应用, 2017,53(9): 213-219.
[6] 宋昱，吴一全. Log-Gabor小波和分数阶多项式KPCA的火焰图像状态识别[J]. 中国图象图形
学报, 2014, 19(12): 1785-1793．
[7] 张兴坤. 基于视频的火焰检测算法研究[D]. 沈阳:沈阳工业大学, 2017.
[8] 朱正超. 基于视频分析的森林火灾烟雾检测技术的研究[D]. 南京:东南大学, 2017.
[9] 徐铭铭. 基于多特征融合的森林火灾火焰视频识别研究[D]. 南京:南京林业大学. 2015.
[10] 杨娟利. 基于时空视觉显著性的视频火焰检测[D]. 西安:西安科技大学, 2016.
[11] 薛玉利.基于Gabor变换的特征提取及其应用[D]. 山东:山东大学, 2007.
[12] 戴静，严云洋，范勇，等. 基于BEMD和SVM的火焰检测算法[J]. 常州大学学报(自然科学版), 2017, 29(2): 71-77.
[13] Sobral A, Vacavant A. A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos[J]. Computer Vision and Image Understanding, 2014, 122:4-21.。