基于加权融合算法的森林火灾识别系统

王 云

（深圳市云海易联电子有限公司，广东 深圳 518000）

我国受森林火灾影响的面积逐年增大，对快速、高效识别森林火灾的需求也逐渐扩大。2022 年全国多地发生森林火灾，导致数万亩的土地被烧毁。基于图像特征的林火识别技术具有时效性强、识别率高等优势，能够尽快识别林火，防止林火规模扩大，目前已成为监测和识别森林火灾的主要方法之一，并成为一种预警解决方案。

同时，图像识别技术在火灾、消防、森林治理等相关研究中也发挥了重要作用。王寅凯等[1]提出一种加强森林管理的树种识别和储量估算新方法。在这种方法中，森林火灾图像由数码相机收集。过去对森林火灾图像特征的研究主要集中在图像的颜色、纹理和运动检测方面，还没有充分考虑类火干扰源（干扰森林火灾图像识别的红色物体，例如横幅、枫叶以及瓶子等）对森林火灾识别的影响，因此需要进一步提高识别精度[2]。该文研究一种基于加权融合算法和纹理特征的森林火灾系统识别方法，采用LBP（局部二元模式）和GLCM（灰度共现矩阵）模型形成森林火灾图像的14 维向量，并验证该方法对森林火灾识别具有较高的准确性。

1 试验方法

森林火灾精确识别主要包括4 个步骤：首先，基于加权融合RGB-YCbCr 色彩空间并提取预处理图像和疑似火焰区域。其次，利用LBP和GLCM算法提取疑似火焰区域的纹理特征，形成14 维纹理特征向量[3]。再次，基于大量训练图像建立纹理特征数据库，包括正常森林图像、森林火灾图像和类火灾干扰图像。最后，通过支持向量机判断图像与数据库中三类图像的相似度，从而识别森林火灾。森林火灾图像的纹理特征一般呈片状或平面分布，中心区域纹理密集，连续性强[4]。根据森林火灾火焰和类火干扰源之间的图像纹理差异可以对森林火灾图像中的火焰进行分类和识别。

1.1 通过局部二值模型（LBP）提取纹理特征

该文将采用LBP模型描述森林火灾图像的纹理特征。LBP模型包括均匀模式、旋转不变模式和旋转不变均匀模式。均匀模式可以满足减少LBP模型特征向量数量的要求，其计算方法如公式（1）所示。

式中：gc为中心像素的灰度值；gi为周边像素的灰度值；P为周围像素的个数；R为邻域半径，即中心像素与邻域像素之间的欧氏距离。

旋转不变模式可以解决LBP值因图像旋转或倾斜而变化的问题，使LBP值保持不变，其计算如公式（2）所示。

式中：ROR（x，j）为执行旋转操作，将x循环向右移动i位。旋转不变均匀模式是将旋转不变模式与均匀模式相结合得到的，其计算如公式（3）所示。

该试验主要研究特征向量较少的和，并以为例。

1.2 通过灰度共现矩阵（GLCM）提取火灾纹理特征

灰度共现矩阵主要通过计算图像中相对位置2 个像素的灰度来获取图像的纹理特征。灰度共现矩阵常用的统计特征包括角二阶矩、对比度、反差矩和相关性。角二阶矩是灰度共生矩阵值的平方和，它表示火的纹理厚度和灰度分布的均匀性，如公式（4）所示。

对比度是像素值和相邻像素值之间的关系，可以进一步评估和测量森林火灾图像纹理的深度和清晰度，如公式（5）所示。

反差矩主要测量森林火灾图像局部区域的纹理变化程度和平滑度，如公式（6）所示。

相关度量空间灰度共现矩阵元素表示行或柱状方向上的相似性，同时也可进一步表示森林火灾灰度图像的线性关系，如公式（7）所示。

式中：mx为矩阵C2中每个列元素的和；my为矩阵C2中每个行元素的和；µb1、µb2、σb1和σb2分别为mx和my的均值和标准差。

图1 为通过加权融合算法提取的灰度图像。从图中可以看出，无火图像的森林特征值基本为零，有类火的干扰图像的森林特征值对比度更大，呈负相关。因此，这些特征值的变化趋势可以作为森林火灾识别和分类的标准。

图1 灰度图像

2 分类器

使用支持向量机算法构建一个判定函数，对3 个场景中的森林图像进行识别和分类。SVM 算法的目的是构建一个能够最大程度地对数据进行分类的判定函数。所有样本数据对应如公式（8）所示。

式中：w为超平面的法向量；b为超平面的截距；C为惩罚参数。从现有样本中提取带有火焰的森林火灾图像和干涉图像的LBP 直方图分布特征和GLCM 特征，形成14 维向量：X=[L1、L2、L3、……、L10、a、C1、I、C2]。利用收集的数据建立训练集和测试集，利用径向基函数（RBF）内核对森林火灾火焰进行识别和分类。径向基函数（RBF）内核的定义如公式（9）所示。

式中：p为径向基核函数的宽度。

利用径向基函数核来识别森林火灾且RBF 可以分析高维函数，其识别分类步骤包括以下2 个：1）训练过程。提取目标图像作为训练集，基于目标森林火灾图像的LBP 直方图特征和GLCM 纹理提取特征作为图像特征输入SVM 向量机进行分类器训练。2）识别过程。利用训练后的分类器提取并对识别图像的LBP 和GLCM 特征进行分类。最后，通过准确的识别结果来评价该分类器的分类性能。

该文基于一种用于识别和分类森林火灾的支持向量机，并结合比较卷积神经网络来验证该算法的准确性和有效性。卷积神经网络是一种采用卷积计算、具有深度结构的前馈神经网络，是深度学习的代表性算法之一。卷积神经网络已经广泛应用于计算机视觉领域，该文利用其图像识别能力对森林火灾图像中的火灾进行识别。首先，该算法使用融合颜色空间规则提取可疑的火焰区域，其次，使用LBP-GLCM 方法提取纹理特征，最后，将纹理特征输入支持向量机。作为一种比较算法，将提取的可疑火焰区域的图像输入卷积神经网络。

3 森林火灾图像识别效果分析

森林火灾图像识别由MATLAB R2019a 实现。实验平台的操作系统为Windows11，处理器为Intel Core®TM i5-9300H。从野外共采集1317 幅森林图像，其中包括513 幅无火情的森林图像、420 幅有火情的森林图像和384 幅有火情干扰的森林图像。森林图像包括中国常见的各种树木，例如桦树、松树以及柏树等。森林火灾图像以近距离或高清晰度图像为主，其色彩和纹理特征更明显。火状干扰类型包括红色垃圾、红色条纹以及红叶林等。3 个场景识别过程中的部分图像如图2 所示。其中，图2（a）是一张没有火光的正常森林图像，经过颜色提取处理后显然没有提取到火光区域。图2（b）是有火的森林图像，图2（c）是森林中的红色横幅，在该研究中用于干扰图像。从图2 可知，基于加权融合算法的不同图像之间的纹理特征向量差异很大。因此，可以根据不同类型图像纹理特征的不同特点来识别森林火灾，并将3 种类型图像的纹理信息作为特征向量输入支持向量机，且该算法对森林火灾图像中火焰的识别准确率达到93.15%。

图2 试验图像样本和提取结果

4 结论

该文提出一种基于加权融合和纹理特征的森林火灾识别方法。通过加权融合RGB-YCbCr 色彩空间对疑似火灾区域进行分割。然后，利用LBP 和GLCM 模型提取疑似火灾区域的纹理特征，形成14维纹理特征向量，并利用支持向量机进行森林火灾识别和分类。结果表明，该算法对森林火灾图像中火焰的识别准确率达到93.15%，处理速度为7.54 帧/s。当出现火样干扰时，具有良好的鲁棒性。建议进一步完善森林火灾图像数据库，扩大训练集，包括更多不同形状、大小、颜色和燃烧程度的森林火灾图像；进一步缩短算法的训练和测试时间，为图像识别在森林防火中的应用提供新的理念。