.244. 智能系统学报 第10卷 特征的分类效果最好，但由于纹理特征的算法复杂 融合方法，即融合了圆形度、矩形度和重心高度系数 度较高，平均处理时间远大于其他特征，实时性较3类特征的方法。这3类特征可排除不同的火焰干 差，因此不采用纹理特征进行特征融合。综上，选择 扰物。通过圆形度可排除车灯、路灯等物体边缘复 圆形度、矩形度、重心高度系数和边界粗糙度4类特 杂度不高的物体：通过矩形度可排除被照亮的树干 征进行融合，表2为4类特征11种融合方法的分类 等长条形物体：通过重心高度系数不仅可以排除红 结果比较。 色烟雾等重心偏上的干扰物，还可排除太阳等重心 由表2可以看出，第7种特征融合和第11种特 位于中央的物体。综上，融合了圆形度、矩形度和重 征融合方法效果最好，均为82.4%。第11种特征融 心高度系数3类特征后，可排除大部分与火焰颜色 合方法虽然对火焰图片分类的准确率高，但对于非 相似的干扰物，获取的火焰区域较为准确、可靠。 火焰图片分类的准确率过低，因此选取第7种特征 表2特征融合方法分类结果 Table 2 Classification results by feature fusion 准确分火焰图片 准确分类非火焰图 特征融合 准确分类分类准确 序号 类火焰 分类准确非火焰图片分类准 方法 图片数 图片数 率/% 率/% 片数 确率/% F+F2 261 87.0 116 58.0 377 75.4 2 F+Fa 237 79.0 164 82.0 401 80.2 3 F+Fs 200 66.7 138 69.0 338 67.6 4 F2+F4 259 86.3 146 73.0 405 81.0 5 F+Fs 255 85.0 105 52. 360 72.0 6 F4+F, 227 75.7 156 78.0 383 76.6 F+F2+F 267 89.0 145 72.5 412 82.4 8 F,+F2+F5 265 88.3 113 56.5 378 75.6 9 F2+Fa+Fs 263 87.7 132 66.0 395 79.0 10F,+F4+F与224 74.7 164 82.0 388 77.6 11F,+F2+F4+Fs278 92.7 134 67.0 412 82.4 3基于支持向量机的火焰识别 k(x,x:)=[8·(x,x)+1]9 k(x,x:)=exp(-‖x-x:‖2/282) SVM作为一种监督式分类方法，广泛应用于模 k3(x,x:)=tanh(δ·(x,x:)+c) 式识别的众多领域中。SVM是一种二分类器，最早 式中：x:是输入的特征向量，δ和c为核函数的参 由Vapnik提出，通过训练数据集建立一个超平 数。本文中输入的特征向量为x:= 面，使得2类样本以最大间隔分开，然后利用训练结 [C R Ratiowe],将测试集分别用3种核函数进 果对测试数据集进行分类。SVM不仅可以训练高 行分类，结果如表3所示。 维空间向量，而且对于有限的数据训练集有着较好 由表3看出，对火焰图片分类效果最好的是多 的分类效果。除此之外，由于在实际应用中大部分 项式核函数，次佳的是RBF核函数，对非火焰图片 数据集是非线性的，在SVM中提供了由低维空间到 分类效果最好的是RBF核函数，总体而言分类效果 高维空间非线性映射的核函数机制，因此SVM不仅 最好的是RBF核函数。但由于多项式核函数的非 可用于线性分类，还适用于非线性分类。SVM的非 火焰图片分类准确率过低，因此选用RBF作为本文 线性核函数包括多项式核函数k,(x,x:)、径向基核 SVM的核函数。对RBF的惩罚参数和核参数δ优 函数(radial basis function,RBF)k2(x,x:)和Sigmoid 化后，将分类准确率提升至84.4%（即准确分类422 核函数k(x,x:),3种核函数定义为： 张图片)。特征的分类效果最好，但由于纹理特征的算法复杂 度较高，平均处理时间远大于其他特征，实时性较 差，因此不采用纹理特征进行特征融合。 综上，选择 圆形度、矩形度、重心高度系数和边界粗糙度 ４ 类特 征进行融合，表 ２ 为 ４ 类特征 １１ 种融合方法的分类 结果比较。 由表 ２ 可以看出，第 ７ 种特征融合和第 １１ 种特 征融合方法效果最好，均为 ８２．４％。 第 １１ 种特征融 合方法虽然对火焰图片分类的准确率高，但对于非 火焰图片分类的准确率过低，因此选取第 ７ 种特征 融合方法，即融合了圆形度、矩形度和重心高度系数 ３ 类特征的方法。 这 ３ 类特征可排除不同的火焰干 扰物。 通过圆形度可排除车灯、路灯等物体边缘复 杂度不高的物体；通过矩形度可排除被照亮的树干 等长条形物体；通过重心高度系数不仅可以排除红 色烟雾等重心偏上的干扰物，还可排除太阳等重心 位于中央的物体。 综上，融合了圆形度、矩形度和重 心高度系数 ３ 类特征后，可排除大部分与火焰颜色 相似的干扰物，获取的火焰区域较为准确、可靠。 表 ２ 特征融合方法分类结果 Ｔａｂｌｅ ２ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｒｅｓｕｌｔｓ ｂｙ ｆｅａｔｕｒｅ ｆｕｓｉｏｎ 序号 特征融合 方法 准确分 类火焰 图片数 火焰图片 分类准确 率／ ％ 准确分类 非火焰图 片数 非火焰图 片分类准 确率／ ％ 准确分类 图片数 分类准确 率／ ％ １ Ｆ １ ＋ Ｆ ２ ２６１ ８７．０ １１６ ５８．０ ３７７ ７５．４ ２ Ｆ １ ＋ Ｆ ４ ２３７ ７９．０ １６４ ８２．０ ４０１ ８０．２ ３ Ｆ １ ＋ Ｆ ５ ２００ ６６．７ １３８ ６９．０ ３３８ ６７．６ ４ Ｆ ２ ＋ Ｆ ４ ２５９ ８６．３ １４６ ７３．０ ４０５ ８１．０ ５ Ｆ ２ ＋ Ｆ ５ ２５５ ８５．０ １０５ ５２．５ ３６０ ７２．０ ６ Ｆ ４ ＋ Ｆ ５ ２２７ ７５．７ １５６ ７８．０ ３８３ ７６．６ ７ Ｆ １ ＋ Ｆ ２ ＋ Ｆ ４ ２６７ ８９．０ １４５ ７２．５ ４１２ ８２．４ ８ Ｆ １ ＋ Ｆ ２ ＋ Ｆ ５ ２６５ ８８．３ １１３ ５６．５ ３７８ ７５．６ ９ Ｆ ２ ＋ Ｆ ４ ＋ Ｆ ５ ２６３ ８７．７ １３２ ６６．０ ３９５ ７９．０ １０ Ｆ １ ＋ Ｆ ４ ＋ Ｆ ５ ２２４ ７４．７ １６４ ８２．０ ３８８ ７７．６ １１ Ｆ １ ＋ Ｆ ２ ＋ Ｆ ４ ＋ Ｆ ５ ２７８ ９２．７ １３４ ６７．０ ４１２ ８２．４ ３ 基于支持向量机的火焰识别 ＳＶＭ 作为一种监督式分类方法，广泛应用于模 式识别的众多领域中。 ＳＶＭ 是一种二分类器，最早 由 Ｖａｐｎｉｋ ［１５］ 提出，通过训练数据集建立一个超平 面，使得 ２ 类样本以最大间隔分开，然后利用训练结 果对测试数据集进行分类。 ＳＶＭ 不仅可以训练高 维空间向量，而且对于有限的数据训练集有着较好 的分类效果。 除此之外，由于在实际应用中大部分 数据集是非线性的，在 ＳＶＭ 中提供了由低维空间到 高维空间非线性映射的核函数机制，因此 ＳＶＭ 不仅 可用于线性分类，还适用于非线性分类。 ＳＶＭ 的非 线性核函数包括多项式核函数 ｋ１（ｘ，ｘｉ） 、径向基核 函数（ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ，ＲＢＦ） ｋ２（ｘ，ｘｉ） 和 Ｓｉｇｍｏｉｄ 核函数 ｋ３（ｘ，ｘｉ） ，３ 种核函数定义为： ｋ１（ｘ，ｘｉ） ＝ ［δ·（ｘ，ｘｉ） ＋ １］ ｑ ｋ２（ｘ，ｘｉ） ＝ ｅｘｐ（ － ‖ｘ － ｘｉ‖２ ／ ２δ ２ ） ｋ３（ｘ，ｘｉ） ＝ ｔａｎｈ（δ·（ｘ，ｘｉ） ＋ ｃ） 式中： ｘｉ 是输入的特征向量， δ 和 ｃ 为核函数的参 数。 本 文 中 输 入 的 特 征 向 量 为 ｘｉ ＝ ［Ｃ Ｒ ＲａｔｉｏＷＣ ］ ，将测试集分别用 ３ 种核函数进 行分类，结果如表 ３ 所示。 由表 ３ 看出，对火焰图片分类效果最好的是多 项式核函数，次佳的是 ＲＢＦ 核函数，对非火焰图片 分类效果最好的是 ＲＢＦ 核函数，总体而言分类效果 最好的是 ＲＢＦ 核函数。 但由于多项式核函数的非 火焰图片分类准确率过低，因此选用 ＲＢＦ 作为本文 ＳＶＭ 的核函数。 对 ＲＢＦ 的惩罚参数和核参数 δ 优 化后，将分类准确率提升至 ８４．４％（即准确分类 ４２２ 张图片）。 ·２４４· 智 能 系 统 学 报 第 １０ 卷