.552 智能系统学报 第12卷 本文的实验库是从网上下载的44段视频，其中 训练和测试过程均从每个视频中选择100个疑 包括22段火焰视频和22段常见的与火焰颜色相似 似火焰序列，这样用于训练和测试的样本各有2200 的干扰视频。这些火焰干扰物视频既包括始终静 个。为了验证上文的分析，确定3个正交平面分别 止的，也包括运动的，既有表面粗糙的，也有表面均 用哪种模式提取特征效果更好，以及对LTP中阈值 匀的。本文把上述视频均分成两部分，分别用于训 的确定，本文通过改变LMP-TOP的参数设计了几 练与测试。即把11段火焰视频和11段非火焰视频 组实验，如表1所示。 用于训练，剩下的用于测试。 表1不同参数设置的识别率差别 Tablel Difference of recognition rate with different parameters % 序号 LMP-TOP XY XT YT 合成 维度加权 Basic4.4,4.1,1.2 74.82 82.36 88.27 90.09 92.45[1,3,5] 2 LTP4.4.4.1,1,2 75.36 82.36 88.27 88.27 91.27[1,3,5] 3 428,4,4,1,1,2 78.73 82.36 88.27 92.09 93.36[1,3,4] 4 Basic8,4,4,1,1,2 74.18 82.36 88.27 92.18 92.91[1,3,5] 5 428,8,8,1.1,2 78.73 77.64 79.09 83.09 83.09[1,1,1] 6 428,4,4,1,1,2 78.73 86.18 85.55 89.54 90.09[1,4,4] 表1中，第1~4组只改变Y平面特征描述子， (最后一列中括号内为各个维度的权重)，这是因为 第1组采用4邻域的LBP,第2组采用4邻域的 通过维度加权使核函数的计算更多地依赖于强相 LTP,第3组采用8邻域的LBP2,第4组采用传统 关的维度特征。 的8邻域LBP,这4组XT和YT平面特征都用4邻 为了更好地对本文的算法进行评估，本文对目 域的LTP描述：第5组把XT平面和YT平面的特征 前火灾检测领域公认的数据库Bilkent大学火灾视 用8邻域的LBP表示，其他的与第3组一致；1~4 http://signal.ee.bilkent.edu.tr/VisiFire/index. 组中LTP阈值都设置为5，而第6组设置为10，其他 html)的8段视频进行了测试，并将结果与Sthevanie 的与第3组一致。 等)的算法及国内外部分文献[18-0]进行对比，测 由第1~4组数据可以看出当XY平面用8邻域 试视频示例如图6所示，检测结果及与其他文献的 的LBP2描述时效果最好，这是因为用传统的4邻 对比数据如表2、表3所示，其中LMP-TOP各参数 域LBP描述火焰静态纹理特征时将把许多信息丢 的设置及使用的持向量机模型与第3组实验一致。 失掉，而用LTP方法，在阈值的作用下纹理模式过 于集中，不利于区分。至于传统的8邻域LBP,由于 其包含了许多弱相关或不相关的特征，反而不利于 分类识别，且其维数也是一个大问题。由第3组和 第5组数据可以看出对于XT和YT平面的动态火 焰纹理特征描述，用4邻域的LTP比8邻域的 LBP2识别效果更好，这是因为在光照、视频质量等 因素的影响下，非火焰视频某位置像素值在LBP2 (a)视频1 中可能被认为发生了变化，而在LTP中，它将被视 为不变，从而把火焰与非火焰区分开来。由第3、6 组可以看出，阈值取值为5较为合适，因为过大的阈 值将使火焰像素值的变化也检测不出来。比较第2 组和第4组的识别率可以知道本文算法相比 Sthevanie等1]的算法效果得到了提高。此外，从几 组数据中可以看出，该特征提取分类方法在视频火 焰识别中效果不错，最高可以达到93.36%，且使用 (b)视频2 维度加权的方法比直接连接3个平面特征效果好本文的实验库是从网上下载的 ４４ 段视频，其中 包括 ２２ 段火焰视频和 ２２ 段常见的与火焰颜色相似 的干扰视频。 这些火焰干扰物视频既包括始终静 止的，也包括运动的，既有表面粗糙的，也有表面均 匀的。 本文把上述视频均分成两部分，分别用于训 练与测试。 即把 １１ 段火焰视频和 １１ 段非火焰视频 用于训练，剩下的用于测试。 训练和测试过程均从每个视频中选择 １００ 个疑 似火焰序列，这样用于训练和测试的样本各有 ２ ２００ 个。 为了验证上文的分析，确定 ３ 个正交平面分别 用哪种模式提取特征效果更好，以及对 ＬＴＰ 中阈值 的确定，本文通过改变 ＬＭＰ⁃ＴＯＰ 的参数设计了几 组实验，如表 １ 所示。 表 １ 不同参数设置的识别率差别 Ｔａｂｌｅ１ Ｄｉｆｆｅｒｅｎｃｅ ｏｆ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｐａｒａｍｅｔｅｒｓ ％ 序号 ＬＭＰ⁃ＴＯＰＰ ＸＹ ，Ｐ ＸＴ ，Ｐ ＹＴ ，Ｒ Ｘ ，Ｒ Ｙ ，Ｒ Ｔ ＸＹ ＸＴ ＹＴ 合成 维度加权 １ Ｂａｓｉｃ ４，４，４，１，１，２ ７４．８２ ８２．３６ ８８．２７ ９０．０９ ９２．４５［１，３，５］ ２ ＬＴＰ ４，４，４，１，１，２ ７５．３６ ８２．３６ ８８．２７ ８８．２７ ９１．２７［１，３，５］ ３ ｕ２ ８，４，４，１，１，２ ７８．７３ ８２．３６ ８８．２７ ９２．０９ ９３．３６［１，３，４］ ４ Ｂａｓｉｃ ８，４，４，１，１，２ ７４．１８ ８２．３６ ８８．２７ ９２．１８ ９２．９１［１，３，５］ ５ ｕ２ ８，８，８，１，１，２ ７８．７３ ７７．６４ ７９．０９ ８３．０９ ８３．０９［１，１，１］ ６ ｕ２ ８，４，４，１，１，２ ７８．７３ ８６．１８ ８５．５５ ８９．５４ ９０．０９［１，４，４］ 表 １ 中，第 １～４ 组只改变 ＸＹ 平面特征描述子， 第 １ 组采用 ４ 邻域的 ＬＢＰ，第 ２ 组采用 ４ 邻域的 ＬＴＰ，第 ３ 组采用 ８ 邻域的 ＬＢＰ ｕ２ ，第 ４ 组采用传统 的 ８ 邻域 ＬＢＰ，这 ４ 组 ＸＴ 和 ＹＴ 平面特征都用 ４ 邻 域的 ＬＴＰ 描述；第 ５ 组把 ＸＴ 平面和 ＹＴ 平面的特征 用 ８ 邻域的 ＬＢＰ ｕ２表示，其他的与第 ３ 组一致；１ ～ ４ 组中 ＬＴＰ 阈值都设置为 ５，而第 ６ 组设置为 １０，其他 的与第 ３ 组一致。 由第 １～４ 组数据可以看出当 ＸＹ 平面用 ８ 邻域 的 ＬＢＰ ｕ２描述时效果最好，这是因为用传统的 ４ 邻 域 ＬＢＰ 描述火焰静态纹理特征时将把许多信息丢 失掉，而用 ＬＴＰ 方法，在阈值的作用下纹理模式过 于集中，不利于区分。 至于传统的 ８ 邻域 ＬＢＰ，由于 其包含了许多弱相关或不相关的特征，反而不利于 分类识别，且其维数也是一个大问题。 由第 ３ 组和 第 ５ 组数据可以看出对于 ＸＴ 和 ＹＴ 平面的动态火 焰纹理特征描述， 用 ４ 邻域的 ＬＴＰ 比 ８ 邻域的 ＬＢＰ ｕ２识别效果更好，这是因为在光照、视频质量等 因素的影响下，非火焰视频某位置像素值在 ＬＢＰ ｕ２ 中可能被认为发生了变化，而在 ＬＴＰ 中，它将被视 为不变，从而把火焰与非火焰区分开来。 由第 ３、６ 组可以看出，阈值取值为 ５ 较为合适，因为过大的阈 值将使火焰像素值的变化也检测不出来。 比较第 ２ 组和 第 ４ 组 的 识 别 率 可 以 知 道 本 文 算 法 相 比 Ｓｔｈｅｖａｎｉｅ 等［１３］的算法效果得到了提高。 此外，从几 组数据中可以看出，该特征提取分类方法在视频火 焰识别中效果不错，最高可以达到 ９３．３６％，且使用 维度加权的方法比直接连接 ３ 个平面特征效果好 （最后一列中括号内为各个维度的权重），这是因为 通过维度加权使核函数的计算更多地依赖于强相 关的维度特征。 为了更好地对本文的算法进行评估，本文对目 前火灾检测领域公认的数据库 Ｂｉｌｋｅｎｔ 大学火灾视 频库（ ｈｔｔｐ： ／ ／ ｓｉｇｎａｌ． ｅｅ． ｂｉｌｋｅｎｔ． ｅｄｕ． ｔｒ／ ＶｉｓｉＦｉｒｅ ／ ｉｎｄｅｘ． ｈｔｍｌ）的 ８ 段视频进行了测试，并将结果与 Ｓｔｈｅｖａｎｉｅ 等［１３］的算法及国内外部分文献［１８－２０］ 进行对比，测 试视频示例如图 ６ 所示，检测结果及与其他文献的 对比数据如表 ２、表 ３ 所示，其中 ＬＭＰ⁃ＴＯＰ 各参数 的设置及使用的持向量机模型与第 ３ 组实验一致。 （ａ）视频 １ （ｂ）视频 ２ ·５５２· 智 能 系 统 学 报 第 １２ 卷