CN108171241B - 基于IFCS/Otsu的IOFR火焰识别方法 - Google Patents

Abstract

本发明公开了一种基于IFCS/Otsu的IOFR火焰识别方法，具体步骤如下：步骤一：建立IFCS颜色空间，具体操作如下：A1.提取火焰识别的特征像素并构造特征矩阵；A2.对粒子的初始化进行改进；A3.改进粒子群算法的参数；A4.改进粒子群算法的更新方式；A5.建立粒子群算法的局部优化处理机制；步骤二：建立基于IFCS/Otsu的IOFR火焰识别算法，具体操作如下：B1.生成IFCS颜色空间图片；B2.采用Otsu阈值方法进行目标提取。该方法突出火焰/非火焰像素颜色属性差异特性，保证计算的简单快捷；同时降低当前基于FCS颜色空间火焰识别算法的火焰错判率。

Description

基于IFCS/Otsu的IOFR火焰识别方法

技术领域

本申请属于图像识别领域，具体说是一种基于IFCS/Otsu的IOFR火焰识别方法。

背景技术

森林火灾给人类的生命财产安全带来威胁，使用火灾检测系统保护森林资源是现代防火方式发展趋势的必然需求。传统的火灾探测技术受监控环境的影响，它的误报率较高，不适合用于大空间火灾探测。随着现代科学技术的快速发展，鉴于图像丰富直观的特点,基于图像的森林火灾探测技术已经成为了当前火灾探测技术的研究热点，有着广阔的发展前景。

基于RGB颜色空间低复杂度的优点，利用像素各颜色分量值范围，Chen等人基于色彩和动态特征检测烟雾像素，使用火焰的无序特征和火焰区域生长特性提取火焰像素，提出两阶段火灾探测方法,该方法实现了基于图像的火灾智能探测技术。为了强调像素各颜色分量值范围，突出R与B的关系，增加火焰像素的亮度特征，梁俊山等人提出了基于RGB颜色空间模糊聚类的火灾检测算法，利用像素运动累积，借助有监督模糊聚类法，结合火焰的运动特征进行火焰识别。该方法误报率相对较低，但是聚类算法的时间复杂度过高。

基于HSI颜色空间与人眼有很好视觉一致性的优点，方维提出一种基于改进FCM聚类的火灾图像分割方法，该方法根据数据分布特点确定色度分量H和亮度分量I初始聚类中心后，在直方图特征空间分别对其进行模糊聚类处理，该方法可以适当排除高亮区域的干扰，克服灰度化分割导致分割不准确的问题，复杂度较高。Dattathreya等人将不规则运动矢量估计火焰区域和HIS颜色信息相结合建立了火焰检测系统，实现了火焰和火焰颜色相似物体的区分，但增加了复杂度。

基于YCbCr颜色空间具有在色度信息中分离出亮度的能力优点，Celik等人提出了一种用于火焰像素分类的基于规则的通用颜色模型，该模型使用YCbCr色彩空间分离亮度色度比RGB或HIS颜色空间更有效描述了火焰行为。Prema等提出了基于YCbCr颜色空间的火焰图像分割方法，不仅可以识别火焰像素，还能分离出高温火焰中心像素。但是方法复杂度高。

可见，颜色空间是任何一种基于图像的森林火灾探测技术的关键技术，严重影响火灾检测性能。Khatami A等人提出了一种基于新颜色空间FCS(FCS，Fire-based ColorSpace,FCS)的火焰像素检测方法，该方法通过粒子群优化算法(Particle SwarmOptimization,PSO)和k-medoids聚类方法构建火焰彩色空间，建立了颜色空间模型FCS，并在FCS颜色空间上使用经典的Ostu方法进行火焰识别。利用FCS颜色空间进行火焰识别，可以突出火焰/非火焰像素颜色属性差异特性，保证计算的简单快捷。火焰检测执行速度快，并在火焰和非火焰像素颜色相似性较高的情况下表现良好；但是该算法具有较高的火焰错判率。

发明内容

针对FCS颜色空间火焰错判率高的特点，本申请提出了一种基于IFCS/Otsu的IOFR火焰识别方法，该方法首先通过引入混沌理论，采用混沌序列初始化粒子、自适应调整惯性权重、动态非线性调整学习因子、混沌搜索跳出局部最优等方法对火焰颜色空间模型FCS(Fi re-based Color Space,FCS)进行改进，得到IFCS颜色空间模型，然后在IFCS火焰颜色空间中通过经典Otsu阈值方法得到二值图像，从而建立了IOFR火焰识别算法。

为实现上述目的，本申请采用的技术方案是：一种基于IFCS/Ot su的IOFR火焰识别方法，具体步骤如下：

步骤一：建立IFCS颜色空间，具体操作如下：

1.提取火焰识别的特征像素并构造特征矩阵；

2.对粒子的初始化进行改进；

3.改进粒子群算法的参数；

4.改进粒子群算法的更新方式；

5.建立粒子群算法的局部优化处理机制；

步骤二：建立基于IFCS/Otsu的IOFR火焰识别算法，具体操作如下：

1.生成IFCS颜色空间图像；

2.采用Otsu阈值方法进行目标提取。

进一步的，提取火焰识别的特征像素并构造特征矩阵，具体是：先从多个森林火灾的图像中选择一张样本图像，从样本图像的火焰区域和非火焰区域的不同部分选择子图像，这些子图像组成火焰样本图像和非火焰样本图像；火焰样本图像和非火焰样本图像均为25*25个像素，则每个样本图像数据是大小为25*25*3矩阵，其中3代表R，G，B三个颜色维度。通过行或列扫提取各个像素的颜色值分量形成特征矩阵T，特征矩阵T由火焰像素和非火焰像素组成，每一行代表一个像素，每列属于这些像素的一个颜色维度；特征矩阵T的1～n/2行(中n＝1250)为火焰像素，n/2+1～n行为非火焰像素，或者两者相反。本申请中特征矩阵T的大小为1250*3。

进一步的，对粒子的初始化进行改进，具体是：

种群的初始化大多采用随机方式，但这种方式有可能造成粒子不能够均匀分布，从而将直接影响整个算法搜索过程的收敛速度和寻优效率。因此，本申请采用混沌序列对粒子位置进行初始化，以加强种群的搜索多样性。由于Logistic映射产生的序列不均匀导致算法的效率降低，而立方混沌映射比Logistic映射具有更好的遍历均匀性和更高的搜索效率。因此本申请采用立方映射产生的混沌序列对PSO算法位置初始化进行改进，立方映射的表达式为：

对于D维空间中的N个粒子，首先随机产生一个D维向量Z₁＝(z₁₁,z₁₂,...,z_1D)，向量的每个分量数值在0～1之间，然后根据上式对向量Z₁的每一维进行循环迭代，得到M(M＞N)个向量Z₁,Z₂,Z₃,...,Z_i,...,Z_M。将Z_i的各个分量映射到解的搜索空间内，映射公式为：

其中x_jmax，x_jmin为搜索空间第j维的上、下限，z_ij是用式(1.2.1)产生的第i个混沌向量的第j维变量，则x_ij为第i个粒子的第j维坐标。

进一步的，改进粒子群算法的参数，具体操作是：

学习因子c₁和c₂的取值会影响粒子的运行轨迹，一般是定值c₁＝c₂＝2。由于在PSO算法搜索初期，较大的认知学习因子有利于粒子保持自身的优势，可以使粒子以较大的速度在搜索空间中搜索全局最优解，避免早熟；在算法搜索后期，较大的社会学习因子可增大社会信息的共享能力，有利于局部搜索。故引入动态非线性调整策略来平衡c₁和c₂的关系，c₁和c₂通过动态变化，控制粒子的飞行轨迹，从而提高算法的收敛速度和精度，c₁和c₂更新公式如下：

其中，k为当前迭代次数，iter_max为最大迭代次数，c_1init，c_1finish分别为c₁的初始值和最终值；c_2init，c_2finish分别为c₂的初始值和最终值。

惯性权重w取值大小对PSO算法性能和效率的提高起着至关重要的作用。较大的w全局搜索能力较好，较小的w有利于局部搜索。因此为了更好的平衡全局搜索能力和局部搜索能力，提出了基于粒子适应度的自适应动态调节惯性权重w的更新公式为：

其中，

其中，N为粒子群规模，G为适应度值优于平均适应度值的粒子个数，P_i是粒子i的最优位置，f_gBest为全局最优粒子的适应度值，f_avg为全部粒子的平均适应度值，f′_avg为优于f_avg的适应度平均值。当粒子为群体中较优粒子时，此时f_i＜f′_avg，接近全局最优解，惯性权重应该较小，以加速向全局最优收敛；当粒子为群体中较差的粒子时，此时f_i＞f_avg，惯性权重应该较大，使其拥有较大的全局搜索能力。

进一步的，改进粒子群算法的更新方式，具体是：

粒子在迭代过程中，需要更新其全局最优位置。为了达到快速收敛目的，在迭代过程中使用异步模式，当一个粒子的位置发生变化就更新全局最优值，从而更快的找到最优解。异步模式下更新全局最优值的公式为：

式中，P′_gBest为更新后的全局最优粒子位置，P_gBest为更新前的全局最优粒子位置。

更进一步的，建立粒子群算法的局部优化处理机制，具体是：为避免陷入局部最优，引入混沌理论进行局部优化处理，主要包括早熟判断和混沌搜索。

(1)早熟判断机制

粒子群优化算法的优化过程是粒子不断通过自我学习和向全局最优粒子学习从而逐步优化自身适应度的过程。因此如果某个粒子找到了局部最优解，粒子就出现“聚集”现象，使算法陷入局部最优而搜索不到全局最优解，即所谓的“早熟”现象。为了避免这种现象，应该实时对早熟进行判断，及时采取有效措施。本申请选取粒子群适应度方差和平均粒距相结合作为早熟收敛判断的条件；

粒子群适应度方差反映了粒子群中所有粒子的离散程度，用σ²表示，其计算公式为：

其中，f_i表示粒子i的适应度值，f_avg表示所有粒子的平均适应度值；F为归一化定标因子，其作用是限制σ²的取值大小，F的取值采用如下公式计算：

σ²越小，则粒子群就越趋于收敛；反之，则粒子群处于分散状态，粒子距最优位置就越远。

平均粒距表示各粒子相互之间的分布分散程度，用dis表示，则

其中，N为粒子群种群规模，L为搜索空间对角最大长度，D为粒子维数，x_ij表示第i粒子第j维值，

为所有粒子第j维均值。dis越小，表示种群越集中；反之，则种群越分散。

为粒子群适应度方差σ²和平均粒距分别设置一个早熟阈值H和α(H，α为预先给定常数)，在粒子群搜索过程中，当σ²＜H或dis＜α时，且此时未达到最优适应度阈值f_d(f_d为预先给定常数)，即f_gBest＞f_d(f_gBest是全局最优粒子的适应度值)时，则判定算法陷入了早熟收敛。

(2)混沌搜索机制

当粒子群出现“早熟”现象时，则表示粒子群的多样性较差，因此，需要采取措施改善群体的多样性，即进行早熟处理。为此，在PSO算法中引入混沌操作，对当前群体最优位置进行混沌搜索，使其跳出局部最优。混沌搜索的步骤如下：

步骤1：将较优的粒子X按照式(1.5.5)映射到[-1,1]；

其中x_jmax，x_jmin为搜索空间第j维的上、下限，p_gBestj为X的第j维数据，cx_0j为CX₀第j维映射数据。

步骤2：根据式(1.2.1)进行迭代产生R个混沌变量序列CX_i,i∈[1^,R]；

步骤3:把这些产生的混沌变量序列按照式(1.2.2)逆映射返回到优化变量的取值区间[x_jmin,x_jmax]，获得R个粒子X_i,i∈[1,R]；

步骤4：利用式(1.5.6)更新搜索决策变量

λ_t由式(1.5.7)确定；

其中λ_t是扰动强度，t为当前迭代次数，iter_max为最大迭代次数，此处η＝2。

步骤5：计算每个粒子

的适应度值，保留适应度值最好的粒子

步骤6：X^*适应度值与X适应度值进行比较，如果前者比后者更优，则以混沌搜索到的最好混沌序列X^*取代粒子X；否则，继续使用原X进行计算。

作为更进一步的，生成IFCS颜色空间图像，具体操作是：

从RGB颜色空间到IFCS颜色空间的转换过程，如式(2.1.1)所示。

Y＝X·U (2.1.1)

其中，U是IFCS转换矩阵，X为待识别RGB颜色空间图像，Y为IFCS颜色空间图像。

作为更进一步的，采用Otsu阈值方法进行目标提取，具体是：将像素信息用灰度值表示，灰度值统计信息用直方图表示；最大化类间差得到基于直方图的集中于目标的阈值判别式，对IFCS颜色空间图像Y进行阈值分割，实现目标提取。

本申请采用以上技术方案，能够取得如下的技术效果：相较于现有技术，本申请在提出的火焰识别颜色空间模型—IFCS基础之上建立IOFR火焰识别算法，可以更加突出火焰/非火焰像素颜色属性差异特性，保证计算的简单快捷；同时有效降低当前基于FCS颜色空间火焰识别算法的火焰错判率。

附图说明

本申请共有附图10幅：

图1为本申请的算法流程图；

图2为本申请的IFCS颜色空间形成流程图；

图3为在Sphere函数下本申请与标准PSO算法、自适应PSO及CPSO的性能测试曲线；

图4为在Ackley函数下本申请与标准PSO算法、自适应PSO及CPSO的性能测试曲线；

图5为在Rastrigrim函数下本申请与标准PSO算法、自适应PSO及CPSO的性能测试曲线；

图6为在Sphere函数下本申请自适应惯性权重与线性递减惯性权重、张楠等人提出的非线性惯性权重优化方式对比；

图7在Ackley函数下本申请自适应惯性权重与线性递减惯性权重、张楠等人提出的非线性惯性权重优化方式对比；

图8在Rastrigrim函数下本申请自适应惯性权重与线性递减惯性权重、张楠等人提出的非线性惯性权重优化方式对比；

图9为本申请的提取特征样本数据的特征图像；从左到右分别为提取火焰特征的特征图像，非火焰像素特征子图，火焰像素特征子图。

图10为本申请与FCS火焰检测算法的火焰检测结果对比图；从左到右分别为原图，FCS火焰检测算法图，本算法图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本申请进行详细描述。一种改进的火焰识别颜色空间模型—IFCS(Improved Fire-basedColor Space,IFCS)；进一步，基于IFCS和Otsu阈值方法建立了IOFR(IFCS-Otsu FireRecognition,IOFR)火焰识别算法。

实施例1

本实施例提供一种基于IFCS/Otsu的IOFR火焰识别方法,该方法流程如图1所示,包括以下几个步骤:

步骤一：建立IFCS颜色空间

针对基于IFCS/Otsu的IOFR火焰识别算法,其IFCS颜色空间构造方法如下,IFCS颜色空间形成算法流程如图2所示。

1.提取火焰识别的特征像素并构造特征矩阵

先从多个森林火灾的图像中选择一张样本图像，从样本图像的火焰区域和非火焰区域的不同部分选择子图像，这些子图像组成火焰样本图像和非火焰样本图像。火焰样本图像和非火焰样本图像均为25*25个像素，则每个样本图像数据是大小为25*25*3矩阵，其中3代表R，G，B三个颜色维度。通过行(列)扫提取各个像素的颜色值分量形成特征矩阵T。特征矩阵T由火焰像素和非火焰像素组成，每一行代表一个像素，每列属于这些像素的一个颜色维度。特征矩阵T的1～n/2行(中n＝1250)为火焰像素，n/2+1～n行为非火焰像素，或者两者相反。本申请中特征矩阵T的大小为1250*3。

2.对粒子的初始化进行改进

种群的初始化大多采用随机方式，但这种方式有可能造成粒子不能够均匀分布，从而将直接影响整个算法搜索过程的收敛速度和寻优效率。因此，本申请采用混沌序列对粒子位置进行初始化，以加强种群的搜索多样性。由于Logistic映射产生的序列不均匀导致算法的效率降低，而立方混沌映射比Logistic映射具有更好的遍历均匀性和更高的搜索效率。因此本申请采用立方映射产生的混沌序列对PSO算法位置初始化进行改进，立方映射的表达式为公式(1.2.1)。

对于D维空间中的N个粒子，首先随机产生一个D维向量Z₁＝(z₁₁,z₁₂,...,z_1D)，向量的每个分量数值在0～1之间，然后根据式(1.2.1)对向量Z₁的每一维进行循环迭代，得到M(M＞N)个向量Z₁,Z₂,Z₃,...,Z_i,...,Z_M。将Z_i的各个分量映射到解的搜索空间内，映射规则如公式(1.2.2)所示。

其中x_jmax，x_jmin为搜索空间第j维的上、下限，z_ij是用式(1.2.1)产生的第i个混沌向量的第j维变量，则x_ij为第i个粒子的第j维坐标。

3.对粒子群算法的参数进行改进

学习因子c₁和c₂的取值会影响粒子的运行轨迹，一般是定值c₁＝c₂＝2。由于在PSO算法搜索初期，较大的认知学习因子有利于粒子保持自身的优势，可以使粒子以较大的速度在搜索空间中搜索全局最优解，避免早熟；在算法搜索后期，较大的社会学习因子可增大社会信息的共享能力，有利于局部搜索。故引入动态非线性调整策略来平衡c₁和c₂的关系，c₁和c₂通过动态变化，控制粒子的飞行轨迹，从而提高算法的收敛速度和精度，c₁和c₂更新如公式(1.3.1)和公式(1.3.2)所示。

其中，k为当前迭代次数，iter_max为最大迭代次数，c_1init，c_1finish，c_2init，c_2finish分别为c₁和c₂的初始值和最终值。

惯性权重w取值大小对PSO算法性能和效率的提高起着至关重要的作用。较大的w全局搜索能力较好，较小的w有利于局部搜索。因此为了更好的平衡全局搜索能力和局部搜索能力，提出了基于粒子适应度的自适应调节惯性权重w的更新公式(1.3.3)。

其中，

其中，N为粒子群规模，G为适应度值优于平均适应度值的粒子个数，P_i是粒子i的最优位置，f_gBest为全局最优粒子的适应度值，f_avg为全部粒子的平均适应度值，f′_avg为优于f_avg的适应度平均值。当粒子为群体中较优粒子时，此时f_i＜f′_avg，接近全局最优解，惯性权重应该较小，以加速向全局最优收敛；当粒子为群体中较差的粒子时，此时f_i＞f_avg，惯性权重应该较大，使其拥有较大的全局搜索能力。

4.对粒子群算法的更新方式进行改进

粒子在迭代过程中，需要更新其全局最优位置。为了达到快速收敛目的，在迭代过程中使用异步模式，当一个粒子的位置发生变化就更新全局最优值，从而更快的找到最优解。异步模式下更新全局最优值如公式(1.4.1)。

式中P′_gBest为更新后的全局最优粒子位置，P_gBest为更新前的全局最优粒子位置。

5.粒子群算法的局部优化处理机制

为避免陷入局部最优，引入混沌理论进行局部优化处理，主要包括早熟判断和混沌搜索。

(1)早熟判断机制

粒子群优化算法的优化过程是粒子不断通过自我学习和向全局最优粒子学习从而逐步优化自身适应度的过程。因此如果某个粒子找到了局部最优解，粒子就出现“聚集”现象，使算法陷入局部最优而搜索不到全局最优解，即所谓的“早熟”现象。为了避免这种现象，应该实时对早熟进行判断，及时采取有效措施。本申请选取粒子群适应度方差和平均粒距相结合作为早熟收敛判断的条件。

粒子群适应度方差反映了粒子群中所有粒子的离散程度，用σ²表示，其计算公式为：

其中，f_i表示粒子i的适应度值，f_avg表示所有粒子的平均适应度值。F为归一化定标因子，其作用是限制σ²的取值大小，F的取值采用如下公式计算：

σ²越小，则粒子群就越趋于收敛；反之，则粒子群处于分散状态，粒子距最优位置就越远。

平均粒距表示各粒子相互之间的分布分散程度，用dis表示，则

其中，N为粒子群种群规模，L为搜索空间对角最大长度，D为粒子维数，x_ij表示第i粒子第j维值，

为所有粒子第j维均值。dis越小，表示种群越集中；反之，则种群越分散。

为粒子群适应度方差σ²和平均粒距分别设置一个早熟阈值H和α(H，α为预先给定常数)，在粒子群搜索过程中，当σ²＜H或dis＜α时，且此时未达到最优适应度阈值f_d(f_d为预先给定常数)，即f_gBest＞f_d(f_gBest是全局最优粒子的适应度值)时，则判定算法陷入了早熟收敛。

(2)混沌搜索机制

当粒子群出现“早熟”现象时，则表示粒子群的多样性较差，因此，需要采取措施改善群体的多样性，即进行早熟处理。为此，在PSO算法中引入混沌操作，对当前群体最优位置进行混沌搜索，使其跳出局部最优。混沌搜索的步骤如下：

步骤1：将较优的粒子X按照式(1.5.5)映射到[-1,1]；

其中x_jmax，x_jmin为搜索空间第j维的上、下限，p_gBestj为X的第j维数据，cx_0j为CX₀第j维映射数据。

步骤2：根据式(1.2.1)进行迭代产生R个混沌变量序列CX_i,i∈[1,R]；

步骤3:把这些产生的混沌变量序列按照式(1.2.2)逆映射返回到优化变量的取值区间[x_jmin,x_jmax]，获得R个粒子X_i,i∈[1,R]；

步骤4：利用式(1.5.6)更新搜索决策变量

λ_t由式(1.5.7)确定；

其中λ_t是扰动强度，t为当前迭代次数，iter_max为最大迭代次数，此处η＝2。

步骤5：计算每个粒子

的适应度值，保留适应度值最好的粒子

步骤6：X^*适应度值与X适应度值进行比较，如果前者比后者更优，则以混沌搜索到的最好混沌序列X^*取代粒子X；否则，继续使用原X进行计算。

步骤二：基于IFCS/Otsu的IOFR火焰识别算法

1.生成IFCS颜色空间图像

从RGB颜色空间到IFCS颜色空间的转换过程，如式(2.1.1)所示。

Y＝X·U (2.1.1)

其中，U是IFCS转换矩阵，X为待识别RGB颜色空间图像，Y为IFCS颜色空间图像。

2.Otsu阈值方法

将像素信息用灰度值表示，灰度值统计信息用直方图表示。直方图用Q_i(i＝1,2,...,T)来表示。Q_i可看成是对背景和火焰的混合概率密度函数估计。对阈值t(1＜t＜T),记

得到类间差如公式(2.2.1)所示。

最大化类间差得到基于直方图的集中于目标的阈值判别式，见公式(2.2.2)。

应用上述阈值公式，对IFCS颜色空间图像Y进行阈值分割，实现目标提取。

实施例2

将本算法与线性递减惯性权重标准PSO算法(标准PSO算法)，自适应惯性权重优化粒子群算法(自适应PSO)，线性递减惯性权重混沌粒子群算法(CPSO)进行对比仿真。设置粒子群的规模为40，惯性权重由初始的0.9减为0.4，混沌搜索的迭代次数为20，适应度阈值为10，平均粒距阈值为5，算法最大迭代次数为1000。针对标准PSO算法、自适应PSO和CPSO算法，固定学习因子c₁，c₂均为2.0。针对Sphere函数、Ackley函数、Rastrigrim函数三个标准测试函数性能如图3～图5所示，从图可以看出，本算法的收敛速度及寻优能力都略优于其他算法。

本算法中惯性权重采用自适应调整方式，目前惯性权重调整多采用线性和非线性的惯性权重调整方式。图6～图8为线性递减惯性权重、非线性惯性权重以及本算法的自适应惯性权重调整在三个标准测试函数下的迭代优化曲线。从图可以看出本算法的自适应惯性权重调整方式要比线性惯性权重收敛速度快，比非线性惯性权重寻优能力强。

使用图9中火焰像素和非火焰像素特征子图的特征值作为算法的输入值，执行基于FCS火焰检测算法和本申请算法，得到转换矩阵U的值分别为U₁和U₂，如式(1)和式(2)。该转换矩阵用于将RGB颜色空间的图像转换到相应颜色空间,U₁对应FCS颜色空间,U₂对应IFCS颜色空间。在使用U进行转换前，对图像进行伽马变换增强火焰的亮度，提高对比度。转换完成后，使用Otsu方法对图像进行二值化处理，从而得到火焰检测图像。

图10中第一列为原图，第二列为使用基于FCS火焰检测算法得到的火焰检测结果，第三列为使用本算法得到的火焰检测结果。可以看出本算法能够很好的区分火焰和非火焰像素。

表1给出了本算法和对比算法针对图10原图的定量对比结果，结果表明，本算法的火焰识别正判率TP和准确率DA略高于对比算法，但在第6行本算法的火焰识别正判率TP略低于对比算法，而其准确率DA要高于对比算法。

表2给出了本算法和对比算法针对100张不同森林背景火焰图像进行火焰识别的平均结果，可以看出本算法在准确率DA，正判率TP方面比对比算法率高。

表1针对图10原图的本算法和FCS算法的定量对比

表2针对100张图片的本算法和FCS算法的定量对比

相较于现有技术，本申请基于IFCS/Otsu的火焰识别算法，将混沌理论和k-medoids粒子群算法有效结合，提出IFCS火焰识别颜色空间模型；进一步，在IFCS火焰颜色空间中通过经典Otsu阈值方法得到二值图像，建立IOFR火焰识别算法，突出火焰/非火焰像素颜色属性差异特性，保证计算的简单快捷；同时降低当前基于FCS颜色空间火焰识别算法的火焰错判率。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请披露的技术范围内，根据本申请的技术方案及其发明构思加以等同替换或改变，都应涵盖在本申请的保护范围之内。

Claims (1)

1.一种基于IFCS/Otsu的IOFR火焰识别方法，其特征在于，具体步骤如下：

步骤一：建立IFCS颜色空间，具体操作如下：

A1.提取火焰识别的特征像素并构造特征矩阵；

A2.对粒子的初始化进行改进；

A3.改进粒子群算法的参数；

A4.改进粒子群算法的更新方式；

A5.建立粒子群算法的局部优化处理机制；

步骤二：建立基于IFCS/Otsu的IOFR火焰识别算法，具体操作如下：

B1.生成IFCS颜色空间图像；

B2.采用Otsu阈值方法进行目标提取；

提取火焰识别的特征像素并构造特征矩阵，具体是：

先从多个森林火灾的图像中选择一张样本图像，从样本图像的火焰区域和非火焰区域的不同部分选择子图像，这些子图像组成火焰样本图像和非火焰样本图像；通过行或列扫提取各个像素的颜色值分量R/G/B形成特征矩阵T，特征矩阵T由火焰像素和非火焰像素组成，每一行代表一个像素，每列属于这些像素的一个颜色维度；

对粒子的初始化进行改进，具体是：

采用立方映射产生的混沌序列对PSO算法位置初始化进行改进，立方映射的表达式为：

对于D维空间中的N个粒子，首先随机产生一个D维向量Z₁＝(z₁₁,z₁₂,...,z_1D)，向量的每个分量数值在0～1之间，然后根据上式对向量Z₁的每一维进行循环迭代，得到M个向量Z₁,Z₂,Z₃,...,Z_i,...,Z_M，其中M＞N；将Z_i的各个分量映射到解的搜索空间内，映射公式为：

其中x_jmax，x_jmin为搜索空间第j维的上、下限，z_ij是用式(1.2.1)产生的第i个混沌向量的第j维变量，x_ij为第i个粒子的第j维的坐标；

改进粒子群算法的参数，具体操作是：

引入动态非线性调整策略来平衡c₁和c₂的关系，c₁和c₂通过动态变化，控制粒子的飞行轨迹，c₁和c₂更新公式如下：

其中，k为当前迭代次数，iter_max为最大迭代次数，c_1init，c_1finish分别为c₁的初始值和最终值；c_2init，c_2finish分别为c₂的初始值和最终值；

基于粒子适应度的自适应调节惯性权重w的更新公式为：

其中，

其中，N为粒子群规模，G为适应度值优于平均适应度值的粒子个数，P_i是粒子i的最优位置，f_gBest为全局最优粒子的适应度值，f_avg为全部粒子的平均适应度值，f′_avg为优于f_avg的适应度平均值；

改进粒子群算法的更新方式，具体是：

采用异步模式下更新全局最优值的公式为：

式中，P′_gBest为更新后的全局最优粒子位置，P_gBest为更新前的全局最优粒子位置；

建立粒子群算法的局部优化处理机制，具体是：

(1)早熟判断机制：选取粒子群适应度方差和平均粒距相结合作为早熟收敛判断的条件；

粒子群适应度方差反映了粒子群中所有粒子的离散程度，用σ²表示，其计算公式为：

其中，f_i表示粒子i的适应度值，f_avg表示所有粒子的平均适应度值；F为归一化定标因子，其作用是限制σ²的取值大小，F的取值采用如下公式计算：

σ²越小，则粒子群就越趋于收敛；反之，则粒子群处于分散状态，粒子距最优位置就越远；

平均粒距表示各粒子相互之间的分布分散程度，用dis表示，则

其中，N为粒子群种群规模，L为搜索空间对角最大长度，D为粒子维数，x_ij表示第i粒子第j维值，

为所有粒子第j维均值；

为粒子群适应度方差σ²和平均粒距分别设置一个早熟阈值H和α，在粒子群搜索过程中，当σ²＜H或dis＜α时，且此时未达到最优适应度阈值f_d，即f_gBest＞f_d时，则判定算法陷入了早熟收敛；

(2)混沌搜索机制，具体操作如下：

步骤1：将较优的粒子X按照式(1.5.5)映射到[-1,1]；

其中x_jmax，x_jmin为搜索空间第j维的上、下限，x_j为X的第j维数据，cx_0j为CX₀第j维映射数据；

步骤2：根据式(1.2.1)进行迭代产生R个混沌变量序列CX_i,i∈[1,R]；

步骤3:把这些产生的混沌变量序列按照式(1.2.2)逆映射返回到优化变量的取值区间[x_jmin,x_jmax]，获得R个粒子X_i,i∈[1,R]；

步骤4：利用式(1.5.6)更新搜索决策变量

λ_t由式(1.5.7)确定；

其中λ_t是扰动强度，t为当前迭代次数，iter_max为最大迭代次数；

步骤5：计算每个粒子

的适应度值，保留适应度值最好的粒子

步骤6：X^*适应度值与X适应度值进行比较，如果前者比后者更优，则以混沌搜索到的最好混沌序列X^*取代粒子X；否则，继续使用原X进行计算；

生成IFCS颜色空间图像，具体操作是：

从RGB颜色空间到IFCS颜色空间的转换过程，如式(2.1.1)所示；

Y＝X·U (2.1.1)

其中，U是IFCS转换矩阵，X为待识别RGB颜色空间图像，Y为IFCS颜色空间图像；

采用Otsu阈值方法进行目标提取，具体是：将像素信息用灰度值表示，灰度值统计信息用直方图表示；最大化类间差得到基于直方图的集中于目标的阈值判别式，对IFCS颜色空间图像Y进行阈值分割，实现目标提取。

Images