矿山应急救援红外图像SVM分割算法

杨 伟，陈益能，童 鑫

(1.四川川煤华荣能源有限责任公司宜宾救护消防大队，四川 宜宾 644500；2.西安科技大学 安全学院，陕西 西安 710054)

0 引言

近年来，我国矿山事故呈减少趋势，但百万吨死亡率远高于欧美产煤国，每年仍有多起事故发生。在一些事故救援时，受巷道垮塌、地质等客观条件的限制，为保障成功救援以及救援人员的生命安全，只能采取地面打钻救援，即垂直救援的方式开展。然而，垂直救援的关键在于钻孔施工和人员搜寻与定位。尤其是被困人员的搜寻与定位，是目前矿山垂直救援的一个难点和关键点。如2015年12月山东平邑石膏矿难救援时，国家矿山救援西安研究中心文虎教授携带其团队自主研制的钻孔救援生命信息探测仪，有效解决了钻孔故障探查、被困人员搜寻及巷道环境信息等难题，成功救出多名被困矿工。因此，高效、精确的钻孔生命信息探测技术在矿山钻孔救援领域占据十分重要的位置。

目前，钻孔生命信息探测可视化装置基于可见光成像，受光照强度影响其有效探测距离仅为15 m，依靠温度成像的红外热成像生命信息探测技术可弥补这一缺陷。体温是人体机能内在活动的客观反映，是事故后探测被困人员位置及生存状态的有效手段之一。由于红外热成像仪具有热灵敏度高(0.1 ℃)、“穿透”能力强(可穿透水雾、黑夜、烟气及一定量煤尘)及远距离非接触成像等优点，国内外众多学者将该技术应用于生命信息探测，取得了良好的成果[1-3]。西安科技大学安全科学与工程学院应急救援团队研发了应用于矿山钻孔救援的红外热成像生命信息探测系统，该系统可对井下巷道清晰成像，实时侦察井下灾区情况及被困人员情况。

然而，为实现该系统对人体目标的自动识别与示警，需先对系统探测的红外图像进行准确分割。目前，国内外学者研发了上百种图像分割方法，如边缘检测法(Sobel、Perwitt及Roberts梯度算子；LoG算子；Canny算子)[4-5]、Hough变换法、Otsu阈值分割法[6-7]、K-mean聚类法[8]等分割方法，还研究了基于形态学[9]、模糊数学[10]、遗传算法[11-12]及神经网络[13]等多种新的红外图像分割算法。

受红外热成像仪成像原理限制，红外图像与其它图像相比存在目标与环境对比度低、目标边缘模糊及干扰噪声大等特点，因此在复杂的灾后巷道环境中精确的分割红外目标是一个巨大的挑战。针对目标边缘模糊的特性，前人研究了模糊聚类法[14]与模糊连接度法[15]等算法，该类算法有效降低了信噪比，且对目标模糊边缘具有较好的划分效果，但计算时间过长，不适宜数据集较大的图像库；BO等[16]提出了信息熵算法，有效解决了红外图像目标边缘模糊问题，但存在局部分割最优问题；CHITTAJALLU等[17]提出了模糊图割概念，因未考虑灰度接近程度，目标边缘定位不准；刘松涛等[18]利用高斯理论建立目标与环境的灰度概率分布模型，估计图像分割能量函数的似然能，但由于该算法收敛于似然估计，仅取得局部最优，图像整体分割精度不高；LI等[19]将熵算法引入，实现了图像的自动分割，增强了抗噪声干扰能力，提高了图像分割精度，由于该算法的能量函数以似然能参数为基础，因此仍然存在分割效果差的问题。

支持向量机(Support Vector Machine，SVM)具有强大的自学能力，遵循结构风险最小化原则，解决了人工神经网络过度训练和过度拟合的问题，因而具有优异的泛化性能[20]。目前已有学者将SVM算法成功应用于医学图像、航空图像及遥感图像分割等领域[21]，但目前SVM在矿山应急救援红外图像分割方面的应用鲜有报道。为实现事故后巷道复杂环境下红外图像的有效分割，提出了基于SVM的矿山钻孔救援红外图像分割新算法。

1 SVM算法

SVM算法的基本思想是：利用核函数将样本映射到某一高维空间，以升维的方式使得原本在低维空间线性不可分的问题在高维空间线性可分。

1.1 间隔函数

给定一训练样本集(xi,yi),x∈RN,y∈[-1,1],i=1,2,…,n；存在最优超平面ψ将目标与环境准确的分割为2类

ψ∶ωT·xi+b=0

(1)

设定xi到平面ψ的间隔函数为

γi=yi(ωTxi+b)

(2)

式中，yi为类标签，值为-1时表示负样本，值为1时表示正样本。

由于样本xi到平面ψ的距离为|ωTxi+b|/‖ω‖，将其代入(2)式，得

(3)

1.2 SVM分类器

根据式(3)，求出γi的最值，即给出了最优超平面ψ，则问题转化为求解γi最值问题，其形式化表达为

(4)

将全局的函数间隔进行归一处理，则(4)变为

(5)

对式(5)中的约束条件乘以Lagrange乘数αi，代入式(5)中目标函数，则问题转化为无约束优化问题，即L关于ω、b及αi的最小化问题。

L(ω,b,α)

(6)

至此，式子与ω和b无关，仅为αi的函数，则优化问题变为

(7)

式中，β为惩罚因子。

α解出后，ω和b可根据对偶问题的解α来确定，见式(8)

(8)

解出α、ω及b对应的最优解α*、ω*及b*后，即可得到最优分类函数，见式(9)

(9)

式中，xi为测试样本。

2 材料与方法

2.1 试验装置

试验采用XKQY-Ⅰ型矿山钻孔救援红外生命信息探测仪,如图1所示。像素为320×240 dpi。

图1 红外生命信息探测仪Fig.1 Infrared life information detector

生命信息钻孔探测系统主要由钻孔生命探测器(含一路红外热成像摄像、一路可见光成像、两路音频、一路环境参数)、高强度传输线缆、地面双路无线信号传输控制轮盘、系统专用笔记本电脑4部分组成。本安型红外热成像仪自动采集井下事故现场红外图像，将采集的图像、环境气体参数及音频信号一起发送至COFDM无线传输模块。视音频合成压缩模块首先将模拟的视频、音频信号转换成数字信号，再采用H.264压缩编码，QPSK调制、卷积编码等处理后传输至COFDM发送模块与无线射频将数据发出。地面接收端基站集成了COFDM收据接收模块与射频接收模块，接收模块通过USB接口连接计算机。另一个冗余设计是系统采用XDSL网络协议，并进行本安处理，将发送与接收模块间最大传输距离增至4 km。采集模块采集的多媒体信息经过调制，再传输至XDSL模块，通过矿用双绞线传输至地面。地面接收端基站中的XDSL模块将电话信号再调制成网络信号，XDSL线路接入模块解码提供一个RJ45用户端接口，最后通过计算机将视频和音频信息展示给救援人员。

2.2 试验条件

设备与人的布局信息，如图2所示。计算机配置为Intel(R)Core(TM)i7-2600CPU@3.40 GHz，8G内存，Win7(32位)系统，MATLAB2014a模拟软件。图像分割的本质是对图像的像素点进行分类，即将表征目标的像素点与环境像素点进行区分。每个像素点均有对应的数据，通过MATLAB2014a利用SVM算法对图像数据分析，即可实现红外图像的分割。试验所需样本在国家矿山应急救援芙蓉队模拟试验巷道内拍摄，模拟试验巷道如图3所示。计算时选取7×7的滑动窗口，RBF核函数，用交叉验证法选择最佳惩罚因子β及核参数G。

图2 拍摄场景示意Fig.2 Shooting scene

图3 矿井安全生产模拟试验巷道实物Fig.3 Mine safety production simulation test roadway

2.3 图像增强

为优化分割效果，首先对图像进行高低帽变化[7]，加强灰度对比度。将图像形态操作的圆盘结构半径设为15个像素，增强的图像如图4所示。

3 试验结果分析与评价

3.1 仿真结果分析

选择直立、半蹲和双人3幅红外图进行仿真试验(图4(d))。将边缘检测算子、K聚类分析法(K-mean)、P参数法(P-tile)、分水岭算法(Watershed)、Ostu算法及量子遗传算法(QGA)用于红外图像分割，并与SVM分割算法比较，仿真结果如图5、6所示。

图4 红外增强效果Fig.4 Infrared enhancement effect

图5 边缘检测算子分割效果Fig.5 Segmentation effect of edge detection operator

由图4可以看出，Canny算子和Log算子不割掉重要信息，但受噪声影响严重，且Log算子的平滑效果不如Canny算子。由于Sobel算子和Prewitt算子均对像素的4个邻点灰度进行检测，分割效果相似，相比Sobel算子抗噪能力强，但计算量大且边缘较粗；由于Roberts算子是检测对角线2个相邻像素间的梯度幅度差异，所以边缘最清晰。

与图5相比，图6中目标边缘连续性好且清晰，受噪声干扰小，分割效果明显优于边缘检测算子。如图6(a)所示K-mean算法对红外图像的分割效果较差，因为该算法在中间灰度中心寻优结果偏高。P-tile算法要求目标在图像中所占比例固定在某一值附近，才可有效分割目标与环境，实际应用中随环境和探测距离的变化目标在图像中的比例呈浮动状态，因此图6(b)存在过分割。由于Watershed算法对图像的灰度变化灵敏度很高，因此易受环境噪声干扰，如图6(c)的双人图。红外图像的直方图多以多峰值状况存在，因此寻找双峰分割目标与环境的Ostu算法不适用于红外图像，如图6(d)分割效果较差；由图6(e)，QGA算法分割效果较前几种算法有所提高，对目标的边缘识别较模糊，对噪声的处理不强；SVM算法完整的分割出了目标，抗干扰能力强，无噪声点，目标边缘清晰，分割效果最佳。

图6 不同红外图像分割算法分割效果Fig.6 Segmentation effect of different infrared image segmentation algorithms

为了比较各算法的抗噪性能，对直立姿势的图添加椒盐噪声，再进行分割处理，结果如图7所示。

从图7可以看出，在严重的椒盐噪声干扰下，SVM算法仍可非常完整的分割出人体目标，而QGA算法的分割效果明显下降。

图7 抗噪性能对比Fig.7 Comparison of anti noise performance

3.2 效果评价

为客观评价分割性能，选取多种算法对直立图像的分割为例，对比各算法的分割时间和分类错误率[22](Misclassfication Error，ME)。

3.2.1 时间对比

各算法的计算时间见表1，可见SVM算法运算时间仅为0.190 s，在各算法中用时最短，是QGA算法运行时间的24.33%。

表1 各算法计算时间Table 1 Calculation time of each algorithm

3.2.2 ME对比

根据文献[22]，ME越小图像分割效果越好，计算式为

(9)

式中，B0为图像理想分割时背景像素总和；Bγ为算法仿真结果中背景像素总和；F0为理想分割时目标像素总和；Fγ为算法仿真结果中目标总像素和。利用式(9)计算各算法对直立人体图像分割效果的ME值，如图8所示。由表1和图8可以看出，SVM算法的运行时间和错分率均较低，SVM算法运行时间仅为QGA算法的24%。因为SVM算法使用训练好的分类器，省去了阈值、隶属度函数及中间灰度中心等参数的确定环节。

图8 错分率对比Fig.8 Comparison of misclassification rate

4 结论

(1)SVM算法运算时间仅为0.190 s，是QGA算法运行时间的24.33%；ME值为0.06，是QGA算法的55.05%；SVM算法的抗噪能力强。

(2)通过对比多种红外图像分割算法，SVM分割算法对红外图像分割效果最佳。

(3)将SVM红外图像分割算法可以应用于矿山钻孔救援生命信息探测系统，可为灾害事故发展趋势的实时监测提供有力的科学支持，为垂直救援工作中被困人员的搜寻与定位提供及时准确的数据支持。