二分粒度聚类和KELM 的全景图像火焰识别研究

段锁林，任云婷，潘礼正，王一凡

（1.常州大学机器人研究所，江苏 常州 213164；2.常州纺织服装职业技术学院机电工程学院，江苏 常州 213164）

1 引言

针对现有灭火机器人视觉系统中的云台摄像机不能在同一时刻得到360°范围的图像，只能应用于低实时性场合这一问题，改用大视野且实时性好的全景摄像机。针对全景图像的目标提取的一般方法是先将全景图像展开并校正，然后对图像中的目标物进行提取。如文献[1]用梯度算子从展开矫正后的全景图像中提取目标，但矫正后的图像存在信息缺失且实时性差。直接对未展开的全景图像进行火焰提取，减少信息处理时间，利用全景图像的内部结构关联进行聚类获得KELM 训练样本，从而更有效地提取出结果。

针对火焰识别，实则就是图像分割。火焰最显著的静态特征是颜色，文献[2-3]中的火焰识别算法在颜色模型基础上对其进行聚类分析从而进行火焰识别。在对含有大量数据信息的图像进行聚类分析，虽有一定识别率，但耗时太长，实时性差。文献[4-5]采用聚类预先筛选样本，再用优化的支持向量机来分割图像提取目标，与单用聚类分析分割图像相比，分割精度有一定的提升，但效果不是很理想，因此研究寻找相应且合适的算法对全景图像的分割具有很大的意义。极限学习机具有学习速度快、泛化性能好和良好的全局寻优能力[6]，但将核极限学习机（Kernel Extreme Learning Machine，KELM）应用到全景图像分割这一方向的文献很少。

根据以上问题，提出一种经改进聚类算法优化后的核极限学习机分类方法，对具有复杂背景的全景图像中的火焰进行分割提取。……