【《基于浅层机器学习的火灾检测方法分析概述》13000字】_第1页
【《基于浅层机器学习的火灾检测方法分析概述》13000字】_第2页
【《基于浅层机器学习的火灾检测方法分析概述》13000字】_第3页
【《基于浅层机器学习的火灾检测方法分析概述》13000字】_第4页
【《基于浅层机器学习的火灾检测方法分析概述》13000字】_第5页
已阅读5页,还剩17页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于浅层机器学习的火灾检测方法分析概述目录TOC\o"1-3"\h\u27157基于浅层机器学习的火灾检测方法分析概述 1304891.1火焰的常用图像特征 2143551.1.1颜色特征 2117201.1.2圆形度特征 242731.1.3矩形度特征 346221.1.4粗糙度特征 3279321.2数字图像处理技术 4261591.1.1颜色模型 495171.1.1.1RGB颜色模型 4201571.1.1.2HSI颜色模型 5120021.1.1.3YCbCr颜色模型 517021.1.2图像增强和形态学处理 5109271.1.1.1灰度图像 5165851.1.1.2二值图像 6110821.1.1.3图像滤波 628301.1.1.4图像形态学处理 6237721.1.3图像目标分割 6264501.1.3.1阈值分割 737771.1.3.2边缘检测分割 7124591.1.3.3运动区域分割 7318051.3火焰数据集的建立 8224741.3.1数据的采集 8214481.3.2数据集的整理 960311.3.1.1筛选 9148231.3.1.2裁剪 1028201.3.1.3归一化 10111831.3.1.4数据集划分 1162301.4检测性能评价方法 1116271.5基于改进SVM的图像火灾检测方法 151421.5.1疑似区域分割 15257601.5.1.1基于颜色阈值的分割 1587241.5.1.2基于帧间差分法的分割 16183471.5.1.3基于边缘检测的分割 18113291.5.2图像形态学处理 19288961.5.3火焰特征提取 20134521.5.3.1颜色特征提取 20150701.5.3.2粗糙度特征提取 22251101.5.3.3圆形度特征提取 22295221.5.3.4矩形度特征提取 22191071.5.4基于改进的果蝇优化算法的SVM火焰图像分类方法 2211741.5.5实验结果与分析 23基于图像处理的火焰检测方法,是从火焰的图像特征提取为入口,通过对光谱、纹理等信息量设定判定指标规则,使用模式识别的方法决策是否包含火焰,对于视频还可以提取火焰的结构变化、闪烁等动态特征进行综合判断[42],能有效提升火焰识别的准确率。本章先对使用到的图像处理方法和技术进行介绍,设计了火灾判定指标规则,以是否出现火焰为依据检测火灾的发生,优化了检测器的最佳参数搜索过程,并在测试集上进行了实验和分析。1.1火焰的常用图像特征受燃烧物、空气流动等因素影响,火焰的各种形态特的出现、演化的随机性非常大,设计数学模型完成精确、全面的表达[43]较为困难,但与常见的灯具、太阳等干扰物相比,干扰物具有相对固定的形状和规则的轮廓特征,而火焰亮度高、轮廓粗糙、有尖角等特征,能明显的与干扰物分离开,通过度量疑似区域的颜色、外形粗糙程度、圆形度、有无尖角[44,45]等特征,能够区分出火焰和干扰物,同时可以通过判断轮廓外形的矩形度特征,排除一些狭长的干扰物,从而降低误报率。1.1.1颜色特征对于一般场景下的火灾,图像中的火焰呈现出亮度高、色彩分量分布规范,包含有丰富的特征信息,直接进行灰度化处理会导致大量信息损失。当前研究得出的普适性较强,使用最多的基于阈值的火焰识别规则为:火焰在RGB颜色空间的阈值满足条件如式(2-1)所示。R>=G>BandR>Rt(2-1)其中R、G、B分别为颜色的红、绿、蓝数值,Rx为阈值下限。在HSI颜色空间,进一步设定火焰区域分割的约束条件,其判断条件如式(2-2)所示。S>=((255.0-R)*St/Rt)(2-2)S代表HSV颜色模型中该像素点S通道的值,像素点符合式(2-1)和(2-2)的要求,则可确定其类别。1.1.2圆形度特征通过计算物体的轮廓与圆形的接近程度即圆形度,可以排除许多常见的干扰源,如式(2-3)所示。C=(2-3)其中S表示图像中待识别物体的面积,L为其周长,圆形度C的数值越小表面物体外形和圆的相似程度越低。经统计得出,火焰形状的圆形度主要集中在0.2至0.7之间,而干扰物的圆形度则相对分散,当燃烧不剧烈和火焰在图像中所占面积较小时火焰的轮廓圆也容易变得接近圆形,使用圆形度特征规则将不能判定是火焰还是干扰物。1.1.3矩形度特征通常还可以通过度量目标轮廓和矩形相似程度的方法来排除矩形灯、反光的窗户等干扰物,还可以将火焰区域和狭长的干扰物区分开来,矩形度的计算如式(2-4)所示。R=(2-4)S表示图像中待识别目标的面积,SC表示待测物体轮廓区域外包面积。物体形状与矩形的拟合程度越高S/R则值越大。火焰整体轮廓的矩形度主要位于0.5至0.7之间,干扰物体的矩形度值则不分布在此期间。如果单独采用矩形度作为判断火焰的依据效果也不理想,因为现实中火焰图像中也会存在大量矩形度与火焰接近的干扰物,此判据不能有效的将它们区分开来。1.1.4粗糙度特征火焰的边界连通区域通常会呈现出较为粗糙的特点,通过计算待检测物体外形的粗糙程度也是一种判别方法,如式(2-5)所示。B=(2-5)其中LF是火焰的外形,LC是其外形的凸包围的周长,B是物体外形的粗糙程度,火焰在绝大多数情况下轮廓都是呈现出内陷的特征,使得火焰的周长大于凸包围的周长,所以通过计算粗糙度高于设定的合适阈值时可判断是火焰区域。1.2数字图像处理技术在对图像火焰检测过程中,在图像预处理、疑似火焰区域的分割等环节必然会使用到数字图像处理的一些基本技术,对此类技术进行介绍和分析可以为后续的火焰检测的算法和模型的介绍提供一定基础。1.1.1颜色模型人类眼睛所观察到的颜色基本是由物体发出的光或其对光的反射来决定的,彩色光的电磁波长处于400-700nm之间。对于彩色图像的颜色进行描述和说明的数学模型被称为颜色模型或颜色空间等,一般使用3个参数建立坐标系统和子空间来描述图像的色彩信息,常用的有RGB、HSI、YCbCr等颜色模型[46],火焰的独特颜色特征是其判定的重要依据,已被广泛的研究和利用。1.1.1.1RGB颜色模型RGB颜色模型(如图1.1所示)是通过使用红(R)、绿(G)、蓝(B)三种基色不同分量的变化和叠加混合成颜色模型中的其他颜色,能够表示出人眼所能识别的颜色空间中的大部分颜色,其通常用在显示器上,是使用最为广泛颜色模型。RGB颜色模型通常使用三个颜色分量建立三维空间坐标系构建出一个立方体进行描述,该模型可以表述的颜色都位于该立方体内。改变分量的坐标值即可获得其描述的颜色值。经统计与观察,通常火焰像素点的颜色,在RGB模型中会呈现出红色和绿色分量很大并且绿色分量会大于蓝色分量的空间分布规律,常作以此作为火焰像素点的识别规则进而提取火焰区域。图1.1RGB和HIS颜色模型1.1.1.2HSI颜色模型HSI颜色模型如图1.1所示,是使用色调、饱和及亮度(I)三个分量描述颜色的模型,该模型使用双六棱锥进行表示。主要是从人类的视觉感知颜色特征的角度对颜色进行刻画。HIS模型与人类感知颜色的方式密切相连且亮度分量与色彩信息无关可以滤除掉,非常适合用于进行颜色信息分析,RGB和HIS颜色模型可以方便的通过算式直接进行转换。在以颜色为判据的火焰像素点识别中,HIS对于火焰颜色的信息从另外一个层面进行了准确的描述,为提升检测性能,通常还会结合HIS规则一起进行检测判断。1.1.1.3YCbCr颜色模型YCbCr颜色模型是使用明亮度(Y)、蓝色色度(Cb)和红色色度(Cr)三个分量参数描述颜色特征信息的模型,其亮度通过RGB模型参数叠加转换得出,色度描述颜色的深浅。相对于其它分量,眼睛对于亮度的感受最为直接,而减小色度分量的值,不会在视觉上出现明显的感知,以此可实现色彩信息压缩的目的,该模型在计算机领域应用非常广泛。在对火焰像素颜色判别中,以YCbCr颜色模型判构建的别规则由于亮度通道与另外两个通道独立,可以很好的分析火焰的颜色特征信息。1.1.2图像增强和形态学处理在图像预处理中一般会使用图像增强技术[47]突出图像中有意义的部分和减弱或去除不感兴趣的部分或者是将图像信息转化为便于识别形式,同时因为采集到的图像中经常会带有一定的噪声,图像增强技术可以同在在空域或频域上的处理去除一定的噪声影响进而提高图像的质量,比如提高图像的清晰度使得某些局部的边界等细节信息更为突出,再结合膨胀、腐蚀等形态学处理,分割出更为完整的形状、纹理等图像信息,可实现满足识别的要求和提高识别的准确性。1.1.1.1灰度图像灰度图像是去除图像中的色彩信息,通过黑色和白色间的灰度值描述像素的属性信息,包含256个亮度等级。因为彩色图像包含复杂的颜色信息,导致处理较为复杂和时间开销较大,将图像灰度化后再进行处理,具有简化处理过程、直观的呈现轮廓特性和降低计算复杂度等优点。灰度像素由白到黑亮度逐渐的变化,转换为灰度图像有多种转换方法,常用平均法进行转换,使用最广泛的加权平均法式(2-6)如所示,I(x,y)就是转换后的像素点的灰度值。I(x,y)=0.299×(2-6)1.1.1.2二值图像二值图像中的像素点非黑即白,仅使用两个数值带来描述图像像素点的灰度信息,在视觉上仅呈现出黑色或白色两种感官效果。二值图像占用空间非常小,方面进行简单快速的处理,并且便于呈现出轮廓等边缘特征信息,是图像处理中广泛使用的图像处理方法。火焰像素区域亮度通常较高,在二值图像中对应为白色区域,其余部分对应为黑色,其二值化的阈值选取较为关键,通常需要具备一定的研究经验结合多轮交叉验证,才能得出合适的阈值。1.1.1.3图像滤波由于图像在获取、传输等过程中,受环境、设备等的影响不可避免的会引入一定的噪声,降低了图像的质量和增加了识别的难度,滤波就是利用像素在空域上的连续性特点即相邻点间的关联性实现降低图像中的噪声信息对图像质量影响的目的。在空域滤波中有根据是否使用线性运算进行滤波,分为了线性和非线性滤波器两种,当前已有的多种滤波方式适用的场景和取得的效果各有差异,通用性和效果最好的方式是自适应滤波。1.1.1.4图像形态学处理形态学处理不仅可以是解决图像形态表示,也能使得提取的特征更为显著,使用普遍。其重点是使用图像处理方法,抓住有价值的图像部分的本质形状特征分析,简化数据信息和消除不利于分析的部分,使图像平滑而便于开展相应的研究。图像形态学处理的对象为二值图像,通过对目标区域收缩、膨胀等变形操作,使目标边缘扩张或收缩,将目标区域周围的一些应该属于目标的部分并入到需要分割的目标区域中,腐蚀与膨胀是主要的方法,常用来增强目标图像形状连贯性和填充细节部分,是对目标边界区域进行收缩以消除小颗粒噪声和图像细小部分的重叠结构,但会导致目标形状一定程度的改变,两者组合应用,可以实现不同形态增强效果。1.1.3图像目标分割图像分割的目的是将待处理的目标区域对应的部分完整的与除去目标的背景区域部分相分离开[48],实现目标区域部分的提取和干扰的去除,便于后续的特征提取和识别,是进行图像识别和理解的基础。目标分割的质量与识别效果直接相关,分割的效果差将导致不能提取到有效的特征判据,降低识别准确率。图像中火焰区域的分割方法常用的有三类[49]。1.1.3.1阈值分割阈值分割是对图像灰度化后,物体各个区域内对应的像素有较为一致的颜色属性,通过设定阈值是像素划分到不同的子集合中,子集合就可以描绘出对应的区域信息,通常阈值特征源于原始图像的色彩信息或其转变得到。如果图像目标和背景像素的灰度值或颜色有明显的不同,则选择一个合适的阈值就能轻易的将目标区域分离出来。对于像素点f(x,y),设定全局阈值区间[t1,t2],其灰度值位于阈值区间[t1,t2]则为一个类别,其余像素点为另一个类别,可实现将图像分割为两个类别,可通过式(2-7)计算得出。g(2-7)大多数火焰与背景差颜色异明显,阈值分割法非常适合用来分割此类图像,常用阈值分割法提取火焰目标区域。1.1.3.2边缘检测分割边缘检测是通过查找灰度图像中亮度剧烈变化的像素的集合,其通常是图像中的边缘,通过连通边缘像素刻画边界,进而绘制出图像的轮廓。对于需提取的目标和其它部分有较为显著的边界划分特征的图像,可以使用基于边缘检测的分割方法。图像边缘具有平行方向像素变化很小而垂直方向却变化很显著的特点,所以常会使用求图像灰度值微分值的方法来探测边缘像素,基于梯度计算,已研究出了众多的检测方法。燃烧过程中的火焰,边缘与背景间的界限通常较为模糊,由于火焰的光晕、反光等现象,火焰边缘通常会出现分层的现象,使用边缘检测的方法分割出来的火焰轮廓的质量很差,不能有效的表征火焰的形状特征,导致很难用于识别。1.1.3.3运动区域分割对于静止而目标运动的图像序列(即视频),使用基于运动检测的分割方法通过标注和聚类运动相关像素可以提取前景的运动物体特征信息,燃烧过程中火焰具有闪烁、面积和位置持续变化等明显的运动特征,可以通过对运动目标的分割方法,提取出图像序列中火焰目标区域,背景减法、帧差法等均可适用。背景差分法必须以背景图像作为对比的基础,背景获取方便的情况下目标提取效果显著,但实际应用场景中,背景获取困难导致其使用受限,通用性不强,研究中使用的较少。两帧间差分法是以视频序列中的某一帧为背景,再用其前一帧与其的进行减除的提取物体运动区域的方法。但如果物体运动速度不足够快,物体在两帧图像中的像素差值很小,查分得出的目录区域重叠,导致分割结果与实际差距很大。为了进一步提升分割的准确性,提出了三帧差分法对其进行改进。通过提取连续三帧图像,依次将前后帧图形进行两次差分得出两张新图像,在对两张图形的全部像素间进行逻辑与后得出运动的目标。由于逻辑与计算合并了两张图像中获取到的目标区域,通常比两帧差分法得出的结果更加准确和完整。帧间差分法因为算法实现容易且耗时少,使用得非常广泛,但目标运动的速度关联性很大,过快或过于缓慢时则会导致效果下降。1.3火焰数据集的建立1.3.1数据的采集深度学习学科的发展与高性能计算和大数据紧密相关,各类优秀的模型均是在ImageNet这样超大型的数据库上训练得到的,数据规模与模型性能成正比,训练的数据量越大则检测网络的性能越优秀。在人脸、车牌、指纹识别等相对成熟的识别领域,很多研究机构已经建立了标准的数据集,但是由于图像火灾识别的研究还不够成熟,研究人数较少,数据获取困难等原因,目前对于火灾的火焰识别,还没有一个公认的标准数据集,研究人员大多是使用他人公开的数据集或者自己制作研究数据集进行研究。当前在视频火焰检测的研究中,使用得最广泛的火灾图像数据集是土耳其毕尔肯大学的Cetin教授等人制作的VisiFire火焰视频库[50],GitHub上FurgFireDataset也是一个使用的比较广的数据集。由于火灾发生的不确定性大,视频拍摄难度和成本较高,实现困难,自己制作的数据集大多是通过视频网站收集的。也有研究人员使用了将常见的一些背景图,如建筑物、树木等与分割出来的火焰图片合成训练图片数据,能有效扩充训练数规模,让神经网络学习到什么是背景和什么是目标,有效提升模型泛化能力。文中所使用的火焰数据大多是通过网络渠道收集的一些公开数据,其来源主要有以下几个部分:(1)英国杜伦大学的Dunnings等人[51]在对基于深度学习的火灾检测研究中,其收集了furg、chenebert等火灾视频数据集和其他一些火灾视频,形成其研究数据集,该火灾数据集包含五十余个火灾视频,涵盖的火灾场景较为齐全,通过该校官方网站下载了该数据集。(2)百度图片搜索页面能根据关键字搜索词到大量指定类别的图片,通过编写Python爬虫程序,以“火灾”、“着火”为关键字,通过百度图片搜索爬取包含火焰的图片。(3)从土耳其毕尔肯大学信号处理小组的官方网站上下载其公开的VisiFire火灾视频数据集。(4)Kaggle是一个含金量非常高的数据科学比赛、研究和分享的在线平台,Kaggle在机器学习、人工智能领域的地位是被高度关注和认可的,从该平台上有一些研究人员分享了其火灾检测的数据集。(5)著名的软件项目的托管平台GitHub上,也有不少火灾识别研究者分享了其数据集,下载了质量都比较高的一些数据集。(6)Bilkent大学公开的VisiFire火灾数据库包含13段火灾视频,涵盖的火焰场景多,视频整体清晰度都不高,并且背景信息复杂,干扰性强,研究中被广泛用了进行性能测试,结合拍摄的视频构成测试集。(7)在新浪微博、YouKu等视频网站上检索包含火焰的视频,下载了包含多个火灾场景的多个视频。同时,还采集了丛林、日出、晚霞、车灯等多个场景不包含火焰的图像数据,作为数据集中不包含火焰的数据。将上述公开渠道收集的数据分为火焰和非火焰2类,视频和图像数据并不都是理想的,存在分辨率大小不一致,清晰度、噪声干扰、特征不明显等质量参差不齐的问题。需要通过筛选、裁剪、归一化、图像标注等步骤,整理出比较理想的数据集。1.3.2数据集的整理数据集的整理的主要步骤有:筛选、裁剪和帧存储、缩放、训练集和测试集划分、标注等。最终整理出分为有火焰的正例和没有火焰的反例两个类别的图片数据集,各包含65000张分辨率均为224×224像素的JPG格式图片,按随机抽出的的方式,按8:2的比例划分为训练集和验证集。以VisiFire火灾视频数据集和自己拍摄的一些视频为基础,整理出分为有火焰和非火焰两个类别的数据集,正例包含660张图片,反例包含650张图片;并筛选和剪辑了20余段视频用于实时火灾检测模型的测试,测试集中的数据均不包含在训练集和验证集中。1.3.1.1筛选首先,由于当前卷积神经网络分类模型的输入一般均为指定尺寸的图片,对于收集到的视频数据,需要提取其帧存储为图片,所以需要对图片和视频分别进行筛选。对于从网上收集到的火焰视频数据,部分数据质量不够理想,存在清晰度低、干扰严重和可用性低等问题,需要进行筛选和裁剪等操作。部分火焰原始视频,其尺寸较大,火焰区域在画面中占比较小,若按比例缩小尺寸,则会导致特征区域损失比较严重,需要从视频中裁剪出火焰区域;部分视频上带有图片、文字等标识信息,对机器学习会造成一定影响,需要裁剪出不包含标识信息信息的区域;部分视频清晰度低、色彩失真严重或直接不包含火焰信息,可研究性较低的则去除。对于图像数据,通过百度图片搜索爬取了约12万张图片,但大量为重复或者不包含火焰的图片,通过筛选获得了包含火焰和不包含火焰的800余张图片;其余的图片数据,大多为别人制作的数据集包含的,质量较高,但也存在不包含检测目标、图片数据错误、噪声过大等问题的数据,剔除了该类数据。通过筛选,把符合条件且质量较为理想的数据筛选了出来,按类别进行归档存储,为裁剪、归一化等操作提供基础。1.3.1.2裁剪为了让深度学习卷积神经网络模型算法能够发挥较好的效果,学习到相对一致的特征,一般需要在保证识别目标完整性的前提下,对训练图像进行预处理裁剪,并保持高宽比,保证不失真和扭曲,如果直接缩放图片则会由于图片扭曲变形而降低模型训预测的精度。针对大尺寸且火焰区域只占画面较小部分的视频,选取其中表征性明显的部分,在尽量完整的保留火焰区域和周边背景区域的信息的前提下,按照1比1的宽高比,裁剪出矩形区域保存为新的视频片段。针对带有图片、文字等标识信息视频,在尽量完整保存目标区域和周边背景区域的前提下,选取不包含标识信息的区域,按照1比1的宽高比裁剪出矩新的视频片段。关于裁剪比例,选择的矩形宽高比为1比1和尺寸为224×224像素的原因如下:(1)当前主流的预训练DCNN模型,大多包含全连接层,导致输入的图像的尺寸大小必须是预设值,如果模型输入不统一,则导致参数的数量也是变化的,训练不可进行。大部分卷积神经网络预训练模型的输入长宽比为1:1,该比例可以方便的对不同输入进行按倍数缩放。(2)输入到分类网络的样本图片通常要统一大小。在图像分类中如果输入尺寸过小,则信息丢失太严重,如果尺寸过大,会造成特征的抽象层次不够高和计算量也过大,7×7像素为基本组成单元,构建网络的输入大小,是一种常用的方法,224×224的分辨率是使用最多的图像尺寸。经过裁剪的视频需要提取帧后存储为图片,因为相邻帧间的差异较小,且提取所有帧造成近似数据量过大,模型学习效果不明显,所以通过OpenCV软件库,按照每5帧提取提1帧的方式,不经缩放存储为JPG图片。1.3.1.3归一化在机器学习领域,为了实现对数据的科学评价,就需要将数据统一到同一层级上,便于进行分析研究,这就是归一化处理。数字图像归一化处理就是使用采样缩放算法将原始图像统一为预定大小和格式的过程,采集到的图像数据大小不一,通过归一化将自建数据集中的图像统一缩放为224×224像素大小的JPG格式图片。由于常用的预训练深度卷积神经网络分类模型的图像输入尺寸最多的是224×224像素,所有确定以该尺寸为火焰训练数据集的尺寸。数据集中少部分的图像原宽高比不为1:1,但是相差不是很大,测试中缩放产生的变形对训练和预测的影响不大。图像的尺寸变换使用插值算法[52]来实现,不同算法在速度和效果上有所不同,需要综合衡量后选择。双线性插值是在二维坐标系上,对x和y两个方向的变量均进行插值运算,目标像素点由原图像中相邻的四像素(2×2)计算得出该点的值,能较好的补充缺失像素点信息。在对数据集中图像的缩放插值算法对比中,数据集中的图像分辨率不高,多种插值算法的时间复杂度差距很小。OpenCV图像处理库提供了常见的各类差值算法,通过其可以实现图像的快速改变尺寸。双线性插值法计算速度快,对于放大性能很好,能够较好的补全缺失的像素,图形整体平滑,但在降低尺寸时会带入一定的模糊,视觉效果不佳。区域插值法以临近区域的像素值来补全放大部分缺失的像素,变换时引入的模糊性低,放大时的效果也很优秀,是效果最好的缩放方法,但其转换速度较慢。1.3.1.4数据集划分在网络模型的训练和性能分析时,通常需要三类数据。进行参数训练的训练集,评估当前训练指标的验证集,以及用来进行整体性能对比、评价的测试集。过去的传统的机器学习方法划分数据时,一般以7:3的比例随机划分为两类,若存在验证集则为6:2:2的比例。本文构建的数据集为各包含65000张有火焰和非火焰的图片数据集,随机抽取了20%作为交叉验证集,剩余的80%作为训练集。以VisiFire火灾视频数据集、网络爬取和自己拍摄的一些视频为基础构建测试数据集,分为火焰和非火焰两个类别,火焰类正例包含660张图片,反例包含650张图片。1.4检测性能评价方法在得出检测模型之后,需要对模型性能进行评估以发现最佳方法,并根据评估结果协助模型的参数调整和优化,以达到满意的结果。通常采用混淆矩阵[53]的方法进行性能评价,该方法是一种最直观和简单的分类器性能衡量方法。混淆矩阵通过分别统计分类器分类正误值的数量并呈现在一张表格中进行展示和分析。图形火焰的检测任务是一个二分类问题,火焰样本为正类,非火样本为负类,混淆矩阵的评估方法,表格样式及四个一级指标关系如表1.1所示。表1.1模型混淆矩阵评价表真真实值预测值正类反类正类真正例(TP)假正例(FP)反类真反例(TN)假反例(FN)本文通过准确率、误报率、漏检率三个二级指标评价检测算法的优劣,各指标的概念如下。(1)TP:真正例,表示火焰样本中预测为火焰的个数。(2)FP:假正例,表示非火焰样本中预测为火焰的个数。(3)TN:真负例,表示非火焰样本中预测为非火焰的个数。(4)FN:假负例,表示火焰样本中预测为非火焰的个数。(5)准确率:预测对的火焰和非火焰图像数量在整体中的占比,如式(2-8)所示。Accuracy(2-8)(6)误报率(FPR):非火焰样本被预测错误的数量占所有非火焰类样本比重,指错误发出预警的概率。FPR(2-9)(7)漏报率(FNR):指在所有火焰样本中,未分类正确的火焰图片数在总火焰图片中所占的比例,漏检率越低表示模型对火焰的识别能力越强。FNR(2-10)图1.2基于浅层机器学的火焰识别流程图1.5基于改进SVM的图像火灾检测方法本节以火焰的图像特征为主要检测对象,通过图像处理的方法进行图像焰检测方法研究,设计了主要包含图像输入、疑似火焰区域的分割、火焰特征提取和特征权融合判别四个步骤的浅层机器学习检测方法。在分割出待检测的疑似火焰区域后,使用图像增强和形态学处理的方法进行预处理,去除面积较小的干扰区域和加强主要区域的连通性,提高用于判断的火焰特征提取的准确性,进而提升识别方法检测的准确性,本章所设计的火焰识别算法框图如图1.2所示。1.5.1疑似区域分割使用图像处理的方法进行检测,目标的精准分割是实现准确检测的关键步骤,当前对火焰区域分割方法有多种。1.5.1.1基于颜色阈值的分割图1.3基于颜色阈值的分割效果图基于颜色阈值的火焰分割方法是较早研究的分割方法,算法简单、使用广泛。其分割的方法是根据火焰颜色特性设定判断规则,将图像中的每一个像素与预设规则依次进行比较,将符合条件的所有的像素点筛选出来,组成火焰目标区域分割的结果。阈值的选择对能否准确提取火焰像素点非常重要,对于不同场景和拍摄质量的图像,火焰的成像颜色有所不同,不合适的阈值会使得火焰目标的分割效果变差,本节实验使用的颜色阈值为RT=130、ST=60,使用火焰颜色阈值条件式(2-1)和(2-2),对部分火焰图片分割出的火焰疑似区域效果如图1.3所示。由上述结果可见,阈值分割法在背景简单时分割的轮廓准确性很高,但在背景复杂且有反光物影响下,其受光照、干扰物、燃料种类等影响大和宽松的规则导致分割准确性下降。基于阈值的分割法需要对整幅图像所有的像素点进行遍历以判别是否为火焰像素点,特别是在对像素高的图像处理会很慢,通过将图像转化为numpy格式的数据后再对像素点进行处理,可以很大的提升处理速度,以满足视频实时性检测的要求。1.5.1.2基于帧间差分法的分割在视频中出现运动的物体时,邻近帧之间在灰度上会出现差异,通过设置一定阈值并计算帧之间的灰度值之差,提取出大于阈值的所有像素点即可描绘出运动物体的区域。对于固定的摄像设备采集到的视频数据,火焰会在燃烧过程中伴随空气的流动总会出现闪烁和面积变化等运动特征,而背景图形一般变化不明显,适合使用基于运动检测的分割方法提取出火焰区域。本实验通过使用Python调用OpenCV库进行测试,先逐帧读取视频帧并转换为二值图,再依据前后帧间不同,计算得到两帧图像间火焰目标所在区域。抓取了视频中的一帧及其前面的三帧分别进行帧差法提取火焰区域,四帧图像如图1.4所示,分割后的效果如图1.5所示。图1.5是使用帧差法进行火焰区域分割的效果图,通过四个连续的帧,测试帧差法分割火焰区域的效果。其中图A是使用第四帧与第三帧进行差分后得到的火焰区域二值图像效果,图B是使用第四帧与第二帧进行差分后得到的火焰区域二值图像效果,图C是使用第四帧与第一帧进行差分后得到的火焰区域二值图像效果。由分割效果图可以看出帧差法分割火焰时,火焰区域基本上已经分割了出来,在对火焰边缘区域细节描绘的准确性上各有优劣。不同间隔大小的帧分割出的火焰区域效果有所差别,主要是由于帧差分检测的是变化大于阈值的区域,运动速度和分割效果有很大的关系,几乎不变的两帧间几乎提取不到火焰区域,可结合运动速度设定进行差分的帧间隔的大小,再对运动速度慢火焰检测中可增大帧的间隔可防止检测结果的重影。图1.4视频中的四帧图像图1.5基于帧差法的火焰区域分割效果图1.5.1.3基于边缘检测的分割火焰图像中不同区域的颜色、灰度、纹理等信息存在一定的变化,火焰区域的亮度通常高于背景的亮度,边界间的灰度值间存在明显的变化,边界上连续的像素点的集合组成了区域的边缘,通过检测边缘信息可以描绘出物体的轮廓。边缘检测方法主要以灰度值和纹理变化为主要研究对象,检测算法大致分为基于搜索和交叉两类,对应为基于图像灰度跃变的一阶导数和二阶导数。边缘检测方法通过检测物体的整体单一边界位置点,将位置点连起来构成图像边缘。图1.5是使用Canny算子进行火焰图像边缘检测和火焰区域分割的结果,根据边缘细节逐渐调整算子中的高低阈值,使边缘过于细节的部分逐渐减少,实现细化边缘和去除伪边缘,同时强化了物体轮廓边界区域的连续性,由于得到的边缘信息位置较为准确,分割出的疑似火焰区域较为准确。图1.5基于边缘检测法的分割效果图1.5.2图像形态学处理通过帧差法和颜色阈值法分割出的火焰区域,由于火焰的纹理特征使得使得分割得到的区域内存在空洞、对象所在区域的完整性低和区域外围轮廓不清晰等问题。通常通过对分割出的火焰区域进行降噪等操作,再经过膨胀、腐蚀和多边形填充技术的应用,能增强分割区域的连通性,消除过小的连通区域,获取到的轮廓特征更为准确,其形态学处理效果如图1.6所示。由图1.6可见,经过膨胀、填充等形态学技术处理后的二值图像,得出的火焰区域的完整性明显提高,贯通区域的内部空洞大部分已消失,分割出的火焰区域效果图B,比未经过形态学处理的图A完整性更好,提取到的目标边缘信息更加完整,在对原图中火焰区域的分割效果较好。图1.6形态学处理效果图1.5.3火焰特征提取根据特征对火焰识别率高低影响的重要性,根据重用程度有大到小,选择了颜色、圆形度、边缘粗糙度和矩形度四个特征进行实验。1.5.3.1颜色特征提取对于基于颜色阈值分割出的火焰区域,已经符合设定的火焰颜色规则,但对于基于运动的帧差法分割出的疑似火焰区域,还需进一步使用颜色规则进行判断,可以使用本章前面部分介绍的基于颜色阈值分割火焰区域的规则,继续对分割出来的区域进行颜色判断,本章实验使用式(2-1)和式(2-2)所列的颜色判断规则进行颜色特征提取。从图片中分割到感兴趣的区域后,对于区域颜色的整体特征,颜色直方图是典型的表示方法,其代表了色三个通道的色彩信息在整幅图像中全局占有的比例,并且进行缩放、模糊等变换对颜色直方图的改变不大,能有效描述图中颜色的整体分布。图1.7是火焰区域RGB颜色直方图,观察可发现满足RGB颜色空间阈值条件计算式。图1.7火焰区域RGB颜色直方图而且由于火焰颜色的三个分量会分布在一定的区间内,在对颜色特征判定过程中,还可以在得出目标区域的基础上,通过计算绿红分量间的面积比进行特征的描述,描述方法如式(2-11)所示。P=(2-11)如果面积之比P位于阈值区间内,则其可能是火焰。1.5.3.2粗糙度特征提取火焰的外形通常为凹凸不平的,具有尖角等特征,计算粗糙度可有效的排除外形规则的干扰源,本章实验中使用粗糙度计算式(2-3),对分割出的火焰轮廓计算粗糙度。通过对大量火焰及相似干扰源的边缘粗糙度计算和统计分析,并结合其他研究者的成果,得出分布规律在[1.6,3],与外形相对规则的目标分布不同,此条件也可对疑似火焰区进行一定的判断。1.5.3.3圆形度特征提取现实场景中,轮廓为圆形的类似火焰的干扰物也很多,利用圆形度特征能排除大量常见干扰源,实验中使用圆形度计算式(2-3)进行描述,圆形度的值越小则表明外形与圆形的接近程度越低,经统计得出,火焰圆形度主要分布在[0.2,0.7]区间,根据轮廓圆形度是否位于此区间也可进行判别,计算得到的圆形度值与阈值区间上限值距离越大则表明轮廓越不接近于圆形。1.5.3.4矩形度特征提取干扰物中形状接近矩形的也有很多,但火焰一般不会呈现出矩形轮廓,矩形是度量物体与其外接矩形的接近程度,利用矩形度可以将灯光、建筑物反光灯火焰干扰物有效的排除。本章实验使用矩形度计算式(2-4),设定阈值区间为[0.5,0.7],当火焰区域的矩形度在此阈值区间内则认为符合矩形度特征要求,在越远离此区间则越不符合矩形度特征要求,接近于1时,认为是干扰物。1.5.4基于改进的果蝇优化算法的SVM火焰图像分类方法特征融合[54]思想在众多领域都展现出了很强的普适性,将多种特征有效的进行融合,进行检测的方法可以显著的提高准确率和普适性。在火焰检测中,分割出的疑似区域,提取多种特征进行检测,能够实现多个特征间的优势互补,提升判断的鲁棒性和准确性。当前在火焰识别中,特征融合的方法众多。支持向量机基于数理统计,通过寻找超平面来实现不同类别的界定,算法成熟可靠。其主要思想是利用非线性映射将变量映射到高维度的特征空间并求解其最优超平面对数据进行二分类,通过在模型复杂度和学习效果间寻求均衡方案,其泛化能力优秀,并且速度快、精度高,特别是在小样本数据集上往往能取得更好的检测效果,其在识别、分类、预测等方面应用广泛。当前的火灾视频图像资源有限,火灾识别模型训练样本不足,支持向量机模型训练所需的样本量小,能够有效的解决火灾数据缺乏的难题,是一种优秀的火灾检测分类器,因此研究相对深入。本章提出了基于改进的果蝇优化算法的支持向量机为分类器进行火焰图像的分类,使用径向基(RBF)核函数。

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论