CN108009479A - 分布式机器学习系统及其方法 - Google Patents
分布式机器学习系统及其方法 Download PDFInfo
- Publication number
- CN108009479A CN108009479A CN201711171556.7A CN201711171556A CN108009479A CN 108009479 A CN108009479 A CN 108009479A CN 201711171556 A CN201711171556 A CN 201711171556A CN 108009479 A CN108009479 A CN 108009479A
- Authority
- CN
- China
- Prior art keywords
- flame
- video
- monitoring
- fire
- color
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种分布式机器学习系统及其方法,要解决的技术问题是提高检测火灾的准确程度。本发明的系统设有监控中心和前端设备,监控中心与前端设备由网络连接,监控中心设有监控中心服务器,前端设备设有摄像机、智能图像处理器和火灾监控探测器。本发明的方法包括图像预处理,颜色检测,火焰特征提取,决策树训练。本发明与现有技术相比,对被监控区域内可能发生的火灾进行监控,根据火焰颜色特征,找出候选火焰点集,视频块中火焰像素点集所对应的特征向量作为正样本,类火焰视频块中所对应的特征向量作为负样本,对样本集进行决策树训练生成决策树分类模型,根据决策树分类模型来检测当前图像是否存在火焰,提高视频火焰检测的精确度。
Description
技术领域
本发明涉及一种安全监控的系统及其方法,特别是一种监控火灾的系统和检测方法。
背景技术
视频火焰监控系统能够实现无人值守,不间断工作,自动对视频图像信息进行分析和判断,及时发现被监控区域内的异常火灾隐患,及时提供有效信息,有效地协助消防人员处理火灾危机,最大限度地减少误报与漏报现象。
早期的火焰检测方法主要体现在火焰的颜色模型上。Healey等人通过火焰的颜色信息来检测火焰。Chen等人根据火焰在红绿蓝RGB颜色空间的特征提取出火焰区域。Celik等人在亮度蓝色色度红色色度YCbCr(一种色彩空间,Y指亮度分量,Cb指蓝色色度分量,Cr指红色色度分量)颜色模型上建立一个基于规则的火焰像素分类的通用颜色模型。上述仅使用颜色模型来检测火焰方法在特定的环境中可获得较高的识别率,然而会将灯光、阳光、行走中穿着黄色、红色衣服的人等干扰物当成火焰,导致存在很多误检误判。Ammannn使用小波变换来分析火焰的闪烁特征,其检测结果与应用场景有关。Liu使用基于物体边界像素的快速傅里叶变换来检测火焰尖点,但火焰区域可能会出现没有尖点的情况。这些火焰检测方法仅考虑火焰的局部特征,很容易造成误判,只适应于某些特定场景下的火焰检测。可见,现有技术的多种基于视频的火焰检测方法,对火焰的判断过于单一、抗干扰性低,火灾的错报率和漏报率较高。
发明内容
本发明的目的是提供一种分布式机器学习系统及其方法,要解决的技术问题是提高检测火灾的准确程度。
本发明采用以下技术方案:一种分布式机器学习系统,设有监控中心和前端设备,监控中心与前端设备由网络连接构成监控系统;所述监控中心设有监控中心服务器;所述前端设备设有摄像机、智能图像处理器和火灾监控探测器;
所述摄像机采集被监控区域的视频图像信息,转换为数字图像,压缩成视频,将视频传送到智能图像处理器;
所述智能图像处理器接收到视频,将其分解成视频图像序列,根据视频图像序列的火焰像素在RGB与YCbCr颜色空间的特征,找出视频图像中满足火焰条件的所有候选火焰点;然后,将视频图像分块得到视频块,计算视频块中火焰像素集颜色和亮度属性所对应的协方差矩阵,提取颜色和亮度协方差矩阵中的上三角或下三角部分作为特征向量,随机选择正负样本作为训练集,基于决策树分类器进行训练,建立决策树分类模型;最后,计算候选火焰点视频块的特征向量,将特征向量输入决策树分类模型进行预测,判断火焰,智能图像处理器向监控中心发出报警信息,同时将火焰信息通过网络反馈给监控中心;
所述火灾监控探测器用于对火灾发生时产生的烟雾、温度、火焰燃烧时所产生的气体特征作出有效反应,将表征火灾的探测值的物理量转换为电信号,当探测值的电信号超过设定值时,火灾监控探测器向监控中心发出报警信息,同时将探测值通过网络反馈给监控中心;
监控中心服务器用于管理整个监控系统信息、检查智能图像处理器和火灾监控探测器的工作状态。
本发明的前端设备为1~n套,n为火灾监控结点的数量,火灾监控结点为被监控区域;所述前端设备设置在火灾监控结点。
本发明的监控中心设有显示终端,显示终端与监控中心服务器连接;显示终端用于显示摄像机所获取的火灾监控结点的视频图像信息和智能图像处理器中所输出的火灾现场的视频图像。
一种分布式机器学习方法,包括以下步骤:
一、图像预处理
摄像机采集火灾监控结点现场的视频图像信息,传送到智能图像处理器;智能图像处理器对视频图像进行中值滤波,得到中值滤波后的视频图像;
二、颜色检测
将中值滤波后的视频图像的RGB颜色空间转换成YCbCr颜色空间,计算中值滤波后的视频图像分别在Y、Cb和Cr通道上的均值和 其中,N为视频图像中像素总个数,(xi,yi)为第i个图像点的位置,将满足下列所有条件的中值滤波后的视频图像点作为候选火焰像素点:
R(xi,yi)>G(xi,yi)>B(xi,yi)且R(xi,yi)>RT
Y(xi,yi)>Cb(xi,yi)
Cr(xi,yi)>Cb(xi,yi)
且且
|Cb(xi,yi)-Cr(xi,yi)|≥τ (1)
式(1)中,τ为色差阈值,取τ=40,RT是红色通道阈值,RT=110;
三、火焰特征提取
将中值滤波后的视频图像分成大小相同的视频块,统计每个视频块中满足候选火焰点条件的火焰像素点个数,火焰像素点个数不少于当前视频块中总像素个数的15%,计算视频块中每个候选火焰点的颜色属性向量和亮度属性向量,然后计算火焰像素点集的颜色和亮度属性所对应的协方差矩阵,对得到的颜色协方差矩阵和亮度协方差矩阵进行归一化,提取协方差矩阵的上三角或下三角部分,作为火焰特征向量:
式(3)中,为归一化后协方差矩阵的第(r,s)个元素值,Cov(r,s)为归一化前的协方差矩阵的第(r,s)个元素值;
四、决策树训练
将由火焰特征向量所组成的正、负样本集,正样本为火焰特征向量,负样本为干扰物特征向量,输入到决策树分类器进行训练,经训练后,得到决策树分类模型。本发明方法中的正样本为从火焰视频中提取出的火焰特征向量,类别标签为1,负样本为从干扰物视频中提取出的特征向量,类别标签为-1,采用霍夫丁决策树训练,得到决策树模型。
本发明的方法步骤一,摄像机采集火灾监控结点现场的视频图像信息,转换为数字图像,压缩成视频,将视频传送到智能图像处理器。
本发明的方法步骤三,视频块大小为16×16×f,16×16为视频块的图像分辨率大小,f为视频图像帧率。
本发明的方法步骤三,候选火焰点的颜色属性向量为火焰像素点在YCbCr颜色空间中Y、Cb和Cr通道上的取值C(i,j,t)=[Y(i,j,t)Cb(i,j,t)Cr(i,j,t)],(i,j)为火焰像素点在图像中的位置,t为火焰像素点所在预处理后的视频图像序列中的帧序号;所述亮度属性向量为此火焰像素点的亮度值和亮度在时间t,水平x方向、垂直y方向上的差分值
I(i,j,t)=(R(i,j,t)+G(i,j,t)+B(i,j,t))/3
Ix(i,j,t)=I(i+1,j,t)-I(i-1,j,t)
Ixx(i,j,t)=I(i-1,j,t)-2I(i,j,t)+I(i+1,j,t)
Iy(i,j,t)=I(i,j+1,t)-I(i,j-1,t)
Iyy(i,j,t)=I(i,j-1,t)-2I(i,j,t)+I(i,j+1,t)
It(i,j,t)=I(i,j,t+1)-I(i,j,t-1)
Itt(i,j,t)=I(i,j,t-1)-2I(i,j,t)+I(i,j,t+1) (2)
式(2)中,I表示火焰像素点的亮度值,Ix和Ixx表示亮度在水平x方向上的差分值,Iy和Iyy表示亮度在垂直y方向上的差分值,It和Itt表示亮度在时间t上的差分值。
本发明的方法步骤四,干扰物视频为灯光类、太阳光类、着红色或黄色衣服行人类视频。
本发明的方法步骤四,得到决策树模型后进行增量学习,首先,对视频块进行火焰特征提取,得到火焰特征向量,然后,根据决策树分类模型来对此火焰特征向量进行预测,根据预测结果来判断当前视频块是否包含火焰;当预测当前视频块包含火焰时,智能图像处理器发出报警;智能图像处理器或火灾监控探测器发出报警,监控中心通知相关管理人员到火灾现场进行确认,若为误报,将此测试数据标志为新样本,使用快速决策树算法来更新决策树模型。
本发明的方法智能图像处理器或火灾监控探测器发出报警,监控中心通知相关管理人员到火灾现场对判别结果进行人工确认。
本发明与现有技术相比,利用前端设备对被监控区域内可能发生的火灾进行监控,根据火焰颜色特征,找出候选火焰点集,视频块中火焰像素点集所对应的特征向量作为正样本,类火焰视频块中所对应的特征向量作为负样本,对样本集进行决策树训练生成决策树分类模型,根据决策树分类模型来检测当前图像是否存在火焰,提高视频火焰检测的精确度。
附图说明
图1是本发明实施例的系统结构示意图。
图2是本发明实施例的方法流程图。
图3是本发明实施例的颜色检测流程图。
图4是本发明实施例的火焰特征提取流程图。
图5是本发明实施例的决策树示意图。
图6是本发明实施例的增量学习流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。如图1所示,本发明的分布式机器学习系统(系统),设有监控中心和1~n套前端设备,监控中心与前端设备由网络连接,构成监控系统。n为火灾监控结点(结点)的数量。结点为被监控区域,每个结点设置前端设备,对被监控区域内可能发生的火灾进行有效的预报与监控。
监控中心设有监控中心服务器和显示终端,监控中心服务器向市、区辖区公安消防管理中心和社区安全监控系统管理人员提供现场实时图像的信息,给直接指挥调度救火提供依据。监控中心设置在行政市级、区安监机构。显示终端与监控中心服务器连接,用于显示各个火灾监控结点的现场实时图像。
前端设备设有摄像机、智能图像处理器和火灾监控探测器。前端设备设置在火灾监控结点,摄像机实时采集结点现场图像信息并迅速向智能图像处理器上传,准确识别火灾信息,及时向监控中心服务器发出报警信号。
摄像机按帕尔PAL制式采集火灾监控结点现场的视频图像信息,对摄取到的视频图像信息按现有技术通过图像采集卡转换为数字图像,然后压缩成动态图像专家组MPEG格式的视频,将视频按TCP/IP协议传送到智能图像处理器。
智能图像处理器接收到视频,使用开源计算机视觉库OpenCV(OpenSourceComputerVision Library)读取视频并将其分解成视频图像序列(彩色图像,视频图像),根据彩色图像的火焰像素在RGB与YCbCr颜色空间的特征,找出视频图像中满足火焰条件的所有候选火焰点。然后,将视频图像进行分块得到视频块,计算视频块中火焰像素集颜色和亮度属性所对应的协方差矩阵,提取颜色和亮度协方差矩阵中的上三角或下三角部分作为特征向量。随机选择大量正负样本作为训练集,基于决策树分类器进行训练,建立决策树分类模型。最后,计算候选火焰点视频块的特征向量,将特征向量输入决策树分类模型进行预测,判断其是否为火焰。若判断检测出火焰信息,智能图像处理器立即向监控中心发出报警信息,同时将火焰信息通过网络反馈给监控中心。
火灾监控探测器用于对火灾发生时产生的烟雾、温度、火焰燃烧时所产生的气体特征作出有效反应,通过敏感元件,将表征火灾的探测值(烟雾、温度、火焰燃烧时所产生的气体)的物理量转换为电信号。当探测值的电信号超过设定值时,火灾监控探测器向监控中心发出报警信息,同时将探测值通过网络反馈给监控中心。
监控中心服务器用于管理整个监控系统信息、检查智能图像处理器和火灾监控探测器的工作状态。实时显示与记录来自智能图像处理器和火灾监控探测器所有的报警信息,格式为日志.log。监控中心服务器的管理人员可以通过全球广域网web登录监控中心服务器查询日志和视频图像。
显示终端用于显示摄像机所获取的火灾监控结点的视频图像信息和智能图像处理器中所输出的火灾现场的视频图像,便于管理人员远程确定火场位置,并根据火灾视频图像来辅助消防人员进行灭火。
本发明的分布式机器学习方法,根据火焰颜色特征,找出候选火焰点集,再计算视频块中火焰像素点集所对应的特征向量作为正样本,类火焰视频块(如灯光、阳光干扰物)中所对应的特征向量作为负样本,通过对样本集进行决策树训练生成决策树分类模型,再根据决策树分类模型来检测当前图像是否存在火焰。最后,使用增量学习方法来不断地修正决策树分类模型,以提高视频火焰检测的精确度。
如图2所示,本发明的分布式机器学习方法,包括以下步骤:
一、图像预处理
摄像机按帕尔PAL制式采集火灾监控结点现场的视频图像信息(视频图像序列),对摄取到的视频图像信息转换为数字图像,然后压缩成动态图像专家组MPEG格式的视频,将视频按TCP/IP协议传送到智能图像处理器。
智能图像处理器获取的视频可能会受到干扰或在传输过程中产生噪声点,为了提高火焰识别的准确率,对视频的图像进行滤波,本发明方法使用中值滤波来对视频的图像进行滤波,以消除噪声点。中值滤波的具体过程是〔文献1:《数字图像处理》(第二版)第97~98页,(美)冈萨雷斯,ISBN:9787505382367(matlab版为ISBN:9787121201974),电子工业出版社〕:采用一个滑动窗口在被处理的图像上按像素点逐点滑动,用窗口内所有像素值的中值来代替滑动窗口中心点的像素值,得到中值滤波后的视频图像。中值滤波在消除噪声的同时很好地保持了视频图像的边缘特征。
二、颜色检测
颜色检测是根据火焰像素在RGB颜色空间和YCbCr空间的颜色特征,找出满足火焰像素条件的所有候选火焰点集〔文献2:基于YCbCr颜色空间的卫星图像分割方法,GanesanP,RajiniV,Sathish B等,印度科学与技术杂志,2015,第8(1)期,第35~41页,Ganesan P,RajiniV,Sathish B,etal.SatelliteImage Segmentation Based on YCbCrColorSpace[J].Indian Journal of Science and Technology,2015,8(1):35-41.〕。
如图3所示,首先,将中值滤波后的视频图像的RGB颜色空间转换成YCbCr颜色空间,因火焰的亮度较大,YCbCr能将视频图像中的亮度与色度分离开来,此处针对每一幅中值滤波后的视频图像进行相同的处理。
然后,计算YCbCr颜色空间中,中值滤波后的视频图像分别在Y、Cb和Cr通道上的均值和 其中,N为视频图像中像素总个数,(xi,yi)为第i个图像点的位置,均值和用于从视频图像中选出火焰像素点(火焰像素,火焰,视频图像点)。
最后,根据火焰像素的RGB特征〔文献3:一种基于图像处理的早期火焰检测方法,Chen,T.H.,Wu,P.H.,Chiou,Y.C.[C].IEEE图像处理国际会议ICIP2004,第三卷,第1707~1710页,Chen,T.H.,Wu,P.H.,Chiou,Y.C.Anearly fire-detection method based onimage processing[C].Proceedings of Image Processing,2004.ICIP’04.2004International Conference on,vol.3.IEEE,2004.1707-1710〕和YCbCr特征〔文献4:一种基于颜色特征的视频序列中的火焰检测方法,消防安全杂志,2009,第44(2)期,第147~158页,Celik T,Demirel H.Fire detection in video sequences using ageneric color model[J].Fire Safety Journal,2009,44(2):147-158.〕,将满足下列所有条件的中值滤波后的视频图像点作为候选火焰点:
R(xi,yi)>G(xi,yi)>B(xi,yi)且R(xi,yi)>RT
Y(xi,yi)>Cb(xi,yi)
Cr(xi,yi)>Cb(xi,yi)
且且
|Cb(xi,yi)-Cr(xi,yi)|≥τ (1)
式(1)中,τ为色差阈值,一般取τ=40,RT是红色通道阈值,RT=110,(xi,yi)为第i个图像点的位置。
三、火焰特征提取
如图4所示,将中值滤波后的视频图像分成大小相同的视频块,视频块大小为16×16×f,16×16为视频块的图像分辨率大小,f为视频图像帧率。
统计每个视频块中满足候选火焰点条件的火焰像素点个数,若满足候选火焰点条件:火焰像素点个数不少于当前视频块中总像素个数(火焰像素集,火焰像素点集)的15%,则计算视频块中每个候选火焰点的颜色属性向量和亮度属性向量,然后计算火焰像素点集的颜色和亮度属性所对应的协方差矩阵〔文献5:《概率论与数理统计》(第4版),第106~110页,浙江大学,盛骤,谢式千,潘承毅,ISBN:9787040238969,高等教育出版社〕,得到的颜色协方差矩阵和亮度协方差矩阵,用于计算视频块火焰特征向量。候选火焰点的颜色属性向量为此火焰像素点在YCbCr颜色空间中Y、Cb和Cr通道上的取值C(i,j,t)=[Y(i,j,t)Cb(i,j,t)Cr(i,j,t)],(i,j)为火焰像素点在图像中的位置,t为火焰像素点所在预处理后的视频图像序列中的帧序号。亮度属性向量为此火焰像素点的亮度值和亮度在时空(时间t,水平x方向、垂直y方向)上的差分值〔文献6:基于协方差矩阵的视频火焰检测方法[J].机器视觉及其应用,Y.H,Günay O,E.2012,第23(6)期,第1103~1113页,Y.H,Günay O,E.Covariance matrix-based fire and flamedetection method in video[J].Machine Vision andApplications,2012,23(6):1103~1113.〕
I(i,j,t)=(R(i,j,t)+G(i,j,t)+B(i,j,t))/3
Ix(i,j,t)=I(i+1,j,t)-I(i-1,j,t)
Ixx(i,j,t)=I(i-1,j,t)-2I(i,j,t)+I(i+1,j,t)
Iy(i,j,t)=I(i,j+1,t)-I(i,j-1,t)
Iyy(i,j,t)=I(i,j-1,t)-2I(i,j,t)+I(i,j+1,t)
It(i,j,t)=I(i,j,t+1)-I(i,j,t-1)
Itt(i,j,t)=I(i,j,t-1)-2I(i,j,t)+I(i,j,t+1) (2)
式(2)中,I表示火焰像素点的亮度值,Ix和Ixx表示亮度在水平x方向上的差分值,Iy和Iyy表示亮度在垂直y方向上的差分值,It和Itt表示亮度在时间t上的差分值。
对颜色协方差矩阵和亮度协方差矩阵进行归一化〔文献7:基于协方差描述子的实时野火检测方法,Y.H,Günay O,E.[C].IEEE第19届欧洲信号处理会议EUSIPCO2011,第894~898页。Y.H,Günay O,E.Real-time wildfiredetection using correlation descriptors[C].Proceedings of the19thEuropeanSignal Processing Conference(EUSIPCO),2011IEEEInternational Conferenceon.IEEE,2011:894-898.〕,提取协方差矩阵的上三角或下三角部分,作为火焰特征向量,归一化方法为:
式(3)中,为归一化后协方差矩阵的第(r,s)个元素值,Cov(r,s)为归一化前的协方差矩阵的第(r,s)个元素值。
四、决策树训练
决策树学习是一种逼近离散值目标函数的方法,在这种方法中学习到的函数被表示为一棵决策树〔文献8:《机器学习》第38~40页,(美)米歇尔,ISBN:7111109937机械工业出版社〕。决策树通过把实例从根结点排列到某个叶子结点来分类实例。如图5所示,叶子结点为实例所属的分类,树中每个内部结点表示一个属性(如天气,温度,湿度,场地,风力)上的测试,其分支如颜色属性的取值:晴、阴、雨表示一个测试输出。
将由特征向量所组成的样本集,包括正、负样本,正样本为火焰特征向量,负样本为干扰物特征向量,输入到决策树分类器进行训练,经训练后,得到决策树分类模型。本发明方法中的正样本为从火焰视频中提取出的特征向量,类别标签为1,负样本为从干扰物视频(如灯光类、太阳光类、着红色或黄色衣服行人类视频)中提取出的特征向量,类别标签为-1。霍夫丁树HT(HoeffdingTree)决策树(HT树)训练〔文献9:Domingos P.,Hulten G.基于数据流的快速挖掘方法,第七次知识发现与数据挖掘国际会议ACMSIGKDD2001,第97~106页。Domingos P.,HultenG.Mining High-Speed Data Stream[C].Proceedings of theseventhACMSIGKDD international conference on Knowledge discovery and datamining,2001:97-106.〕步骤为:首先选择一个属性作为HT树的根结点,然后从根结点开始分裂,当新的数据到来时,根据结点的属性取值建立对应分支,一直递归此过程直至所有子集仅包含同一类别的数据为止。HT树是通过不断地将叶子结点转换为内部结点而生成的,每个叶子结点储存关于属性值的统计信息,这些统计信息用于计算属性的信息增益。根据霍夫丁Hoeffding不等式〔文献10:Hoeffding W.有界随机变量和的概率不等式.美国统计学协会杂志1963,第58(301)期,第13~30页。Hoeffding W.Probability inequalitiesfor sums of bounded random variables.Journal of the American StatisticalAssociation,58(301):13-30,1963〕确定叶结点进行划分所需要的样本个数。在决策树的每个结点上,从所有剩余属性中选择信息增益最大或次大的属性Xa和Xb,若G(Xa)-G(Xb)>e(G(X)为属性X的信息增益,e由文献10可计算出),则认为Xa为最好分裂属性。
五、增量学习
为了提高决策树分类模型检测的准确性,需不断地修正决策树模型。首先,对视频块进行火焰特征提取,得到特征向量。然后,根据决策树分类模型来对此特征向量进行预测,根据预测结果来判断当前视频块是否包含火焰。当预测当前视频块包含火焰时,则智能图像处理器发出报警。若智能图像处理器或火灾监控探测器发出报警,监控中心通知相关管理人员到火灾现场进行确认。若为误报,则将此测试数据标志为新样本,使用快速决策树VFDT(Very Fast Decision Tree)算法来更新决策树模型(文献9)。
如图6所示,当新增样本到达后,新样本沿着HT树从根结点到叶子结点进行遍历,在树的每个内部结点上进行属性值判断,根据样本属性取值进入相应子树,最终到达某一叶子结点。当新样本到达叶子结点时,更新该叶子结点上的统计信息。若统计信息的计算结果满足结点分裂条件(信息增益函数),则此叶子结点变为内部结点,新的内部结点根据属性的可能取值生成相应数目的子结点,分支结点只保存该结点分裂测试所需要的信息。
决策树分类模型更新后,使用新的决策树分类模型对特征向量进行预测。通过不断地修正分类模型,可得到精确的决策树分类模型,从而提高火焰识别的准确率。
六、判别结果是否正确
若智能图像处理器或火灾监控探测器发出报警,监控中心通知相关管理人员到火灾现场进行确认。管理人员对判别结果进行人工确认。
本实施例中,监控中心服务器采用戴尔中国有限公司的r730型服务器,显示终端采用深圳市维冠视界科技股份有限公司的特雅丽TYL-SDID4609-F型显示终端,摄像机采用杭州海康威视数字技术股份有限公司的DS-2CC11A7P-A型摄像机,智能图像处理器采用中电数通科技有限公司的zdst-smartcam-01型智能图像处理器,火灾监控探测器采用广东雅达电子股份有限公司YDH30P型火灾监控探测器。
本发明的方法,基于火焰颜色特征找出候选火焰点集,然后提取视频块中的火焰特征向量,生成样本集,再对样本集进行决策树训练,生成决策树分类模型,最后根据决策树分类模型来检测图像块中是否存在火焰。若智能图像处理器或火灾监控探测器发出警报,消防管理中心人员通过查看警报信息,通知相关的管理人员到现场进行确认。若确认是误报,则将此数据作为新的样本,使用增量学习算法VFDT从新样本中学习新的知识,更新决策树,生成新的决策树模型。通过不断地修正决策树模型,可提高视频火焰检测的准确率。
Claims (10)
1.一种分布式机器学习系统,其特征在于:所述分布式机器学习系统设有监控中心和前端设备,监控中心与前端设备由网络连接构成监控系统;所述监控中心设有监控中心服务器;所述前端设备设有摄像机、智能图像处理器和火灾监控探测器;
所述摄像机采集被监控区域的视频图像信息,转换为数字图像,压缩成视频,将视频传送到智能图像处理器;
所述智能图像处理器接收到视频,将其分解成视频图像序列,根据视频图像序列的火焰像素在RGB与YCbCr颜色空间的特征,找出视频图像中满足火焰条件的所有候选火焰点;然后,将视频图像分块得到视频块,计算视频块中火焰像素集颜色和亮度属性所对应的协方差矩阵,提取颜色和亮度协方差矩阵中的上三角或下三角部分作为特征向量,随机选择正负样本作为训练集,基于决策树分类器进行训练,建立决策树分类模型;最后,计算候选火焰点视频块的特征向量,将特征向量输入决策树分类模型进行预测,判断火焰,智能图像处理器向监控中心发出报警信息,同时将火焰信息通过网络反馈给监控中心;
所述火灾监控探测器用于对火灾发生时产生的烟雾、温度、火焰燃烧时所产生的气体特征作出有效反应,将表征火灾的探测值的物理量转换为电信号,当探测值的电信号超过设定值时,火灾监控探测器向监控中心发出报警信息,同时将探测值通过网络反馈给监控中心;
监控中心服务器用于管理整个监控系统信息、检查智能图像处理器和火灾监控探测器的工作状态。
2.根据权利要求1所述的分布式机器学习系统,其特征在于:所述前端设备为1~n套,n为火灾监控结点的数量,火灾监控结点为被监控区域;所述前端设备设置在火灾监控结点。
3.根据权利要求2所述的分布式机器学习系统,其特征在于:所述监控中心设有显示终端,显示终端与监控中心服务器连接;显示终端用于显示摄像机所获取的火灾监控结点的视频图像信息和智能图像处理器中所输出的火灾现场的视频图像。
4.一种分布式机器学习方法,包括以下步骤:
一、图像预处理
摄像机采集火灾监控结点现场的视频图像信息,传送到智能图像处理器;智能图像处理器对视频图像进行中值滤波,得到中值滤波后的视频图像;
二、颜色检测
将中值滤波后的视频图像的RGB颜色空间转换成YCbCr颜色空间,计算中值滤波后的视频图像分别在Y、Cb和Cr通道上的均值和 其中,N为视频图像中像素总个数,(xi,yi)为第i个图像点的位置,将满足下列所有条件的中值滤波后的视频图像点作为候选火焰像素点:
R(xi,yi)>G(xi,yi)>B(xi,yi)且R(xi,yi)>RT
Y(xi,yi)>Cb(xi,yi)
Cr(xi,yi)>Cb(xi,yi)
且且
|Cb(xi,yi)-Cr(xi,yi)|≥τ (1)
式(1)中,τ为色差阈值,取τ=40,RT是红色通道阈值,RT=110;
三、火焰特征提取
将中值滤波后的视频图像分成大小相同的视频块,统计每个视频块中满足候选火焰点条件的火焰像素点个数,火焰像素点个数不少于当前视频块中总像素个数的15%,计算视频块中每个候选火焰点的颜色属性向量和亮度属性向量,然后计算火焰像素点集的颜色和亮度属性所对应的协方差矩阵,对得到的颜色协方差矩阵和亮度协方差矩阵进行归一化,提取协方差矩阵的上三角或下三角部分,作为火焰特征向量:
式(3)中,为归一化后协方差矩阵的第(r,s)个元素值,Cov(r,s)为归一化前的协方差矩阵的第(r,s)个元素值;
四、决策树训练
将由火焰特征向量所组成的正、负样本集,正样本为火焰特征向量,负样本为干扰物特征向量,输入到决策树分类器进行训练,经训练后,得到决策树分类模型。本发明方法中的正样本为从火焰视频中提取出的火焰特征向量,类别标签为1,负样本为从干扰物视频中提取出的特征向量,类别标签为-1,采用霍夫丁决策树训练,得到决策树模型。
5.根据权利要求4所述的分布式机器学习方法,其特征在于:所述步骤一,摄像机采集火灾监控结点现场的视频图像信息,转换为数字图像,压缩成视频,将视频传送到智能图像处理器。
6.根据权利要求4所述的分布式机器学习方法,其特征在于:所述步骤三,视频块大小为16×16×f,16×16为视频块的图像分辨率大小,f为视频图像帧率。
7.根据权利要求4所述的分布式机器学习方法,其特征在于:所述步骤三,候选火焰点的颜色属性向量为火焰像素点在YCbCr颜色空间中Y、Cb和Cr通道上的取值C(i,j,t)=[Y(i,j,t) Cb(i,j,t) Cr(i,j,t)],(i,j)为火焰像素点在图像中的位置,t为火焰像素点所在预处理后的视频图像序列中的帧序号;所述亮度属性向量为此火焰像素点的亮度值和亮度在时间t,水平x方向、垂直y方向上的差分值▽I(i,j,t):
I(i,j,t)=(R(i,j,t)+G(i,j,t)+B(i,j,t))/3
Ix(i,j,t)=I(i+1,j,t)-I(i-1,j,t)
Ixx(i,j,t)=I(i-1,j,t)-2I(i,j,t)+I(i+1,j,t)
Iy(i,j,t)=I(i,j+1,t)-I(i,j-1,t)
Iyy(i,j,t)=I(i,j-1,t)-2I(i,j,t)+I(i,j+1,t)
It(i,j,t)=I(i,j,t+1)-I(i,j,t-1)
Itt(i,j,t)=I(i,j,t-1)-2I(i,j,t)+I(i,j,t+1) (2)
式(2)中,I表示火焰像素点的亮度值,Ix和Ixx表示亮度在水平x方向上的差分值,Iy和Iyy表示亮度在垂直y方向上的差分值,It和Itt表示亮度在时间t上的差分值。
8.根据权利要求4所述的分布式机器学习方法,其特征在于:所述步骤四,干扰物视频为灯光类、太阳光类、着红色或黄色衣服行人类视频。
9.根据权利要求4所述的分布式机器学习方法,其特征在于:所述步骤四,得到决策树模型后进行增量学习,首先,对视频块进行火焰特征提取,得到火焰特征向量,然后,根据决策树分类模型来对此火焰特征向量进行预测,根据预测结果来判断当前视频块是否包含火焰;当预测当前视频块包含火焰时,智能图像处理器发出报警;智能图像处理器或火灾监控探测器发出报警,监控中心通知相关管理人员到火灾现场进行确认,若为误报,将此测试数据标志为新样本,使用快速决策树算法来更新决策树模型。
10.根据权利要求9所述的分布式机器学习方法,其特征在于:所述智能图像处理器或火灾监控探测器发出报警,监控中心通知相关管理人员到火灾现场对判别结果进行人工确认。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711171556.7A CN108009479A (zh) | 2017-11-14 | 2017-11-14 | 分布式机器学习系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711171556.7A CN108009479A (zh) | 2017-11-14 | 2017-11-14 | 分布式机器学习系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009479A true CN108009479A (zh) | 2018-05-08 |
Family
ID=62053302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711171556.7A Pending CN108009479A (zh) | 2017-11-14 | 2017-11-14 | 分布式机器学习系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009479A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805416A (zh) * | 2018-05-22 | 2018-11-13 | 阿里巴巴集团控股有限公司 | 一种风险防控处理方法、装置及设备 |
CN108831080A (zh) * | 2018-05-25 | 2018-11-16 | 中广核工程有限公司 | 核电站入侵探测方法、装置、计算机设备及存储介质 |
CN109117805A (zh) * | 2018-08-22 | 2019-01-01 | 浙江大丰实业股份有限公司 | 舞台灯光阵列防火控制系统 |
CN109199604A (zh) * | 2018-08-31 | 2019-01-15 | 浙江大学宁波理工学院 | 一种基于多特征的椎弓根螺钉最佳入点定位方法 |
CN110910615A (zh) * | 2019-11-22 | 2020-03-24 | 华中科技大学 | 一种楼宇火警报警分类方法及系统 |
CN111613037A (zh) * | 2020-04-30 | 2020-09-01 | 杭州拓深科技有限公司 | 一种基于智能算法的降低复合烟感误报的方法 |
CN111967592A (zh) * | 2020-07-09 | 2020-11-20 | 中国电子科技集团公司第三十六研究所 | 基于分离正负扰动生成对抗图像机器识别的方法 |
CN113255717A (zh) * | 2021-03-25 | 2021-08-13 | 中冶赛迪重庆信息技术有限公司 | 一种管廊火灾检测方法及系统 |
CN113688748A (zh) * | 2021-08-27 | 2021-11-23 | 武汉大千信息技术有限公司 | 一种火灾检测的模型及方法 |
CN114818883A (zh) * | 2022-04-07 | 2022-07-29 | 中国民用航空飞行学院 | 一种基于颜色特征最优组合的cart决策树火灾图像识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1884904A1 (de) * | 2006-07-26 | 2008-02-06 | Siemens Schweiz AG | Bestimmung der Gefahrenart mittels mindestens zwei Signalen |
CN104990574A (zh) * | 2015-07-10 | 2015-10-21 | 朱婷婷 | 一种智能移动监测信息远传系统 |
CN105225235A (zh) * | 2015-09-18 | 2016-01-06 | 北京航空航天大学 | 一种基于多光谱特征的视频火焰检测方法 |
CN106303469A (zh) * | 2016-11-02 | 2017-01-04 | 北京弘恒科技有限公司 | 对室内外环境中火焰的视频分析检测方法及系统 |
-
2017
- 2017-11-14 CN CN201711171556.7A patent/CN108009479A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1884904A1 (de) * | 2006-07-26 | 2008-02-06 | Siemens Schweiz AG | Bestimmung der Gefahrenart mittels mindestens zwei Signalen |
CN104990574A (zh) * | 2015-07-10 | 2015-10-21 | 朱婷婷 | 一种智能移动监测信息远传系统 |
CN105225235A (zh) * | 2015-09-18 | 2016-01-06 | 北京航空航天大学 | 一种基于多光谱特征的视频火焰检测方法 |
CN106303469A (zh) * | 2016-11-02 | 2017-01-04 | 北京弘恒科技有限公司 | 对室内外环境中火焰的视频分析检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
YUSUF HAKAN HABIBOGLU ET AL.: "Covariance matrix-based fire and flame detection method in video", 《MACHINE VISION AND APPLICATIONS》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805416A (zh) * | 2018-05-22 | 2018-11-13 | 阿里巴巴集团控股有限公司 | 一种风险防控处理方法、装置及设备 |
CN108831080A (zh) * | 2018-05-25 | 2018-11-16 | 中广核工程有限公司 | 核电站入侵探测方法、装置、计算机设备及存储介质 |
CN109117805A (zh) * | 2018-08-22 | 2019-01-01 | 浙江大丰实业股份有限公司 | 舞台灯光阵列防火控制系统 |
CN109117805B (zh) * | 2018-08-22 | 2022-04-29 | 浙江大丰实业股份有限公司 | 舞台灯光阵列防火控制系统 |
CN109199604B (zh) * | 2018-08-31 | 2020-12-01 | 浙江大学宁波理工学院 | 一种基于多特征的椎弓根螺钉最佳入点定位方法 |
CN109199604A (zh) * | 2018-08-31 | 2019-01-15 | 浙江大学宁波理工学院 | 一种基于多特征的椎弓根螺钉最佳入点定位方法 |
CN110910615B (zh) * | 2019-11-22 | 2021-04-06 | 华中科技大学 | 一种楼宇火警报警分类方法及系统 |
CN110910615A (zh) * | 2019-11-22 | 2020-03-24 | 华中科技大学 | 一种楼宇火警报警分类方法及系统 |
CN111613037A (zh) * | 2020-04-30 | 2020-09-01 | 杭州拓深科技有限公司 | 一种基于智能算法的降低复合烟感误报的方法 |
CN111967592A (zh) * | 2020-07-09 | 2020-11-20 | 中国电子科技集团公司第三十六研究所 | 基于分离正负扰动生成对抗图像机器识别的方法 |
CN111967592B (zh) * | 2020-07-09 | 2023-12-05 | 中国电子科技集团公司第三十六研究所 | 基于分离正负扰动生成对抗图像机器识别的方法 |
CN113255717A (zh) * | 2021-03-25 | 2021-08-13 | 中冶赛迪重庆信息技术有限公司 | 一种管廊火灾检测方法及系统 |
CN113688748A (zh) * | 2021-08-27 | 2021-11-23 | 武汉大千信息技术有限公司 | 一种火灾检测的模型及方法 |
CN113688748B (zh) * | 2021-08-27 | 2023-08-18 | 武汉大千信息技术有限公司 | 一种火灾检测的模型及方法 |
CN114818883A (zh) * | 2022-04-07 | 2022-07-29 | 中国民用航空飞行学院 | 一种基于颜色特征最优组合的cart决策树火灾图像识别方法 |
CN114818883B (zh) * | 2022-04-07 | 2023-05-26 | 中国民用航空飞行学院 | 一种基于颜色特征最优组合的cart决策树火灾图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009479A (zh) | 分布式机器学习系统及其方法 | |
CN107944359B (zh) | 基于视频的火焰检测方法 | |
Mahmoud et al. | Forest fire detection and identification using image processing and SVM | |
Zhao et al. | SVM based forest fire detection using static and dynamic features | |
CN110516609A (zh) | 一种基于图像多特征融合的火灾视频检测及预警方法 | |
Krstinić et al. | Histogram-based smoke segmentation in forest fire detection system | |
KR101822924B1 (ko) | 영상기반 화재 감지 시스템, 방법 및 프로그램 | |
CN106650584B (zh) | 火焰检测方法和系统 | |
CN102982313B (zh) | 烟雾检测的方法 | |
CN112069975A (zh) | 一种基于紫外、红外、视觉的综合火焰检测方法 | |
Khalil et al. | Fire detection using multi color space and background modeling | |
CN108052859A (zh) | 一种基于聚类光流特征的异常行为检测方法、系统及装置 | |
CN111339883A (zh) | 复杂场景下基于人工智能的变电站内异常行为识别与检测方法 | |
CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN101711393A (zh) | 基于视频的火灾检测的系统和方法 | |
CN103069434A (zh) | 多模式视频事件索引 | |
CN116629465B (zh) | 智能电网视频监控与风险预测响应系统 | |
CN102902960A (zh) | 基于高斯建模与目标轮廓的遗留物检测方法 | |
Dong et al. | Camera anomaly detection based on morphological analysis and deep learning | |
CN115691034A (zh) | 一种智能家居异常情况告警方法、系统及存储介质 | |
CN113283369A (zh) | 一种港口码头作业人员安全防护措施监控系统及方法 | |
CN108898098A (zh) | 基于监控平台的早期视频烟雾检测方法 | |
KR20210031284A (ko) | 인공지능 기반의 cctv 보안 시스템 및 보안 방법 | |
CN113657250A (zh) | 一种基于监控视频的火焰检测方法及系统 | |
CN117557937A (zh) | 一种监控摄像头图像异常检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 518114 Guangdong Shenzhen Longgang District Buji Street giant silver technology industrial factory 5 plant 401 Applicant after: Shenzhen CLP smart security Polytron Technologies Inc Address before: 518114 Guangdong Shenzhen Longgang District Buji Street giant silver technology industry factory area No. 5 401 Applicant before: China electric digital digital technology Co., Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |
|
RJ01 | Rejection of invention patent application after publication |