CN108052865A - 一种基于卷积神经网络和支持向量机的火焰检测方法 - Google Patents

Abstract

本发明涉及一种基于卷积神经网络和支持向量机的火焰检测方法，该方法包括如下步骤：(1)获取监测视频中的每一帧图像并分别作为待检测的图片；(2)将待检测的图片输入至预先训练的特征检测模型并输出多个感兴趣的区域；(3)将每个感兴趣的区域分别作为一张特征图像输入至预先训练的基于卷积神经网络和支持向量机的分类模型，所述的分类模型滤除对特征图像进行分类确定火焰图像和非火焰图像；(4)根据所述的分类模型的分类结果确定待检测的图片中是否有火焰存在，若分类结果中包括至少一张火焰图像则待检测的图片中有火焰，否则待检测的图片中无火焰。与现有技术相比，本发明检测结果准确，检测速度快。

Description

一种基于卷积神经网络和支持向量机的火焰检测方法

技术领域

本发明涉及一种火焰检测方法，尤其是涉及基于卷积神经网络和支持向量机的火焰检测方法。

背景技术

火灾可以理解为因失控的大火而造成的灾难，其破坏程度不亚于泥石流、地震等自然灾害。火在人们的生活中确是无处不在的，也常常被人们忽视的，往往的一个不留神，辛辛苦苦成就的事业就可能付之东流，甚至会危害到自己或他人的生命。而大部分火灾往往是由不经意间小的火焰所造成的，“防为上，救次之，戒为下”。因此，现如今对火灾的防范也是人们所面临的重要问题。

根据公安部消防局公布的2016年上半年火灾统计情况，不包括森林、草原、铁路、港航等火灾。1至6月份，全国共接报火灾17.2万起，亡911人，伤756人，已核直接财产损失19.2亿元，与去年上半年相比，四项数字分别下降16.7％、18.5％、7.1％和25.5％；其中，较大火灾38起，同比下降2.6％，未发生重大和特大火灾(去年同期发生特大火灾1起、重大火灾3起)。

虽然各项数据都有所下降，但所造成的损失还是非常大的。随着计算机视觉技术的飞速发展，图像处理、识别等技术已经被应用到各个行业当中，基于计算机视觉的火焰预警也有所成效，但也存在一些误报率高、检测率低等问题。目前，大部分研究者们对火焰检测都是大火的检测，而且场景比较单一，起到的预警效果和实用性并不是很好。因此，对于复杂环境下的弱火焰检测也是需要解决的难题。如今，大部分研究者们通过火焰的颜色模型、运动特征以及静态特征等方法来对火焰进行检测识别。目前常用的监控摄像头大体分为CMOS和CCD两种，夜间模式下大都是采用红外的模式进行监控，这样颜色特征在夜间模式下就显得力不从心了，在人群当中的弱火焰(比如人们在使用打火机)，再加上受人流的影响，运动特征提取的效果并非令人满意。因此，弱火焰特征还需要进行改进，如何能准确在夜间红外模式下对弱火焰进行检测，如何能在复杂环境下对弱火焰进行识别，如何能体现出火焰报警的实时性和安全性，是研究者们需要考虑或解决的问题。

传统的火焰检测装置主要是由烟雾传感器、温度传感器和离子传感器等根据火的物理特征所组成的一套系统。S.Verstockt等人于2010年在图像与信号处理国际会议上发表了题为Multi-sensor Fire Detection by Fusing Visual and Non-visual FlameFeatures的文章，该文章提出了融合视觉和非视觉火焰特征的多传感器火灾探测技术，I.Bosch等人于2011年在国际遥感学报第32卷第17期发表了题为A ground system forearly forest fire detection based on infrared signal processing的文章，提出了基于红外信号处理的火焰检测方法。但是这些装置都存在着同一个问题，就是火所产生的烟雾、温度等物理特征必须得达到传感器所设定的阈值之上，才能使传感器发生报警，因此在空间较大的环境当中，作用并不是很明显。除此之外，传感器所安装的位置和数量，也是人们所需要考虑的问题，无形当中增加了成本。

近年来，计算机视觉技术得到了飞速地发展，基于图像处理的火灾检测系统不需要额外的成本，因为它跟随着监控摄像机安装在了各个公共场所的主要位置以及道路和隧道当中，而且通过摄像头，火焰很快就会被检测到，不必要等到火焰蔓延到传感器的阈值之上，并且使用范围可以更加广泛。早期的视频火焰检测算法是通过基于火的颜色模型，THChen等人于2004年在ICIP上发表了题为An early fire-detection method based onimage processing的文章，提出了基于图像处理来检测火焰的方法；CB Liu等人于2004年在ICPR上发表了题为Vision Based Fire Detection的文章，提出了基于视觉的火焰检测方法。T Celik等人于2009年在火灾安全杂志中发表了一篇题为Fire detection in videosequences using a generic color model的文章，提出了一种通过火焰颜色模型对像素进行分类的方法。S.Noda等人于1994年在车辆导航与信息系统会议上发表了一篇题为Firedetection in tunnels using an image processing method的文章，提出了火灾区域分割技术，分析了图像的直方图。然而，这些方法也产生了许多错误的分类，比如红色的衣服、车灯等，仅仅通过颜色信息被当作了火焰。还有一些其它的方法就是颜色空间的转换，从RGB转换到其它的颜色空间，比如HIS,HSV,LBP,YCbCr,YUV等。H Tian等人于2011年在MMSP上发表了题为Smoke detection in videos using Non-Redundant Local BinaryPattern-based features的文章，提出了基于LBP特征的火焰检测方法。T Celik等人于2006年在SIPCO上发表了题为Automatic fire detection in video sequences的文章，提出了基于YCbCr颜色空间转换的火焰检测的方法。G Marbach等人于2006年在火灾安全杂志中发表了一篇题为An image processing technique for fire detection in videoimages的文章，提出了一种基于YUV颜色空间转换的火焰检测方法。这些方法，相比仅通过RGB模型而言，该模型减少了一些误报警的数量，但仍有些不足，无法在工业界使用。

随着时间的推移，国内外研究者们将火焰的静态特征、动态特征以及机器学习算法结合在一起，火焰检测的准确率有所改善。BU Reyin等人于2006年在PatternRecognition Letters第27卷第1期发表了一篇题为Computer vision based method forreal-time fire and flame detection的文章，该文章通过使用时间和空间的小波分析，从序列图像中分离出火焰区域，在火焰边界的周围做时域小波变换检测，此外，在每张序列图像的颜色变换会被检测出来，通过火焰颜色变换的区域来计算空间小波变换。尽管他们提出了比较好的实验结果，但在实际生产中，由于考虑到许多环境下的阈值，使用起来并不是很切合实际。W Wang等人于2012年在CSAE上发表了一篇题为Fire detection based onflame color and area的文章，提出了通过迭代自适应阈值技术来对火焰对象进行研究，随后ZG Liu等人于2015年在ICIC上发表了一篇题为A flame detection algorithm basedon Bag-of-Features in the YUV color space的文章，提出了一种在YUV颜色空间中基于Bof的火焰检测算法。J Wu结合火的特性与人类的活动，于2015年在IEEE InternationalConference on Information中发表了一篇题为Real-time visual detection of earlymanmade fire的文章，提出了一种检测算法。由于火焰的运动形状变化没有任何规律，而且有时会伴有一些烟雾干扰。虽然上述方法取得了一定的成果，但是仍存在各自的不足，有的误报率高，准确率低；有的样本较少，不具有广泛的应用性；有的算法提取的特征不具备很强的抗干扰能力。因此，火焰的检测方法仍需要最更深一步的研究与改进。

卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。日本学者KFukushima于1980年在Biological Cybernetics第36期第4卷中发表了一篇题为Neocognitron:A self-organizing neural network model for a mechanism ofpattern recognition unaffected by shift in position的文章，首次提出了卷积神经网络。Y Lécun等人于1998年在Proceedings of the IEEE第86卷第11期发表了一篇题为Gradient-based learning applied to document recognition的文章，提出了基于卷积神经网络的一个文字识别系统LeNet-5，该系统90年代就被用于银行手写数字的识别。DCAn等人于2011年在International Joint Conference on Ijcai中发表了一篇题为Flexible,high performance convolutional neural networks for imageclassification的文章，改文章进一步对CNN进行了改进，并实现了它的GPU版本，随后用来做图像的分类与识别，取得了很好的效果。

基于视频的火焰检测技术将成为未来火灾监测技术的一个重要发展方向，也更适合我国经济发展基础与国情需要。目前国内外对火焰检测技术展开了积极的研究和开发，也有一些成型的系统，如美国axonx开发的SigniFire系列产品、北京智安邦科技有限公司开发的VFSD系统等。但由于应用场合的多样性，这些系统的应用有一定的局限，火焰检测技术仍需要进一步深入研究。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于卷积神经网络和支持向量机的火焰检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于卷积神经网络和支持向量机的火焰检测方法，该方法包括如下步骤：

(1)获取监测视频中的每一帧图像并分别作为待检测的图片；

(2)将待检测的图片输入至预先训练的特征检测模型并输出多个感兴趣的区域；

(3)将每个感兴趣的区域分别作为一张特征图像输入至预先训练的基于卷积神经网络和支持向量机的分类模型，所述的分类模型滤除对特征图像进行分类确定火焰图像和非火焰图像；

(4)根据所述的分类模型的分类结果确定待检测的图片中是否有火焰存在，若分类结果中包括至少一张火焰图像则待检测的图片中有火焰，否则待检测的图片中无火焰。

所述的特征检测模型为Haar特征检测模型。

所述的基于卷积神经网络和支持向量机的分类模型包括卷积神经网络子模型和支持向量机分类子模型，所述的支持向量机分类子模型输入端连接卷积神经网络子模型输出端。

所述的卷积神经网络子模型包括依次连接的输入层、第一卷积层、第二卷积层、第一子采样层、第三卷积层、第四卷积层和第二子采样层，所述的输入层用于输入待卷积分类的特征图像，所述的第二子采样层连接支持向量机分类子模型。

所述的第一卷积层、第二卷积层、第三卷积层和第四卷积层的卷积核大小为3x3。

步骤(2)中预先训练的特征检测模型通过如下方式获得：

(21)获取大量火焰图片和非火焰图片并组成正样本集和负样本集；

(22)搭建Haar特征检测模型；

(23)将证样本集和负样本集均输入至Haar特征检测模型，根据Haar特征检测模型的输出结果对Haar特征检测模型中的参数进行调整，完成Haar特征检测模型的训练。

步骤(3)中预先训练的基于卷积神经网络和支持向量机的分类模型通过如下方式获得：

(31)搭建卷积神经网络子模型和支持向量机分类子模型，所述的卷积神经网络子模型包括依次连接的输入层、第一卷积层、第二卷积层、第一子采样层、第三卷积层、第四卷积层和第二子采样层；

(32)在卷积神经网络模型第二子采样层后连接2个用于分类的全连接层；

(33)将步骤(21)中正样本集和负样本集经过训练好的Haar特征检测模型进行特征检测后的结果输入至卷积神经网络子模型的输入层；

(34)根据全连接层的分类结果对卷积神经网络子模型中参数进行调整，完成卷积神经网络子模型的训练；

(35)断开全连接层与第三子采样层的连接，将训练好的卷积神经网络子模型的第三子采样层输出端连接至支持向量机子分类模型；

(36)执行步骤(33)并获取支持向量机子分类模型的分类结果，根据支持向量机子分类模型的分类结果对支持向量机子分类模型中的参数进行调整，完成支持向量机子分类模型的训练；

(37)将训练好的卷积神经网络子模型输出端连接至训练好的支持向量机子分类模型的输入端形成基于卷积神经网络和支持向量机的分类模型。

与现有技术相比，本发明具有如下优点：

(1)本发明通过对监测视频中的每一张图片进行检测，从而及时发现火焰图片，针对人群密集的地方以及夜间无人看管的场所，有助于在大火灾发生之前，提前报警，及时采取措施，消灭火源；

(2)本发明火焰检测方法设置Haar特征检测模型和基于卷积神经网络和支持向量机的分类模型，首先通过Haar特征检测模型圈选出感兴趣的区域(即疑似火焰区域)，实现初步检测，进而对感兴趣的区域采用基于卷积神经网络和支持向量机的分类模型进行分类，将感兴趣区域中的非火焰区域过滤掉从而保留火焰区域图像，实现精检测，这种方式首先进行初步检测减少了经检测的大量的数据运算，提高检测速度，同时精检测检测精度高，有利于微小火焰的检测。

附图说明

图1为本发明基于卷积神经网络和支持向量机的火焰检测方法的流程框图；

图2为本发明进行卷积分类的流程框图；

图3为本实施例采用基于卷积神经网络和支持向量机的火焰检测方法进行图片火焰检测的检测结果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种基于卷积神经网络和支持向量机的火焰检测方法，该方法包括如下步骤：

(1)获取监测视频中的每一帧图像并分别作为待检测的图片；

(2)将待检测的图片输入至预先训练的特征检测模型并输出多个感兴趣的区域；

(3)将每个感兴趣的区域分别作为一张特征图像输入至预先训练的基于卷积神经网络和支持向量机的分类模型(CNN-SVM模型)，分类模型滤除对特征图像进行分类确定火焰图像和非火焰图像；

(4)根据分类模型的分类结果确定待检测的图片中是否有火焰存在，若分类结果中包括至少一张火焰图像则待检测的图片中有火焰，否则待检测的图片中无火焰。

特征检测模型为Haar特征检测模型。Haar特征，也叫做矩形特征，使用简单的矩形组合作为所需特征的模板。这类特征模板至少有两个不重叠的矩形区域组成，代表黑色和白色。特征值定义为黑色区域的像素值总和减去白色区域的像素值总和。一般情况下，基于特征的检测能够编码特定区域的状态，而且要比基于像素的系统快得多。Haar特征对一些简单的图形结构比较敏感，比如边缘、线段等，但是只能描述特定走向(水平、垂直、对角)的结构，比较粗略。弱小火焰在图像中所占的区域非常小，运用多个adaboost弱分类器，形成多个强分类器，最后构建成级联分类器来对弱小的火焰进行特征提取，为后续的特征的提取做准备。

基于卷积神经网络和支持向量机的分类模型(CNN-SVM模型)包括卷积神经网络子模型(CNN子模型)和支持向量机分类子模型(SVM子模型)，支持向量机分类子模型输入端连接卷积神经网络子模型输出端。卷积网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。卷积网络执行的是有导师训练，所以其样本集是由形如：(输入向量，理想输出向量)的向量对构成的。所有这些向量对，都应该是来源于网络即将模拟的系统的实际“运行”结果。它们可以是从实际运行系统中采集来的。在开始训练前，所有的权都应该用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因权值过大而进入饱和状态，从而导致训练失败；“不同”用来保证网络可以正常地学习。实际上，如果用相同的数去初始化权矩阵，则网络无能力学习。

本发明卷积神经网络子模型包括依次连接的输入层、第一卷积层、第二卷积层、第一子采样层、第三卷积层、第四卷积层和第二子采样层，输入层用于输入待卷积分类的特征图像，第二子采样层连接支持向量机分类子模型。第一卷积层、第二卷积层、第三卷积层和第四卷积层的卷积核大小为3x3。

步骤(2)中预先训练的特征检测模型通过如下方式获得：

(21)获取大量火焰图片和非火焰图片，所有图片均被剪裁为32x32大小，并组成正样本集和负样本集；

(22)搭建Haar特征检测模型；

(23)将证样本集和负样本集均输入至Haar特征检测模型，根据Haar特征检测模型的输出结果对Haar特征检测模型中的参数进行调整，完成Haar特征检测模型的训练。

步骤(3)中预先训练的基于卷积神经网络和支持向量机的分类模型通过如下方式获得：

(31)搭建卷积神经网络子模型和支持向量机分类子模型，卷积神经网络子模型包括依次连接的输入层、第一卷积层、第二卷积层、第一子采样层、第三卷积层、第四卷积层和第二子采样层；

(32)在卷积神经网络模型第二子采样层后连接2个用于分类的全连接层；

(33)将步骤(21)中正样本集和负样本集经过训练好的Haar特征检测模型进行特征检测后的结果输入至卷积神经网络子模型的输入层；

(34)根据全连接层的分类结果对卷积神经网络子模型中参数进行调整，完成卷积神经网络子模型的训练；

(35)断开全连接层与第三子采样层的连接，将训练好的卷积神经网络子模型的第三子采样层输出端连接至支持向量机子分类模型；

(36)执行步骤(33)并获取支持向量机子分类模型的分类结果，根据支持向量机子分类模型的分类结果对支持向量机子分类模型中的参数进行调整，完成支持向量机子分类模型的训练；

(37)将训练好的卷积神经网络子模型输出端连接至训练好的支持向量机子分类模型的输入端形成基于卷积神经网络和支持向量机的分类模型。

在卷积神经网络子模型训练过程中，第一子采样层和第二子采样层采用了maxpooling的池化方法，并且保留了特征图的边缘，多余的边缘用0填充。激活函数采用了Relu，定义为：Relu(x)＝max(x,0)。为了更好的训练模型中的参数，防止训练过拟合，在机器学习领域正则化是非常重要的技术，因此，采用了L2regularization的方法进行优化。L2regularization的定义如下：

式中，加号前一项为代价函数(任何能够衡量模型预测出来的值与真实值之间的差异的函数都可以叫做代价函数)，j代表图片个数，x_j代表输入的第j个图片，h_i(x_j)代表预测出来的值，t(x_j)代表目标值，代表正则化项，λ代表正则化参数，i代表卷积层数，w_i为权重。

为了让每次迭代都随机的去更新网络参数(weights)，因此引入了dropout来增强随机性，可以防止过拟合。在对代价函数loss使用优化算法时，选择了Adam optimizer来优化网络损失。当训练一个模型，通常建议在训练进行时降低学习速率。因此，需要添加Learning Rate Decay算法，如下定义：

LR＝lr*dr(gs/ds)，

其中，LR代表学习率，lr代表初始化学习率，dr代表衰减率，gs代表全局步长，ds代表衰减步长。根据上述架构，对卷积神经网络子模型中的参数进行训练，保存好训练模型，为支持向量机的分类模型训练做好铺垫。

本实施例，给一张图片，首先，用Haar特征检测模型进行火焰的特征提取得到感兴趣的区域，提取出来的部分调整为32x32大小的图片。Haar特征检测模型中的AdaBoost分类器的参数通过监督学习来获得。AdaBoost是基于OpenCV平台的。在训练参数设置方面，将nstages参数设定为20，即训练的级数为20。Maxfalsealarm参数设定为0.5，即误报警率为0.5²⁰约等于9.6e-07。minhitrate参数设定为0.999，命中率为0.999²⁰≈0.98。然后训练CNN模型，通过模型输出来的第四层卷积的向量作为SVM的训练数据，用SVM代替CNN的全连接层进行分类。

在感兴趣的区域模块，Haar特征检测模型中的AdaBoost分类器准确率很低，所以，需要用CNN-SVM对错误区域进行过滤，提高准确率。

图2为对感兴趣的区域(即特征图像)进行卷积分类的流程框图，首先对图片进行卷积操作，下一步执行Relu激活函数，然后将结果再次做卷积操作，下一步执行Relu激活函数，然后做maxpool池化，然后再做卷积操作，再做Relu激活函数，再继续做卷积操作，再执行Relu激活函数，最后再做maxpool池化，得到卷积层最后的输出结果。本专利实验，采用了2000次迭代的训练，每次迭代64张图片。在训练的过程当中，通过反向传播，不断的优化各层的权重和偏置。保存好训练模型，再通过训练好的模型得到最后一个卷积层的输出，然后对输出做SVM分类，然后保存训练好的模型。最后用训练好的模型，对测试集进行测试，得到了不错的效果。

图3为采用本发明方法进行火焰检测的结果，图3(a)为输入至Haar特征检测模型中的待检测的图片，图3(b)为Haar特征检测模型进行检测的结果，图3(b)中矩形框框选出的即为的感兴趣的区域，图3(c)为采用基于卷积神经网络和支持向量机的分类模型进行分类的结果，基于卷积神经网络和支持向量机的分类模型对图3(b)中框选的感兴趣的区域进行过滤并得到火焰区域，图3(c)中矩形框即为最终确定的火焰区域。

本发明提出的这种方法将用于对火焰的实时检测，视频数据按帧处理。在Haar特征检测模型进行检测时，视频中每帧平均运行的时间约为0.082s，在CNN-SVM模型进行分类时，视频中每帧平均运行的时间约为0.495s。整套方法运行的时间约为0.553s。因为，每帧包含多个感兴趣的区域，CNN-SVM的检测时间随着ROI的变化而变化。

随着社会的进步，科技的发展，人们的活动空间越来越大，温度传感器和烟雾传感器检测起来也越来越困难，因此本发明可以替代传感器来检测火焰，减少了传感器的安装成本，提高了火焰的检测准确率。针对人群密集的地方以及夜间无人看管的场所，本发明对弱小火焰进行检测，有助于在大火灾发生之前，提前报警，及时采取措施，消灭火源。

Claims (7)

1.一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，该方法包括如下步骤：

(1)获取监测视频中的每一帧图像并分别作为待检测的图片；

(2)将待检测的图片输入至预先训练的特征检测模型并输出多个感兴趣的区域；

(3)将每个感兴趣的区域分别作为一张特征图像输入至预先训练的基于卷积神经网络和支持向量机的分类模型，所述的分类模型滤除对特征图像进行分类确定火焰图像和非火焰图像；

(4)根据所述的分类模型的分类结果确定待检测的图片中是否有火焰存在，若分类结果中包括至少一张火焰图像则待检测的图片中有火焰，否则待检测的图片中无火焰。

2.根据权利要求1所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，所述的特征检测模型为Haar特征检测模型。

3.根据权利要求1所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，所述的基于卷积神经网络和支持向量机的分类模型包括卷积神经网络子模型和支持向量机分类子模型，所述的支持向量机分类子模型输入端连接卷积神经网络子模型输出端。

4.根据权利要求3所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，所述的卷积神经网络子模型包括依次连接的输入层、第一卷积层、第二卷积层、第一子采样层、第三卷积层、第四卷积层和第二子采样层，所述的输入层用于输入待卷积分类的特征图像，所述的第二子采样层连接支持向量机分类子模型。

5.根据权利要求1所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，所述的第一卷积层、第二卷积层、第三卷积层和第四卷积层的卷积核大小为3x3。

6.根据权利要求2所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，步骤(2)中预先训练的特征检测模型通过如下方式获得：

(21)获取大量火焰图片和非火焰图片并组成正样本集和负样本集；

(22)搭建Haar特征检测模型；

(23)将证样本集和负样本集均输入至Haar特征检测模型，根据Haar特征检测模型的输出结果对Haar特征检测模型中的参数进行调整，完成Haar特征检测模型的训练。

7.根据权利要求6所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，步骤(3)中预先训练的基于卷积神经网络和支持向量机的分类模型通过如下方式获得：

(31)搭建卷积神经网络子模型和支持向量机分类子模型，所述的卷积神经网络子模型包括依次连接的输入层、第一卷积层、第二卷积层、第一子采样层、第三卷积层、第四卷积层和第二子采样层；

(32)在卷积神经网络模型第二子采样层后连接2个用于分类的全连接层；

(33)将步骤(21)中正样本集和负样本集经过训练好的Haar特征检测模型进行特征检测后的结果输入至卷积神经网络子模型的输入层；

(34)根据全连接层的分类结果对卷积神经网络子模型中参数进行调整，完成卷积神经网络子模型的训练；

(35)断开全连接层与第三子采样层的连接，将训练好的卷积神经网络子模型的第三子采样层输出端连接至支持向量机子分类模型；

(36)执行步骤(33)并获取支持向量机子分类模型的分类结果，根据支持向量机子分类模型的分类结果对支持向量机子分类模型中的参数进行调整，完成支持向量机子分类模型的训练；

(37)将训练好的卷积神经网络子模型输出端连接至训练好的支持向量机子分类模型的输入端形成基于卷积神经网络和支持向量机的分类模型。