CN108363992A - 一种基于机器学习监测视频图像烟雾的火情预警方法 - Google Patents
一种基于机器学习监测视频图像烟雾的火情预警方法 Download PDFInfo
- Publication number
- CN108363992A CN108363992A CN201810212672.7A CN201810212672A CN108363992A CN 108363992 A CN108363992 A CN 108363992A CN 201810212672 A CN201810212672 A CN 201810212672A CN 108363992 A CN108363992 A CN 108363992A
- Authority
- CN
- China
- Prior art keywords
- scene
- smog
- fire
- early warning
- target
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,包括如下步骤:步骤1)收集并标记各种烟雾场景的图片数据集,其中非火情预警烟雾场景归为A类,火情预警烟雾场景归为B类;步骤2)上下文目标检测层非火灾预警烟雾场景训练:步骤3)上下文目标检测层火情预警烟雾场景训练,重复步骤2),训练图片为B类火情预警烟雾图片;步骤4)疑似火情烟雾图片检测。本发明所达到的有益效果:解决了传统机器学习方法分类器无法准确区分所检测的烟雾是否为火灾导致的问题。本发明利用上下文目标检测的方法,判断烟雾所在区域的上下文关系,在提高火情预警率的前提下压低虚警、漏警率。
Description
技术领域
本发明涉及一种基于机器学习监测视频图像烟雾的火情预警方法,属于视频图像处理技术领域。
背景技术
众所周知,在火灾发生的初期处于阴燃阶段或者火焰较小时就已经有烟雾产生,烟雾具有在范围较大的空间中信息传播速度快的特点。随着计算机视觉、数字图像处理、机器学习等技术的发展,人工智能摄像头的铺设,基于视频的火灾探测预警技术逐渐得到了研究和进展。基于视频图像的火灾探测预警技术是一种基于数字图像处理和分析的新型火灾探测预警方法,基于数字图像处理的火灾探测成本低、准确度高、信息量大。
目前视频烟雾检测方法根据烟雾的特性,可以分为烟雾的静态特征检测和动态特征检测。静态特征包括:烟雾颜色矩、高频能量以及运动区域的紧凑度等;动态特征值包括:烟雾的运动方向、运动速度以及运动区域面积的增长速度等。基于机器学习分类器,根据特征向量将烟雾与非烟雾区别开来,依据正负训练样本的特征数据构建2类支持分类器,即烟雾和非烟雾两类。但是,火灾烟雾也与雾霾(特别是浓雾和重霾)具有较高的相似性,且视频图像中的烟雾也未必一定意味着火灾的发生,因此如何智能地判定烟雾与火情的关系,从而在提高火情预警率的前提下压低虚警、漏警率是一个技术难题。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种基于机器学习监测视频图像烟雾的火情预警方法,解决了传统机器学习方法分类器无法准确区分所检测的烟雾是否为火灾导致的问题。
为了实现上述目标,本发明采用如下的技术方案:
一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,包括如下步骤:
步骤1)收集并标记各种烟雾场景的图片数据集,其中非火情预警烟雾场景归为A类,火情预警烟雾场景归为B类;
步骤2)上下文目标检测层非火灾预警烟雾场景训练:
21)将标注好的A类烟雾场景图片作为训练集;
22)获得所给图像的Gist特征;
23)对图片的场景进行划分;
24)单一基础目标检测;
25)子场景下的子树模型学习;
26)子树型模型参数的学习;
步骤3)上下文目标检测层火情预警烟雾场景训练,重复步骤2),训练图片为B类火情预警烟雾图片;
步骤4)疑似火情烟雾图片检测:
41)进行场景选择;
42)利用单一基础检测器DPM获得每个目标的检测窗口和分值;
43)利用获得的基于上下文信息的多层目标检测模型推理出目标位置和目标出现的判断是否正确。
前述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤1)中非火情预警烟雾场景归为A类,包括:燃放爆竹场景、汽车尾气排放场景、已有消防人员灭火场景、寺庙焚香冒烟场景、野炊生火冒烟场景和烟囱冒烟场景;火情预警烟雾场景归为B类,包括:建筑物失火场景、森林失火场景、仓库失火场景、厂房失火场景和田野失火场景。
前述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤22)具体内容为:
a)利用一组不同尺度和方向的Gabor滤波器组对图像进行滤波,得到一组经过处理滤波之后的图像;
b)把滤波后的图像按照大小进行无重叠的网格划分,并对图像划分后的每个网格求取均值;
c)把图像组获得的每个网格均值级联形成全局特征,获得图像最终的Gist特征:xj表示第j个样本图像的Gist特征,cat表示特征级联,Ij表示划分网格后的第j个图像灰度图,表示图像灰度图与Gabor滤波器的卷积运算;g代表Gabor滤波器,二维Gabor滤波器定义为一个用高斯函数调制的复指函数,即
其中x,y为二维图像像素点坐标值,λ为正弦函数波长,θ为Gabor核函数方向,为相位偏移,σ为高斯函数的标准差,γ为空间的宽高比,i为虚数单位。
前述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤23)的具体内容为:
231)利用机器学习中随机森林分类器获得表示训练集中每个样本之间相似性的相似矩阵;
232)将该相似矩阵作为输入,利用谱聚类的方法,对训练集图片进行聚类;
233)图片场景的划分,分为燃放爆竹场景、汽车尾气排放场景、已有消防人员灭火场景、寺庙焚香冒烟场景、野炊生火冒烟场景和烟囱冒烟场景。
前述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤24)的具体内容为:
241)利用单一目标基础检测器DPM获得每个目标检测的窗口和分值;
242)给出先验目标位置和出现的判断结果,检测到每个场景下目标对。
前述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤25)的具体内容为:
251)子场景下图像训练集中标注的烟雾作为父节点,与其他目标形成目标对,统计所有目标对m的共生性和一致性,计算所有目标对的交互信息Sm;
252)对父子节点是否具有一致性进行判断,对交互信息Sm增加权重:Sm=Sm×(1+sigm(θmt)),其中,θmt为目标对m与场景t的相关性,其中
前述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤26)的具体内容为:
261)预备模型参数训练:
其中N(μ,σ)表示正态分布,P()表示满足括号中条件的概率;bi表示目标类i是否在图像中出现,bpa(i)表示目标类i父节点是否在图像中出现,μi,σi分别表示上式中i类目标位置的平均值和方差;Li为目标类i的位置,Lpa(i)为父节点pa(i)的位置,符合高斯分布;如果bi=1,bpa(i)=1,Li依赖于父节点pa(i)的位置,dipa(i)为父子节点的相对偏移;如果bi=1,bpa(i)=0,目标位置与父节点位置无关;如果bi=0,则其位置表示为子集图像中所有i类目标的平均位置;
262)整合模型参数学习:其中g为全局特征,采用逻辑回归的方法来估计p(bi|g),整合步骤4)中单一基础检测器相应结果,得到正确检测的概率p(cik|bi):
其中,cik为在第k个实例中是否正确检测目标,1表示正确,0表示错误,bi为目标类i是否出现,1表示出现,0表示不出现;sum(cik=1)为第k个实例中正确检测目标的总次数,sum(bi=1)为目标类i出现的总次数;
检测窗口的位置概率为p(Wik|cik=1,Li),其中 和是对应目标类i的第k个实例的检测窗口的垂直位置和尺度;
其中,如果检测窗口是正确的,cik=1,则Wik等于N(Wik|Li,Δi),Δi为目标预测位置的方差,如果窗口检测是错误的,则Wik不依靠Li,表示为一个常量const;
对于基础检测器的分值概率p(sik|cik),其中sik表示图像中局部检测器获得的目标类i的第k高的分值,其依靠于正确检测的结果cik;利用贝叶斯准则:其中,p(cik|sik)使用机器学习中的逻辑回归(Logic Regression)方法进行拟合。
前述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤41)的具体内容为:
411)计算输入图片的Gist特征;
412)获得该图片的Gist特征与各个子场景的聚类中心的距离倒数;
413)计算步骤412)获得的值之和;
414)获得412)、413)两者比值,表示子场景空间的选择函数的概率:得到p(zt|xgc);其中xgc为图片的Gist特征,zt为各个子场景,dt -1为图片的Gist特征与各个子场景的聚类中心的距离倒数,为图片的Gist特征与各个子场景的聚类中心的距离倒数之和,T为子场景的总数;取最大概率值,选择对应场景。
前述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤43)的判断方法为:
如果场景选择为B类,且步骤43)判断结果正确,则图片判断为火情预警图片,发出预警,并将图片添加入相应场景,训练特征值;
如果场景选择为A类,且步骤43)判断结果正确,则图片判断为非火情预警图片,不发出预警,并将图片添加入相应场景,训练特征值;
如果场景选择不为A类且不为B类,则发出预警,人为干预判断,将图片添加入新的场景,并对其特征进行训练。
前述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述参数λ=10,θ=0,γ=0.5,σ=0.56λ。
本发明所达到的有益效果:解决了传统机器学习方法分类器无法准确区分所检测的烟雾是否为火灾导致的问题。本发明利用上下文目标检测的方法,判断烟雾所在区域的上下文关系,在提高火情预警率的前提下压低虚警、漏警率。
附图说明
图1是本方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本方法具体包括如下步骤:
步骤1)收集并标记各种烟雾场景的图片数据集,其中非火情预警烟雾场景归为A类,火情预警烟雾场景归为B类。
非火情预警烟雾场景归为A类,包括:燃放爆竹场景、汽车尾气排放场景、已有消防人员灭火场景、寺庙焚香冒烟场景、野炊生火冒烟场景和烟囱冒烟场景等户外有烟雾场景;火情预警烟雾场景归为B类,包括:建筑物失火场景、森林失火场景、仓库失火场景、厂房失火场景和田野失火场景等户外失火场景。
步骤2)上下文目标检测层非火灾预警烟雾场景训练:
21)将标注好的A类烟雾场景图片作为训练集;
22)获得所给图像的Gist特征,具体步骤为:
a)利用一组不同尺度和方向的Gabor滤波器组对图像进行滤波,得到一组经过处理滤波之后的图像;
b)把滤波后的图像按照大小进行无重叠的网格划分,并对图像划分后的每个网格求取均值;
c)把图像组获得的每个网格均值级联形成全局特征,获得图像最终的Gist特征:xj表示第j个样本图像的Gist特征,cat表示特征级联,Ij表示划分网格后的第j个图像灰度图,表示图像灰度图与Gabor滤波器的卷积运算;g代表Gabor滤波器,二维Gabor滤波器定义为一个用高斯函数调制的复指函数,即
其中λ为正弦函数波长,θ为Gabor核函数方向,为相位偏移,σ为高斯函数的标准差,γ为空间的宽高比。
参数配置一般情况下取默认值,λ=10,θ=0,γ=0.5,σ=0.56λ。
23)对图片的场景进行划分,具体内容为:
231)利用机器学习分类器随机森林获得表示训练集中每个样本之间相似性的相似矩阵;
232)将该相似矩阵作为输入,利用谱聚类的方法,对训练集图片进行聚类;
233)图片场景的划分,分为燃放爆竹场景、汽车尾气排放场景、已有消防人员灭火场景、寺庙焚香冒烟场景、野炊生火冒烟场景和烟囱冒烟场景。
24)单一基础目标检测,具体内容为:
241)利用单一目标基础检测器DPM获得每个目标检测的窗口和分值;
242)给出先验目标位置和出现的判断结果,检测到每个场景下目标对。
25)子场景下的子树模型学习,具体内容为:
251)子场景下图像训练集中标注的烟雾作为父节点,与其他目标形成目标对,统计所有目标对m的共生性和一致性,计算所有目标对的交互信息Sm;
252)对父子节点是否具有一致性进行判断,对交互信息Sm增加权重:Sm=Sm×(1+sigm(θmt)),其中,θmt为目标对m与场景t的相关性,其中
26)子树型模型参数的学习,具体内容为:
261)先验模型参数训练:
其中N(μ,σ)表示正态分布,P()表示满足括号中条件的概率;bi表示目标类i是否在图像中出现,bpa(i)表示目标类i父节点是否在图像中出现,μi,σi分别表示上式中i类目标位置的平均值和方差;Li为目标类i的位置,Lpa(i)为父节点pa(i)的位置,符合高斯分布;如果bi=1,bpa(i)=1,Li依赖于父节点pa(i)的位置,dipa(i)为父子节点的相对偏移;如果bi=1,bpa(i)=0,目标位置与父节点位置无关;如果bi=0,则其位置表示为子集图像中所有i类目标的平均位置;
262)整合模型参数学习:其中g为全局特征,采用机器学习的逻辑回归(Logic Regression)方法来估计p(bi|g),整合步骤4)中单一基础检测器相应结果,得到正确检测的概率p(cik|bi):
其中,cik为在第k个实例中是否正确检测目标,1表示正确,0表示错误,bi为目标类i是否出现,1表示出现,0表示不出现;
检测窗口的位置概率为p(Wik|cik=1,Li),其中这里和是对应目标类i的第k个实例的检测窗口的垂直位置和尺度;
其中,如果检测窗口是正确的,cik=1,则Wik等于N(Wik|Li,Δi),Δi为目标预测位置的方差,如果窗口检测是错误的,则Wik不依靠Li,表示为一个常量;
最后,对于基础检测器的分值概率p(sik|cik),其中sik表示图像中局部检测器获得的目标类i的第k高的分值,其依靠于正确检测的结果cik;
利用贝叶斯准则:其中,p(cik|sik)使用逻辑回归进行拟合。
步骤3)上下文目标检测层火情预警烟雾场景训练,重复步骤2),训练图片为B类火情预警烟雾图片。场景包括:建筑物失火场景、森林失火场景、仓库失火场景、厂房失火场景、田野失火场景等。
步骤4)疑似火情烟雾图片检测:
输入:疑似火情预警烟雾图片
41)进行场景选择,具体内容为:
411)计算输入图片的Gist特征;
412)获得该图片的Gist特征与各个子场景的聚类中心的距离倒数;
413)计算步骤412)获得的值之和;
414)获得412)、413)两者比值,表示子场景空间的选择函数的概率:得到p(zt|xgc),取最大概率值,选择对应场景。
42)利用单一基础检测器DPM获得每个目标的检测窗口和分值;
43)利用获得的基于上下文信息的多层目标检测模型推理出目标位置和目标出现的判断是否正确,具体判断方法为:
如果场景选择为B类,且步骤43)判断结果正确,则图片判断为火情预警图片,发出预警,并将图片添加入相应场景,训练特征值;
如果场景选择为A类,且步骤43)判断结果正确,则图片判断为非火情预警图片,不发出预警,并将图片添加入相应场景,训练特征值;
如果场景选择不为A类且不为B类,则发出预警,人为干预判断,将图片添加入新的场景,并对其特征进行训练。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,包括如下步骤:
步骤1)收集并标记各种烟雾场景的图片数据集,其中非火情预警烟雾场景归为A类,火情预警烟雾场景归为B类;
步骤2)上下文目标检测层非火灾预警烟雾场景训练:
21)将标注好的A类烟雾场景图片作为训练集;
22)获得所给图像的Gist特征;
23)对图片的场景进行划分;
24)单一基础目标检测;
25)子场景下的子树模型学习;
26)子树型模型参数的学习;
步骤3)上下文目标检测层火情预警烟雾场景训练,重复步骤2),训练图片为B类火情预警烟雾图片;
步骤4)疑似火情烟雾图片检测:
41)进行场景选择;
42)利用单一基础检测器DPM获得每个目标的检测窗口和分值;
43)利用获得的基于上下文信息的多层目标检测模型推理出目标位置和目标出现的判断是否正确。
2.根据权利要求1所述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤1)中非火情预警烟雾场景归为A类,包括:燃放爆竹场景、汽车尾气排放场景、已有消防人员灭火场景、寺庙焚香冒烟场景、野炊生火冒烟场景和烟囱冒烟场景;火情预警烟雾场景归为B类,包括:建筑物失火场景、森林失火场景、仓库失火场景、厂房失火场景和田野失火场景。
3.根据权利要求1所述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤22)具体内容为:
a)利用一组不同尺度和方向的Gabor滤波器组对图像进行滤波,得到一组经过处理滤波之后的图像;
b)把滤波后的图像按照大小进行无重叠的网格划分,并对图像划分后的每个网格求取均值;
c)把图像组获得的每个网格均值级联形成全局特征,获得图像最终的Gist特征:xj表示第j个样本图像的Gist特征,cat表示特征级联,Ij表示划分网格后的第j个图像灰度图,表示图像灰度图与Gabor滤波器的卷积运算;g代表Gabor滤波器,二维Gabor滤波器定义为一个用高斯函数调制的复指函数,即
其中x,y为二维图像像素点坐标值,λ为正弦函数波长,θ为Gabor核函数方向,为相位偏移,σ为高斯函数的标准差,γ为空间的宽高比,i为虚数单位。
4.根据权利要求3所述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤23)的具体内容为:
231)利用机器学习中随机森林分类器获得表示训练集中每个样本之间相似性的相似矩阵;
232)将该相似矩阵作为输入,利用谱聚类的方法,对训练集图片进行聚类;
233)图片场景的划分,分为燃放爆竹场景、汽车尾气排放场景、已有消防人员灭火场景、寺庙焚香冒烟场景、野炊生火冒烟场景和烟囱冒烟场景。
5.根据权利要求4所述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤24)的具体内容为:
241)利用单一目标基础检测器DPM获得每个目标检测的窗口和分值;
242)给出先验目标位置和出现的判断结果,检测到每个场景下目标对。
6.根据权利要求5所述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤25)的具体内容为:
251)子场景下图像训练集中标注的烟雾作为父节点,与其他目标形成目标对,统计所有目标对m的共生性和一致性,计算所有目标对的交互信息Sm;
252)对父子节点是否具有一致性进行判断,对交互信息Sm增加权重:Sm=Sm×(1+sigm(θmt)),其中,θmt为目标对m与场景t的相关性,其中
7.根据权利要求6所述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤26)的具体内容为:
261)预备模型参数训练:
其中N(μ,σ)表示正态分布,P()表示满足括号中条件的概率;bi表示目标类i是否在图像中出现,bpa(i)表示目标类i父节点是否在图像中出现,μi,σi分别表示上式中i类目标位置的平均值和方差;Li为目标类i的位置,Lpa(i)为父节点pa(i)的位置,符合高斯分布;如果bi=1,bpa(i)=1,Li依赖于父节点pa(i)的位置,dipa(i)为父子节点的相对偏移;如果bi=1,bpa(i)=0,目标位置与父节点位置无关;如果bi=0,则其位置表示为子集图像中所有i类目标的平均位置;
262)整合模型参数学习:其中g为全局特征,采用逻辑回归的方法来估计p(bi|g),整合步骤4)中单一基础检测器相应结果,得到正确检测的概率p(cik|bi):
其中,cik为在第k个实例中是否正确检测目标,1表示正确,0表示错误,bi为目标类i是否出现,1表示出现,0表示不出现;sum(cik=1)为第k个实例中正确检测目标的总次数,sum(bi=1)为目标类i出现的总次数;
检测窗口的位置概率为p(Wik|cik=1,Li),其中 和是对应目标类i的第k个实例的检测窗口的垂直位置和尺度;
其中,如果检测窗口是正确的,cik=1,则Wik等于N(Wik|Li,Δi),Δi为目标预测位置的方差,如果窗口检测是错误的,则Wik不依靠Li,表示为一个常量const;
对于基础检测器的分值概率p(sik|cik),其中sik表示图像中局部检测器获得的目标类i的第k高的分值,其依靠于正确检测的结果cik;利用贝叶斯准则:其中,p(cik|sik)使用机器学习中的逻辑回归方法进行拟合。
8.根据权利要求7所述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤41)的具体内容为:
411)计算输入图片的Gist特征;
412)获得该图片的Gist特征与各个子场景的聚类中心的距离倒数;
413)计算步骤412)获得的值之和;
414)获得412)、413)两者比值,表示子场景空间的选择函数的概率:得到p(zt|xgc);其中xgc为图片的Gist特征,zt为各个子场景,dt -1为图片的Gist特征与各个子场景的聚类中心的距离倒数,为图片的Gist特征与各个子场景的聚类中心的距离倒数之和,T为子场景的总数;取最大概率值,选择对应场景。
9.根据权利要求1所述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述步骤43)的判断方法为:
如果场景选择为B类,且步骤43)判断结果正确,则图片判断为火情预警图片,发出预警,并将图片添加入相应场景,训练特征值;
如果场景选择为A类,且步骤43)判断结果正确,则图片判断为非火情预警图片,不发出预警,并将图片添加入相应场景,训练特征值;
如果场景选择不为A类且不为B类,则发出预警,人为干预判断,将图片添加入新的场景,并对其特征进行训练。
10.根据权利要求3所述的一种基于机器学习监测视频图像烟雾的火情预警方法,其特征是,所述参数λ=10,θ=0,γ=0.5,σ=0.56λ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810212672.7A CN108363992B (zh) | 2018-03-15 | 2018-03-15 | 一种基于机器学习监测视频图像烟雾的火情预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810212672.7A CN108363992B (zh) | 2018-03-15 | 2018-03-15 | 一种基于机器学习监测视频图像烟雾的火情预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108363992A true CN108363992A (zh) | 2018-08-03 |
CN108363992B CN108363992B (zh) | 2021-12-14 |
Family
ID=63000369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810212672.7A Active CN108363992B (zh) | 2018-03-15 | 2018-03-15 | 一种基于机器学习监测视频图像烟雾的火情预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363992B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598214A (zh) * | 2018-11-22 | 2019-04-09 | 深圳爱莫科技有限公司 | 吸烟行为识别方法和装置 |
CN112330915A (zh) * | 2020-10-29 | 2021-02-05 | 五邑大学 | 无人机森林防火预警方法、系统、电子设备和存储介质 |
CN113313028A (zh) * | 2021-05-28 | 2021-08-27 | 国网陕西省电力公司电力科学研究院 | 一种火焰检测方法、系统、终端设备及可读存储介质 |
CN115467752A (zh) * | 2021-06-11 | 2022-12-13 | 广州汽车集团股份有限公司 | 汽车发动机失火诊断分析的方法、系统及计算机存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060209184A1 (en) * | 2004-11-16 | 2006-09-21 | Chao-Ho Chen | Early fire detection method and system based on image processing |
CN101751744A (zh) * | 2008-12-10 | 2010-06-23 | 中国科学院自动化研究所 | 一种烟雾检测和预警方法 |
CN102136059A (zh) * | 2011-03-03 | 2011-07-27 | 苏州市慧视通讯科技有限公司 | 一种基于视频分析的烟雾检测方法 |
CN103456122A (zh) * | 2013-08-26 | 2013-12-18 | 中国科学技术大学 | 一种森林火灾烟雾识别方法及装置 |
CN103617414A (zh) * | 2013-11-09 | 2014-03-05 | 中国科学技术大学 | 一种基于最大间距准则的火灾颜色模型及火灾火焰和烟雾识别方法 |
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN106054928A (zh) * | 2016-05-18 | 2016-10-26 | 中国计量大学 | 一种基于无人机网络的全地域火灾发生测定方法 |
CN106097346A (zh) * | 2016-06-13 | 2016-11-09 | 中国科学技术大学 | 一种自学习的视频火灾探测方法 |
CN106446933A (zh) * | 2016-08-31 | 2017-02-22 | 河南广播电视大学 | 基于上下文信息的多目标检测方法 |
CN106682635A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于随机森林特征选择的烟雾检测方法 |
CN106778582A (zh) * | 2016-12-07 | 2017-05-31 | 哈尔滨工业大学 | 基于rgb重构的森林图像切割后的火焰/烟雾识别方法 |
CN106952438A (zh) * | 2017-04-19 | 2017-07-14 | 天津安平易视智能影像科技有限公司 | 一种基于视频图像的火灾预警方法 |
CN106997461A (zh) * | 2017-03-28 | 2017-08-01 | 浙江大华技术股份有限公司 | 一种烟火检测方法及装置 |
CN107688793A (zh) * | 2017-09-05 | 2018-02-13 | 国网安徽省电力公司检修公司 | 一种变电站室外火灾自动监测预警方法 |
CN108319964A (zh) * | 2018-02-07 | 2018-07-24 | 嘉兴学院 | 一种基于混合特征和流形学习的火灾图像识别方法 |
-
2018
- 2018-03-15 CN CN201810212672.7A patent/CN108363992B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060209184A1 (en) * | 2004-11-16 | 2006-09-21 | Chao-Ho Chen | Early fire detection method and system based on image processing |
CN101751744A (zh) * | 2008-12-10 | 2010-06-23 | 中国科学院自动化研究所 | 一种烟雾检测和预警方法 |
CN102136059A (zh) * | 2011-03-03 | 2011-07-27 | 苏州市慧视通讯科技有限公司 | 一种基于视频分析的烟雾检测方法 |
CN103456122A (zh) * | 2013-08-26 | 2013-12-18 | 中国科学技术大学 | 一种森林火灾烟雾识别方法及装置 |
CN103617414A (zh) * | 2013-11-09 | 2014-03-05 | 中国科学技术大学 | 一种基于最大间距准则的火灾颜色模型及火灾火焰和烟雾识别方法 |
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN106054928A (zh) * | 2016-05-18 | 2016-10-26 | 中国计量大学 | 一种基于无人机网络的全地域火灾发生测定方法 |
CN106097346A (zh) * | 2016-06-13 | 2016-11-09 | 中国科学技术大学 | 一种自学习的视频火灾探测方法 |
CN106446933A (zh) * | 2016-08-31 | 2017-02-22 | 河南广播电视大学 | 基于上下文信息的多目标检测方法 |
CN106778582A (zh) * | 2016-12-07 | 2017-05-31 | 哈尔滨工业大学 | 基于rgb重构的森林图像切割后的火焰/烟雾识别方法 |
CN106682635A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于随机森林特征选择的烟雾检测方法 |
CN106997461A (zh) * | 2017-03-28 | 2017-08-01 | 浙江大华技术股份有限公司 | 一种烟火检测方法及装置 |
CN106952438A (zh) * | 2017-04-19 | 2017-07-14 | 天津安平易视智能影像科技有限公司 | 一种基于视频图像的火灾预警方法 |
CN107688793A (zh) * | 2017-09-05 | 2018-02-13 | 国网安徽省电力公司检修公司 | 一种变电站室外火灾自动监测预警方法 |
CN108319964A (zh) * | 2018-02-07 | 2018-07-24 | 嘉兴学院 | 一种基于混合特征和流形学习的火灾图像识别方法 |
Non-Patent Citations (1)
Title |
---|
刘静: "基于特征组合的图像场景分类", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598214A (zh) * | 2018-11-22 | 2019-04-09 | 深圳爱莫科技有限公司 | 吸烟行为识别方法和装置 |
CN112330915A (zh) * | 2020-10-29 | 2021-02-05 | 五邑大学 | 无人机森林防火预警方法、系统、电子设备和存储介质 |
CN113313028A (zh) * | 2021-05-28 | 2021-08-27 | 国网陕西省电力公司电力科学研究院 | 一种火焰检测方法、系统、终端设备及可读存储介质 |
CN113313028B (zh) * | 2021-05-28 | 2024-03-12 | 国网陕西省电力公司电力科学研究院 | 一种火焰检测方法、系统、终端设备及可读存储介质 |
CN115467752A (zh) * | 2021-06-11 | 2022-12-13 | 广州汽车集团股份有限公司 | 汽车发动机失火诊断分析的方法、系统及计算机存储介质 |
CN115467752B (zh) * | 2021-06-11 | 2024-05-28 | 广州汽车集团股份有限公司 | 汽车发动机失火诊断分析的方法、系统及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108363992B (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bird et al. | Real time, online detection of abandoned objects in public areas | |
JP6968681B2 (ja) | 火災監視システム | |
CN108363992A (zh) | 一种基于机器学习监测视频图像烟雾的火情预警方法 | |
CN110135269B (zh) | 一种基于混合颜色模型与神经网络的火灾图像检测方法 | |
CN112069975B (zh) | 一种基于紫外、红外、视觉的综合火焰检测方法 | |
CN104303193B (zh) | 基于聚类的目标分类 | |
CN107437318B (zh) | 一种可见光智能识别算法 | |
CN111091072A (zh) | 一种基于YOLOv3的火焰及浓烟检测方法 | |
CN102332092B (zh) | 一种基于视频分析的火焰检测方法 | |
CN110322659A (zh) | 一种烟雾检测方法 | |
CN108985192A (zh) | 一种基于多任务深度卷积神经网络的视频烟雾识别方法 | |
CN111680632A (zh) | 基于深度学习卷积神经网络的烟火检测方法及系统 | |
CN108038867A (zh) | 基于多特征融合和立体视觉的火焰检测和定位方法 | |
Mehta et al. | Fire and gun violence based anomaly detection system using deep neural networks | |
CN109377713A (zh) | 一种火灾预警方法及系统 | |
CN109389185A (zh) | 使用三维卷积神经网络的视频烟雾识别方法 | |
CN115082834B (zh) | 一种基于深度学习工程车冒黑烟监测方法及系统 | |
CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
CN107688793A (zh) | 一种变电站室外火灾自动监测预警方法 | |
CN115311604B (zh) | 一种基于物联网的消防方法 | |
CN113963301A (zh) | 一种时空特征融合的视频火灾烟雾探测方法及系统 | |
CN114885119A (zh) | 一种基于计算机视觉的智能监控报警系统及方法 | |
CN114155457A (zh) | 基于火焰动态识别的控制方法及控制装置 | |
Lu et al. | Flame feature model development and its application to flame detection | |
Rajan et al. | Forest fire detection using machine learning |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201110 Address after: 210000 5 / F, building 1-1, building 19, Changqing street, Jiangning District, Nanjing City, Jiangsu Province (Jiangning Development Zone) Applicant after: NANJING JULI INTELLIGENT MANUFACTURING TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd. Address before: 210003 Gulou District, Jiangsu, Nanjing new model road, No. 66 Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS |
|
GR01 | Patent grant | ||
GR01 | Patent grant |