CN111898565B - 一种基于鲁棒多视角的森林烟火实时监测系统和方法 - Google Patents
一种基于鲁棒多视角的森林烟火实时监测系统和方法 Download PDFInfo
- Publication number
- CN111898565B CN111898565B CN202010771580.XA CN202010771580A CN111898565B CN 111898565 B CN111898565 B CN 111898565B CN 202010771580 A CN202010771580 A CN 202010771580A CN 111898565 B CN111898565 B CN 111898565B
- Authority
- CN
- China
- Prior art keywords
- fire
- forest
- view
- data
- smoke
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于鲁棒多视角的森林烟火实时监测方法,属于森林烟火安全监测技术领域,该方法包括以下步骤:首先在森林中均匀布置森林烟火数据采集模块,森林烟火数据采集模块包括森林烟火图像数据采集器;接着在后台服务器上设置鲁棒多视角检测模块;然后由森林烟火图像数据采集器通过数据传输模块向后台服务器输入森林烟火图像数据;最后由位于后台服务器上的鲁棒多视角检测模块对输入的森林烟火图像数据进行处理检测,从而判断森林中是否存在烟火事故;本专利方法中的鲁棒多视角检测模块鲁棒性高,本专利方法可以实现实时监测森林烟火事故,且监测精度高,具有较高的可扩展性。
Description
技术领域
本发明属于森林烟火监测技术领域,具体是涉及一种基于鲁棒多视角的森林烟火实时监测系统和方法。
背景技术
森林是重要的自然资源,与人类的关系极为密切,它对人类的贡献是多种多样的,不仅提供各种木材和经济植物,同时也是许多食物的来源,但是,近年来我国的森林资源不断减少,由此造成严重的后果。
在人脸识别、文本分类和模式识别等领域中,支持向量机(SVM,Support VectorMachine)作为一种监督学习分类器,通过最大化不同超平面之间的距离构造最佳超平面来进行分类。在有效的处理线性不可分问题的同时,利用正则化项将经验风险和结构风险降到最低,从而使得分类模型更加健壮。此外,可以将模型优化表示为凸优化问题,于是可以利用已知的有效算法得到目标函数的全局最小值,于此同时,还具有优秀的范化能力与鲁棒性等优点。虽然SVM应用广泛,但是在处理XOR问题和二次规划问题上有限制缺陷。
所以,提出了广义特征值近邻支持向量机(GEPSVM),与原始的支持向量机(SVM)不同,GEPSVM将原始问题转化为通过求解广义特征值问题,并以此最终获得两个非平行超平面。目前,基于广义特征值近邻支持向量机(GEPSVM)的模型在处理异或(XOR)问题上具有明显优势,不仅如此,其在分类应用中还可以通过求解特征值的方法来获得最佳参数,实现辅助分类,与其他分类算法相比,GEPSVM具有计算成本低的优点,因此,GEPSVM已成为良好的低层分类器。上述支持向量机(SVM)和广义特征值近邻支持向量机(GEPSVM)都主要用于解决二进制分类的问题,目前有将广义特征值近邻支持向量机(GEPSVM)在二元分类中的应用扩展到多分类器,并提出了孪生支持向量机(TWSVM)。此外,还有很多有关GEPSVM的改进算法,例如通过研究GEPSVM中噪声数据的处理以及对训练时间的改进,提出了改进的近端支持向量机(IDGEPSVM),此外为了解决广义特征值分解中的奇异性问题,提出了使用差分行驶代替比例形式来表示样本点和超平面距离之间的关系,从而产生了GEPSVM的改进版本IGEPSVM的算法。
多视图学习可以通过对同一对象不同视角的学习来提高数据预测的准确性,在现实世界与计算机语言中,同一对象可以由多种视角进行描述,多视图学习作为一种学习机制,不同的视图不仅可以来自多个来源或特征子集,还可以手动生成,因此具有良好的应用前景,越来越多的人将多视图学习与分类器相结合,使其应用到分类算法中。多视图学习与传统的单视图学习算法相比,其可以利用相同类之间的一致性和互补性来提高分类器的性能。
后来有人提出了一种改进的非平行超平面分类器,称为双svms(TSVMs),其目的是生成两个非平行超平面,使其中一个超平面更接近一个类,并且与另一个类有一定的距离。由于TSVMS具有较高的分类精度和较低的计算复杂度,已成为机器学习中的一种流行方法。MvTSVMs算法是在此基础上进行改进,结合多视角学习,将TSVMs算法拓展到两个视角,其中一个目标函数为
s.t.|A1v1-A2v2|≤η.
-B1v1+q1≥e2,
-B2v2+q2≥e2,
q1≥0,q2≥0,
η≥0
该模型为带不等式约束的二次规划问题,目标函数与求解过程较为复杂,计算时间较长,效率较低。后来又出现了Multi-view twin support vector machines(MvTSVMs),多视角孪生支持向量机。
Multi-view privileged SVM model(PSVM-2V)多视图特权SVM模型,由于svm-2k不能充分释放不同特征视图之间互补信息的力量,于是在此基础上Tang于2018年提出了一种使用特权信息(Lupi)学习的框架,用于用互补信息对数据进行建模。将Lupi扩展到MVL。通过经典的二次规划求解器可以解决PSVM-2V的优化问题。
后来有人提出了具有多个视图的正则化框架。同年,提出了一种称为“两视图学习:SVM-2K,理论与实践”的两视图学习方法。近年来,经常使用一对相似的一维投影来组合不同的视图以形成新的框架。在此基础上,Sun提出多视图GEPSVM(MvGSVM)的新算法,并将复杂的优化问题转化为广义特征问题。如今,多视图学习算法主要包括协作训练,多核学习和子空间学习。
但是MvGSVM通过计算距离连接不同视图,对不同视角本身关系的探究,通过不同视角到超平面距离之间的联系无法反映同一类别的不同视角之间的结构关系。除此之外,在图像处理中,如森林火灾数据,这些数据通常维度较高,包含许多冗余特征和噪音。因此,有必要在不同的分类任务中选择和提取最具区别的特征。目前,已经提出了许多特征选择方法,其中最著名的是主成分分析(PCA),由于其良好的数据重建性能,该方法成为一种重要的数据预处理技术,但由于它是从原始数据的几何结构中学习不同的特征,因此缺乏相应的判别能力。不仅如此特征学习过程通常与分类学习分开,分类学习所涉及的特征缺乏可解释性,因此不适用于分类问题。
Multiview Generalized Eigenvalue Proximal Support Vector Machines(MvGSVMs),基于广义特征值近端支持向量机的多视图学习,该算法将多视角学习与分类器相结合,通过相同类别不同视角样本点到超平面之间距离的差值最小化来表示同类别视角之间的一致性,以一个视角为例,其目标函数为
缺点是单纯的通过距离计算差值来联系两个视角,缺乏了对于同类样本点本身结构之间的相关性的考虑,不够准确的同时可解释性较差。
相比于单视角算法而言,多视图分类算法考虑了同一类别的不同视角之间的一致性和互补性,使得多视图学习算法优于单视图学习算法。然而多视角算法如MvTSVMs,PSVM-2V,是在约束中引入共正则项连接两个视图,这些模型求解为带不等式约束的优化问题,通过拉格朗日乘子法进行求解。尽管MvGSVMs在目标函数中将不同视角联系起来,并通过求解特征值得到模型参数,不论是目标函数还是求解过程都变得更加的简单明了,但是并没有从样本数据本身的结构之间的一致性去考虑。
因此,需要提出一种新型的模型。
发明内容
发明目的:为了克服现有技术中森林烟火监测精度低,不具有可扩展性等存在的不足,本发明提供基于鲁棒多视角的森林烟火实时监测系统和方法,该方法监测精度高,且满足实时监测森林烟火,具有较高的可扩展性和模型鲁棒性。
技术方案:为实现上述目的,本发明的基于鲁棒多视角的森林烟火实时监测系统,
进一步地,该系统包括:
森林烟火数据采集模块,用于实时采集森林烟火数据;
数据传输模块,用于将实时采集到的森林烟火数据传输至后台服务器;
鲁棒多视角检测模块,位于后台服务器,用于检测森林烟火数据,从而判断森林中是否存在烟火事故;
该系统的工作原理:首先由森林烟火数据采集模块实时采集森林烟火数据,接着由数据传输模块将实时采集的森林烟火数据传输至后台服务器,最后由鲁棒多视角检测模块检测森林烟火数据,从而判断森林中是否存在烟火事故。
进一步地,所述森林烟火数据采集模块包括均匀布置在森林中的若干个森林烟火图像数据采集器。
进一步地,所述森林烟火数据采集模块包括均匀布置在森林中的若干个温度传感器或/和若干个湿度传感器或/和若干个烟雾报警器或/和若干个压力传感器。
进一步地,均匀布置在森林中的若干个森林烟火图像数据采集器均包括监控摄像头。
进一步地,建立所述鲁棒多视角检测模块包括以下步骤:
S1首先建立初始鲁棒多视角检测模型;
S2然后求解鲁棒多视角检测模型的参数,即求解最终的分类平面;
S3最后对鲁棒多视角检测模型进行实验验证。
进一步地,建立初始鲁棒多视角检测模型,包括以下步骤:
S11首先获取样本数据集,该样本数据集包括训练集和测试集,该样本数据集中训练集输入至鲁棒多视角检测模型以后,均被处理为多视角数据集,该多视角数据集采用多视角正则化项关系矩阵Q,关系矩阵Q如下所示:
其中,qm,d表示同一对象的第d个视图在tm时刻的数据点,m=[1,2,3,…,r],d=[1,2,3,…,p],其中r和p均为正整数;
S12通过L2,1范数约束进行同一对象的特征选择,最后选择最具相关性的特征,设样本x∈Rm,m=[1,2,3,…,r],设关系矩阵Q∈Rm×d,m=[1,2,3,…,r],d=[1,2,3,…,p],其中r和p均为正整数,最后获得列向量y∈Rd,d=[1,2,3,…,p],列向量y如下所示:
通过L2,1范数约束公式如下所示:
S13进行目标函数的建立,根据S12选择同一对象的最具相关性的特征,通过最具相关性的特征对应的视角,获得第一个目标函数,该第一个目标函数表示为:
则另一个目标函数表示为:
其中,原始数据矩阵A1,A2,B1,B2,其中分别表示正类第一个视角和第二个视角的数据集,分别表示负类第一个视角和第二个视角的数据集,参数ε∈{2-10,2-9,2-8,2-7,2-6,2-5,2-4,2-3,2-2,2-1,20,2,22,23,24,25,26,27,28,29,210},δ∈{0.25,0.5,0.75,1},β∈{0.25,0.5,0.75,1}。
进一步地,求解鲁棒多视角检测模型的参数具体包括以下步骤:
S21输入所述训练集,设训练集对应的原始数据矩阵为A1,A2,B1,B2,其中分别表示正类第一个视角和第二个视角的数据集,分别表示负类第一个视角和第二个视角的数据集,其中n1+n2=n;初始化投影向量并且设置迭代次数值t=1,参数ε∈{2i|i=-10,-9,…,9,10},δ∈{0.25,0.5,0.75,1},β∈{0.25,0.5,0.75,1};
K1z=λHz (8)
的特征值得到z,Q,且设置t=t+1;
S24重复上述S22和S23,直至收敛,从而确定最终的分类平面z。
本专利的基于鲁棒多视角的森林烟火实时监测方法,采用基于鲁棒多视角的森林烟火实时监测系统,具体包括以下步骤:
A1首先在森林中均匀布置森林烟火数据采集模块,森林烟火数据采集模块包括森林烟火图像数据采集器,森林烟火图像数据采集器主要用于实时采集森林烟火图像数据,森林烟火图像数据包括树木图像数据、火图像数据、烟雾图像数据、其他动植物图像数据和其他可监控拍到的图像数据;
A2接着在后台服务器上设置鲁棒多视角检测模型;
A3然后由森林烟火图像数据采集模块通过数据传输模块向后台服务器输入森林烟火图像数据;
A4最后由位于后台服务器上的鲁棒多视角检测模型对输入的森林烟火图像数据进行处理检测,从而判断森林中是否存在火灾。
进一步地,上述步骤A4具体包括以下步骤:
A41首先针对森林烟火图像数据进行处理,主要是提取图像数据中的各个特征作为各个视角,从而获得多视角数据集;
A42获得多视角数据集后,由检测模型分别计算多视角数据集中各数据点到不同超平面的距离;然后由检测模型根据数据点到不同超平面的距离以及判别函数Y,求得Y函数的函数值,若Y>0,则该数据点归为+1类,若Y<0,否则该数据点归为-1类;
A43最后检测模型根据时间和空间判别,若同一视角的数据点在连续时间范围内出现大规模数据点归为+1类或同一时间的数据点在多个视角均出现大规模数据点归为+1类,或上述两种情况均有,则判别当前森林中可能存在烟火事故,否则反之。
进一步地,所述A42包括以下步骤:
首先根据如下公式分别计算样本点到超平面之间的距离:
上述view1公式表示第一个视角样本点到超平面之间的距离;
上述view2公式表示第二个视角样本点到超平面之间的距离;
然后根据判别函数Y求解函数值,所述判别函数Y如下公式所示:
有益效果:本发明与现有技术比较,具有的优点是:
1本专利通过基于多视角学习来监测森林烟火,多视图学习与传统的单视图学习算法相比,其可以利用相同类之间的一致性和互补性来提高分类模型的各种性能,由此基于多视角学习可以提高模型预测数据的准确性;
2本专利鲁棒多视角检测模型在多视角学习的基础上,从训练数据集同类样本不同视角之间的内在结构联系建立正则化项,使得视角之间的联系更准确更具有可解释性,同时,使用L2,1范数约束关系矩阵,筛选出最具相关性的样本数据参与联系,使得模型更加准确并在一定程度上增加了模型的鲁棒性。探究不同视角之间的内在联系,通过一个矩阵联系不同视角,挖掘不同视角之间的关系,通过L2,1范数约束,减少不必要特征对于分类的影响,提高模型泛化能力与分类精度的同时,提高鲁棒性;
3本专利鲁棒多视角检测模型相比于单视角分类器GEPSVM,或者是多视角分类器MvGSVM而言,不论是在分类精度上还是在面对噪声的鲁棒性上都有着不错的提升;
4本专利方法可以实现实时监测森林烟火,且监测精度高,具有较高的可扩展性;
5本专利方法实施方便,成本较低。
附图说明
图1是基于鲁棒多视角的森林烟火实时监测方法步骤流程图。
图2是SmokeImage1数据集中测试集的部分数据图。
图3是森林火灾数据集中部分数据图。
图4是对比实验结果柱状展示图。
图5是本专利算法快速收敛性展示图。
具体实施方式
下面结合附图和实施例对本发明作更进一步的说明。
实施例一:
本实施例的基于鲁棒多视角的森林烟火实时监测系统,包括:
森林烟火数据采集模块,用于实时采集森林烟火数据;
数据传输模块,用于将实时采集到的森林烟火数据传输至后台服务器;
鲁棒多视角检测模块,位于后台服务器,用于检测森林烟火数据,从而判断森林中是否存在烟火事故;
该系统的工作原理:首先由森林烟火数据采集模块实时采集森林烟火数据,接着由数据传输模块将实时采集的森林烟火数据传输至后台服务器,最后由鲁棒多视角检测模块检测森林烟火数据,从而判断森林中是否存在烟火事故。
本实施例的森林烟火数据采集模块包括均匀布置在森林中的若干个森林烟火图像数据采集器,以及还可能包括以下中的一种或几种:均匀布置在森林中的若干个温度传感器、均匀布置在森林中的若干个湿度传感器、均匀布置在森林中的若干个烟雾报警器、均匀布置在森林中的若干个压力传感器等。其中,均匀布置在森林中的若干个森林烟火图像数据采集器是为了能够保证采集到全范围的森林烟火图像数据,森林烟火图像数据采集器可以采用监控摄像头或其他。
实施例二:
本实施例的基于鲁棒多视角的森林烟火实时监测系统,基于实施例一,其中数据传输模块可以采用Zigbee传输协议,具体是:在均匀布置在森林中的若干个森林烟火图像数据采集器中设置Zigbee传输协议相关传感器,在后台服务器上同时设置Zigbee传输协议,两者之间通过Zigbee传输协议无线通信连接。
实施例三
本实施例的基于鲁棒多视角的森林烟火实时监测系统,基于实施例二,其中鲁棒多视角检测模块位于后台服务器,建立鲁棒多视角检测模块的方法具体包括以下步骤:
首先建立初始鲁棒多视角检测模型;然后求解鲁棒多视角检测模型的参数,即求解最终的分类平面;最后对鲁棒多视角检测模型进行实验验证。
上述建立初始鲁棒多视角检测模型具体包括以下步骤:
首先获取样本数据集,该样本数据集包括训练集和测试集,该样本数据集输入至鲁棒多视角检测模型以后,均被处理为多视角数据集,该多视角数据集采用多视角正则化项关系矩阵Q,关系矩阵Q如下所示:
其中,qm,d表示同一对象的第d个视图在tm时刻的数据点,m=[1,2,3,…,r],d=[1,2,3,…,p],其中r和p均为正整数;
大多数现有的多视图框架通过不同视图的中点与超平面之间的差异来组合两个视图,但是并没有探索同一类样本之间自身结构特征的一致性,因此,我们充分利用超平面在分类中的作用,并通过在超平面法向矢量上采样点的映射来建立不同视图之间的关系。通过关系矩阵Q来表达同一样本的不同视图之间的内部结构关系,与此同时,为了满足多视角多视图学习的共识原则,于是有:
S12通过L2,1范数约束进行同一对象的特征选择,最后选择最具相关性的特征,设样本x∈Rm,m=[1,2,3,…,r],设关系矩阵Q∈Rm×d,m=[1,2,3,…,r],d=[1,2,3,…,p],其中r和p均为正整数,最后获得列向量y∈Rd,d=[1,2,3,…,p],列向量y如下所示:
其中qi=[qi,1,qi,2,qi,3,…,qi,d]表示关系矩阵Q的行向量,如果某些行qi为零,则相应样本中的相关特征将不用作计。
可以通过中的L0范数约束来选择特征中最相关的特征,由于解决关于L0-范数约束的优化问题是一个NP-hard问题,因此,可以替代地使用具有L0-范数约束的近似解的L1-范数,的L1-norm约束是Q的L2,1-norm约束,通过L2,1范数约束公式如下所示:
S13进行目标函数的建立,根据S12选择同一对象的最具相关性的特征,通过最具相关性的特征对应的视角,获得第一个目标函数,该第一个目标函数表示为:
则另一个目标函数表示为:
其中,原始数据矩阵A1,A2,B1,B2,其中分别表示正类第一个视角和第二个视角的数据集,分别表示负类第一个视角和第二个视角的数据集,参数参数ε∈{2-10,2-9,2-8,2-7,2-6,2-5,2-4,2-3,2-2,2-1,20,2,22,23,24,25,26,27,28,29,210},δ∈{0.25,0.5,0.75,1},β∈{0.25,0.5,0.75,1}。
通过上述计算得到初始的鲁棒多视角检测模型。
实施例四
本实施例的基于鲁棒多视角的森林烟火实时监测系统,基于实施例三,其中求解鲁棒多视角检测模型的参数,即求解最终的分类平面,具体包括以下步骤,以实施例三中第一个目标函数的求解为例,另一个目标函数的解法相同:
输入样本数据集中的训练集,设训练集对应的原始数据矩阵A1,A2,B1,B2,其中分别表示正类第一个视角和第二个视角的数据集,分别表示负类第一个视角和第二个视角的数据集,其中n1+n2=n;初始化投影向量并且设置迭代次数值t=1,参数ε∈{2i|i=-10,-9,…,9,10},δ∈{0.25,0.5,0.75,1},β∈{0.25,0.5,0.75,1};
K1z=λHz (8)
的特征值得到z,Q,且设置t=t+1;
重复上述步骤直至函数收敛,从而确定最终的分类平面z。
实施例五:
本实施例的基于鲁棒多视角的森林烟火实时监测系统,基于实施例四,获取样本数据集,该样本数据集采用SmokeImage1数据集,其中SmokeImage1数据集包括训练集和测试集,其中训练集由5000个真实烟雾图像和30,000个合成烟雾图像组成,测试集包含500张烟雾图像和500张来自ImageNet的非烟雾图像。样本数据集中训练集输入至鲁棒多视角检测模型以后,均被处理为多视角数据集,本实施例的样本数据集最后被为同一对象的多视角数据集,不同于传统意义上的同一对象的单一视角数据集,在此基础上,提取了图像的HSV颜色特征作为第一个视角,并提取了SIFT特征为图像的第二个视角,由此来建立初始鲁棒多视角检测模型,然后求解鲁棒多视角检测模型的参数,即求解最终的分类平面,最后通过测试集对鲁棒多视角检测模型进行实验验证,实验中选择150张烟雾图像和150张非烟雾图像,并在图2中显示了一些图片,在此基础上,提取了图像的HSV颜色特征作为第一个视角,并提取了SIFT特征为图像的第二个视角,其中测试集主要用于模型的精准度测试,利用测试集进行模型准确度的测试,有利于提高模型检测的准确度和效率。以上模型的建立和测试均是在MATLAB中进行编程实现,其中涉及到模型参数的求解,模型的优化等问题,具体均是在MATLAB中实现,模型建立好以后,通过安装在后台服务器上;由森林烟火数据采集模块实时采集森林烟火数据,接着由数据传输模块将实时采集到的森林烟火数据传输至后台服务器,然后由后台服务器上的鲁棒多视角检测模块检测实时的森林烟火数据,用以判断森林中是否存在烟火事故,实现森林烟火的实时监测。
实施例六:
本实施例的基于鲁棒多视角的森林烟火实时监测方法,基于实施例五,采用基于鲁棒多视角的森林烟火实时监测系统,具体包括以下步骤:
首先在森林中均匀布置森林烟火数据采集模块,森林烟火数据采集模块包括森林烟火图像数据采集器,森林烟火图像数据采集器主要用于实时采集森林烟火图像数据,森林烟火图像数据包括树木图像数据、火图像数据、烟雾图像数据、其他动植物图像数据和其他可监控拍到的图像数据;
接着在后台服务器上设置鲁棒多视角检测模型;
然后由森林烟火图像数据采集模块通过数据传输模块向后台服务器输入森林烟火图像数据;
最后由位于后台服务器上的鲁棒多视角检测模型对输入的森林烟火图像数据进行处理检测,从而判断森林中是否存在火灾;
上述鲁棒多视角检测模型对输入的森林烟火图像数据进行处理检测,具体是,参照图1:
首先针对森林烟火图像数据进行处理,主要是提取图像数据中的各个特征作为各个视角(提取图像数据中的特征,该特征的类别和特征的个数的选取视具体情况而定);从而获得多视角数据集(多视角数据集的视角的类别和个数的选取视具体情况而定);
获得多视角数据集后,由检测模型分别计算多视角数据集中各数据点到不同超平面的距离;然后由检测模型根据数据点到不同超平面的距离以及判别函数Y,求得Y函数的函数值,若Y>0,则该数据点归为+1类,若Y<0,否则该数据点归为-1类:
具体是:
首先根据如下公式分别计算样本点到超平面之间的距离:
上述view1公式表示第一个视角样本点到超平面之间的距离;
上述view2公式表示第二个视角样本点到超平面之间的距离;
然后根据判别函数Y求解函数值,所述判别函数Y如下公式所示:
最后检测模型根据时间和空间判别,若同一视角的数据点在连续时间范围内出现大规模数据点归为+1类或同一时间的数据点在多个视角均出现大规模数据点归为+1类,或上述两种情况均有,则判别当前森林中可能存在烟火事故,否则反之。
实施例七:
本实施例的基于鲁棒多视角的森林烟火实时监测方法,基于实施例六,通过本专利方法和其他进行对比试验验证:首先选择SmokeImage数据集;然后在SmokeImage数据集上进行了实验,分别选择单视点GEPSVM、多视点MvTSVM、MvGSVM、PSVM-2V算法对上述SmokeImage数据集进行实验;最终将各实验结果进行比较分析,由此来验证本专利方法的优越性。实验结果显示本专利方法在两个数据集中的实验都拥有最高的分类精度,不仅如此,分别在两个数据集中加入噪声后,实验结果仍然变化幅度较小,本专利方法鲁棒性最好。
首先选择森林火灾数据集,该数据集是从554张下载的图像中截取三类数据。它们是树木,火和烟,每类数据包含200张图片。选择树木和火来构成Tre-fir,用于分类实验。同样选择HSV颜色特征作为第一个视角,SIFT特征为第二个视角,如图3所示。
同样选择SmokeImage1数据集包括训练集和测试集,其中训练集由5000个真实烟雾图像和30,000个合成烟雾图像组成,测试集包含500个烟雾图像和500个来自ImageNet的非烟雾图像。实验中选择150张烟雾图像和150张非烟雾图像,并在图2中显示了一些图片,在此基础上,提取了图像的HSV颜色特征作为第一个视角,并提取了SIFT特征为图像的第二个视角。
分别在SmokeImage1数据集和森林火灾数据集上进行实验验证,分别选择单视点GEPSVM、多视点MvTSVM、MvGSVM、PSVM-2V算法对上述数据集进行实验:
实验结果表明:
表1和表2分别给出了在SmokeImage1以及林火数据集上的实验结果,包括添加30%高斯噪声前后的分类精度,标准偏差和操作时间。显然,我们提出的算法在分类性能上优于大多数算法,并且更稳定。
表1
表2
将实验结果以柱状图的形式展示,如图4所示;
为了直观的显示本专利算法具有快速收敛性,如图5所示,列举了本专利在SmokeImage1数据集以及森林火灾数据集上收敛性表现。从图5可以看出,本专利方法在经过10以内的迭代之后程序快速收敛,说明本专利在计算耗费上是可行的。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于鲁棒多视角的森林烟火实时监测系统,其特征在于,
该系统包括:
森林烟火数据采集模块,用于实时采集森林烟火数据;
数据传输模块,用于将实时采集到的森林烟火数据传输至后台服务器;
鲁棒多视角检测模块,位于后台服务器,用于检测森林烟火数据,从而判断森林中是否存在烟火事故;建立所述鲁棒多视角检测模块包括以下步骤:
S1首先建立初始鲁棒多视角检测模型;
所述S1包括以下步骤:
S11首先获取样本数据集,该样本数据集包括训练集和测试集,该样本数据集中训练集输入至鲁棒多视角检测模型以后,均被处理为多视角数据集,该多视角数据集采用多视角正则化项关系矩阵Q,关系矩阵Q如下所示:
其中,qm,d表示同一对象的第d个视图在tm时刻的数据点,m=[1,2,3,…,r],d=[1,2,3,…,p],其中r和p均为正整数;
S12通过L2,1范数约束进行同一对象的特征选择,最后选择最具相关性的特征,设样本x∈Rm,m=[1,2,3,…,r],设关系矩阵Q∈Rm×d,m=[1,2,3,…,r],d=[1,2,3,…,p],其中r和p均为正整数,最后获得列向量y∈Rd,d=[1,2,3,…,p],列向量y如下所示:
通过L2,1范数约束公式如下所示:
S13进行目标函数的建立,根据S12选择同一对象的最具相关性的特征,通过最具相关性的特征对应的视角,获得第一个目标函数,该第一个目标函数表示为:
则另一个目标函数表示为:
其中,原始数据矩阵A1,A2,B1,B2,其中分别表示正类第一个视角和第二个视角的数据集,分别表示负类第一个视角和第二个视角的数据集,参数ε∈{2-10,2-9,2-8,2-7,2-6,2-5,2-4,2-3,2-2,2-1,20,2,22,23,24,25,26,27,28,29,210},δ∈{0.25,0.5,0.75,1},β∈{0.25,0.5,0.75,1};
S2然后求解鲁棒多视角检测模型的参数,即求解最终的分类平面;
S3最后对鲁棒多视角检测模型进行实验验证;
该系统的工作原理:首先由森林烟火数据采集模块实时采集森林烟火数据,接着由数据传输模块将实时采集的森林烟火数据传输至后台服务器,最后由鲁棒多视角检测模块检测森林烟火数据,从而判断森林中是否存在烟火事故。
2.根据权利要求1所述的基于鲁棒多视角的森林烟火实时监测系统,其特征在于,所述森林烟火数据采集模块包括均匀布置在森林中的若干个森林烟火图像数据采集器。
3.根据权利要求1或2所述的基于鲁棒多视角的森林烟火实时监测系统,其特征在于,所述森林烟火数据采集模块包括均匀布置在森林中的若干个温度传感器或/和若干个湿度传感器或/和若干个烟雾报警器或/和若干个压力传感器。
4.根据权利要求2所述的基于鲁棒多视角的森林烟火实时监测系统,其特征在于,均匀布置在森林中的若干个森林烟火图像数据采集器均包括监控摄像头。
5.根据权利要求1所述的基于鲁棒多视角的森林烟火实时监测系统,其特征在于,所述S2包括以下步骤:
S21输入所述训练集,设训练集对应的原始数据矩阵为A1,A2,B1,B2,其中分别表示正类第一个视角和第二个视角的数据集,分别表示负类第一个视角和第二个视角的数据集,其中n1+n2=n;初始化投影向量并且设置迭代次数值t=1,参数ε∈{2i|i=-10,-9,…,9,10},δ∈{0.25,0.5,0.75,1},β∈{0.25,0.5,0.75,1};
K1z=λHz (8)
的特征值得到z,Q,且设置t=t+1;
S24重复上述S22和S23,直至收敛,从而确定最终的分类平面z。
6.基于鲁棒多视角的森林烟火实时监测方法,采用如上述权利要求1至5中任意一项所述的基于鲁棒多视角的森林烟火实时监测系统,具体包括以下步骤:
A1首先在森林中均匀布置森林烟火数据采集模块,森林烟火数据采集模块包括森林烟火图像数据采集器,森林烟火图像数据采集器主要用于实时采集森林烟火图像数据,森林烟火图像数据包括树木图像数据、火图像数据、烟雾图像数据、其他动植物图像数据和其他可监控拍到的图像数据;
A2接着在后台服务器上设置鲁棒多视角检测模型;
A3然后由森林烟火图像数据采集模块通过数据传输模块向后台服务器输入森林烟火图像数据;
A4最后由位于后台服务器上的鲁棒多视角检测模型对输入的森林烟火图像数据进行处理检测,从而判断森林中是否存在火灾。
7.根据权利要求6所述的基于鲁棒多视角的森林烟火实时监测方法,其特征在于,所述步骤A4具体包括以下步骤:
A41首先针对森林烟火图像数据进行处理,是提取图像数据中的各个特征作为各个视角,从而获得多视角数据集;
A42获得多视角数据集后,由检测模型分别计算多视角数据集中各数据点到不同超平面的距离;然后由检测模型根据数据点到不同超平面的距离以及判别函数Y,求得Y函数的函数值,若Y>0,则该数据点归为+1类,若Y<0,否则该数据点归为-1类;
A43最后检测模型根据时间和空间判别,若同一视角的数据点在连续时间范围内出现大规模数据点归为+1类或同一时间的数据点在多个视角均出现大规模数据点归为+1类,或上述两种情况均有,则判别当前森林中可能存在烟火事故,否则反之。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010771580.XA CN111898565B (zh) | 2020-08-04 | 2020-08-04 | 一种基于鲁棒多视角的森林烟火实时监测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010771580.XA CN111898565B (zh) | 2020-08-04 | 2020-08-04 | 一种基于鲁棒多视角的森林烟火实时监测系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898565A CN111898565A (zh) | 2020-11-06 |
CN111898565B true CN111898565B (zh) | 2021-11-16 |
Family
ID=73183572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010771580.XA Active CN111898565B (zh) | 2020-08-04 | 2020-08-04 | 一种基于鲁棒多视角的森林烟火实时监测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898565B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898565B (zh) * | 2020-08-04 | 2021-11-16 | 南京林业大学 | 一种基于鲁棒多视角的森林烟火实时监测系统和方法 |
CN113705337B (zh) * | 2021-07-15 | 2024-03-22 | 南京林业大学 | 一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163290A (zh) * | 2011-05-16 | 2011-08-24 | 天津大学 | 基于时空关联信息的多视角视频监控中异常事件建模方法 |
CN107038833A (zh) * | 2017-06-13 | 2017-08-11 | 广东电网有限责任公司电力科学研究院 | 一种山火火点二次甄别方法及系统 |
CN108898153A (zh) * | 2018-05-16 | 2018-11-27 | 南京林业大学 | 基于l21范式距离度量的特征选择方法 |
CN109934290A (zh) * | 2019-03-12 | 2019-06-25 | 南京林业大学 | 一种基于Lp+s范数的多视角鲁棒性图像识别方法 |
CN111898565A (zh) * | 2020-08-04 | 2020-11-06 | 南京林业大学 | 一种基于鲁棒多视角的森林烟火实时监测系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11132819B2 (en) * | 2018-12-13 | 2021-09-28 | Konkuk University Industrial Cooperation Corp | Method and apparatus for decoding multi-view video information |
-
2020
- 2020-08-04 CN CN202010771580.XA patent/CN111898565B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163290A (zh) * | 2011-05-16 | 2011-08-24 | 天津大学 | 基于时空关联信息的多视角视频监控中异常事件建模方法 |
CN107038833A (zh) * | 2017-06-13 | 2017-08-11 | 广东电网有限责任公司电力科学研究院 | 一种山火火点二次甄别方法及系统 |
CN108898153A (zh) * | 2018-05-16 | 2018-11-27 | 南京林业大学 | 基于l21范式距离度量的特征选择方法 |
CN109934290A (zh) * | 2019-03-12 | 2019-06-25 | 南京林业大学 | 一种基于Lp+s范数的多视角鲁棒性图像识别方法 |
CN111898565A (zh) * | 2020-08-04 | 2020-11-06 | 南京林业大学 | 一种基于鲁棒多视角的森林烟火实时监测系统和方法 |
Non-Patent Citations (1)
Title |
---|
森林防火视频监控中烟雲识别的监测与研究;单亦栋;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160815;第6.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898565A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103268495B (zh) | 计算机系统中基于先验知识聚类的人体行为建模识别方法 | |
CN105550634B (zh) | 基于Gabor特征与字典学习的人脸姿态识别方法 | |
CN112836672A (zh) | 一种基于自适应近邻图嵌入的无监督数据降维方法 | |
Zhou et al. | Multi-mutual consistency induced transfer subspace learning for human motion segmentation | |
US11037022B2 (en) | Discovery of shifting patterns in sequence classification | |
CN111898565B (zh) | 一种基于鲁棒多视角的森林烟火实时监测系统和方法 | |
Sayed et al. | From time-series to 2d images for building occupancy prediction using deep transfer learning | |
CN111914643A (zh) | 一种基于骨骼关键点检测的人体动作识别方法 | |
KR20210090394A (ko) | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 | |
CN108229295A (zh) | 一种基于多重局部约束的图优化维数约简方法 | |
Wang et al. | Research on application of deep learning algorithm in image classification | |
CN113129284B (zh) | 一种基于5g云边协同的外观检测方法及实现系统 | |
Shafi et al. | Embedded AI for wheat yellow rust infection type classification | |
CN108875448A (zh) | 一种行人再识别方法及装置 | |
CN114358279A (zh) | 图像识别网络模型剪枝方法、装置、设备及存储介质 | |
Wang et al. | Action recognition using linear dynamic systems | |
Xu et al. | A novel Minkowski-distance-based consensus clustering algorithm | |
Wang et al. | Intelligent sports feature recognition system based on texture feature extraction and SVM parameter selection | |
LU500123B1 (en) | A real-time forest fires detection system based on robust multi-modality learning | |
CN104820821A (zh) | 一种基于流行学习的人体行为识别方法 | |
Wei et al. | Infrared Dim and Small Target Detection Based on Superpixel Segmentation and Spatiotemporal Cluster 4D Fully-Connected Tensor Network Decomposition | |
Miao et al. | AI-Based Tree Species Classification Using Pseudo Tree Crown Derived From UAV Imagery | |
Guo et al. | Motion states identification of underwater glider based on complex networks and graph convolutional networks | |
CN116561688B (zh) | 基于动态图异常检测的新兴技术识别方法 | |
Oubari et al. | Efficient spatio-temporal feature clustering for large event-based datasets |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |