KR101237089B1 - 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법 - Google Patents

랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법 Download PDF

Info

Publication number
KR101237089B1
KR101237089B1 KR1020110104137A KR20110104137A KR101237089B1 KR 101237089 B1 KR101237089 B1 KR 101237089B1 KR 1020110104137 A KR1020110104137 A KR 1020110104137A KR 20110104137 A KR20110104137 A KR 20110104137A KR 101237089 B1 KR101237089 B1 KR 101237089B1
Authority
KR
South Korea
Prior art keywords
class
block
candidate block
key frame
smoke detection
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.)
Expired - Fee Related
Application number
KR1020110104137A
Other languages
English (en)
Inventor
고병철
곽준영
남재열
Original Assignee
계명대학교 산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 계명대학교 산학협력단 filed Critical 계명대학교 산학협력단
Priority to KR1020110104137A priority Critical patent/KR101237089B1/ko
Priority to US13/368,553 priority patent/US8565484B2/en
Application granted granted Critical
Publication of KR101237089B1 publication Critical patent/KR101237089B1/ko
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fire-Detection Mechanisms (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법에 관한 것으로서, 보다 구체적으로는 (1) 후보 블록을 구분하는 기준이 되는 제1 기준 값을 설정하는 단계; (2) 연속 촬영된 복수의 프레임에 대하여 상기 프레임 간 영상을 비교하여 움직임이 식별되는 픽셀의 수가 상기 제1 기준 값 이상인 블록을 후보 블록으로 설정하며, 상기 설정된 후보 블록을 적어도 하나 이상 포함하는 상기 프레임 중에서 키 프레임을 선택하는 단계; (3) 상기 선택된 키 프레임 및 상기 키 프레임보다 앞선 적어도 하나 이상의 상기 프레임을 비교하여, 상기 후보 블록으로부터 복수의 특징벡터를 추출하는 단계; (4) 상기 추출된 복수의 특징벡터에 대하여 서로 다른 랜덤 포레스트를 학습시키는 단계; (5) 상기 학습 결과 생성되는 클래스에 대하여 단말 노드에 출력된 확률을 누적하여, 상기 클래스의 수만큼 크기를 가지는 2개의 제1 누적 확률 히스토그램을 생성하는 단계; (6) 상기 생성된 2개의 제1 누적 확률 히스토그램을 클래스별로 평균하여 제2 누적 확률 히스토그램을 생성하는 단계; 및 (7) 상기 생성된 제2 누적 확률 히스토그램을 구성하는 상기 클래스 중 가장 높은 확률을 가진 클래스에 따라, 상기 후보 블록의 감지 상태를 결정하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법에 따르면, 비디오 영상에 대하여 키 프레임(key frame)을 설정하고, 키 프레임에 포함된 블록 중에서 잠정적으로 연기로 감지될 수 있는 후보 블록(candidate block)을 선택하며, 그로부터 추출된 시공간적 변화 특징을 각기 다른 두 개의 랜덤 포레스트 분류 기법에 의하여 분류하여, 그 결과 생성되는 클래스들의 확률 분포에 따라 최종적으로, 후보 블록이 연기를 나타내는 블록인지 아닌지 여부를 결정함으로써, 연기 감지의 정확도를 향상시키고, 연기 감지에 소요되는 시간을 줄일 수 있다.
또한, 본 발명에 따르면, 후보 블록의 시 변화 특징을 반영한 특징벡터 및 공간적 변화 특징을 반영한 특징벡터를 각각, 2개의 독립된 랜덤 포레스트 알고리즘에 의하여 분류함으로써, 구름이나 안개에 의한 잘못된 감지를 줄일 수 있다.

Description

랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법{FOREST SMOKE DETECTION METHOD USING RANDOM FOREST CLASSIFIER METHOD}
본 발명은 산불연기 감지 방법에 관한 것으로서, 보다 구체적으로는 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법에 관한 것이다.
최근에는 산불로 인해 단순히 주변 환경이나 지역 생태계가 파괴될 뿐 아니라 사람들의 생활공간도 잠재적으로 위험해질 수 있어, 이에 대비하여 산불 발생을 조기에 감지하기 위한 기술이 발달하고 있다. 특히, 전 세계적으로 대규모의 산불이 자주 발생하면서, 조기에 산불을 감지하여 알려주는 자동 경보 체계의 필요성이 증가하고 있다.
통상적으로 산불 감지 체계는, 산불이 발생할 수 있는 지역에 대하여 감시탑을 설치하고, 그 위에서 근무하는 감시원이 육안으로 산불 발생 여부를 확인하는 방법에 의하여 이루어져 왔다. 그러나 이러한 육안 감지 방법에는 막대한 감시 인력이 필요하므로, 이를 대체하기 위한 여러 기술이 제안되었는데, 예를 들면, 불꽃의 열에너지를 감지하는 적외선 센서를 설치하는 방법, 연기 입자에 의해 후방 산란되는 레이저의 강도를 측정하는 라이다(LIght Detection And Ranging, LIDAR) 장비를 설치하는 방법, 불꽃의 온도를 측정하는 열상 감지 센서를 설치하는 방법 등을 들 수 있다. 그러나 이와 같은 광학 장비는 값이 비싸고, 구름이나 안개, 황사와 같은 대기 현상 및 빛의 산란으로 인해 잦은 오류를 발생시키며, 센서와 발화점 간의 거리가 멀리 떨어질 경우 제대로 동작하기 어려운 문제가 있었다.
따라서 최근에는, 도 1에 도시된 바와 같이, 값이 저렴하며 원거리 감지도 가능한, 전하 결합 소자(Charge Coupled Device, CCD)가 포함된 비디오카메라 장비를 감시탑 끝에 설치하여 산불을 감지하는 방법이 주목받고 있다. CCD 비디오카메라 장비를 이용한 산불 감지는 불꽃을 감지하는 방법과 연기를 감지하는 방법으로 구분되는데, 산불이 발생하는 초기 단계에서는 카메라와 발화점 간의 거리에 비해 불꽃의 크기가 매우 작아서 이를 감지하는 것이 매우 어려운 반면, 연기는 불꽃보다 먼저 발생하며, 불꽃보다 훨씬 넓은 영역으로 확산되는 특징이 있어, 연기 감지에 의한 산불 감지 기술이 주로 개발되고 있다.
그러나 연기는 불꽃과 달리, 확산 속도가 느리고, 그 모양과 색깔이 대체로 모호해서, 명확하게 구별해내기 어려운 문제가 있다. 현재까지 제안된 연기 감지 기술에 의하면, FFA(Fuzzy Finite Automata) 및 영상의 시 변화 특성을 이용할 경우, 연기 감지의 정확도를 향상시킬 수는 있으나, 정확도가 향상된 만큼 그 계산에 사용되는 전이행렬(transition matrix)의 차원도 커져서, 소요되는 메모리 및 계산 시간이 증가하는 문제가 있다. 또한, HMM(Hidden Markov Model)을 이용하는 경우에도, 특정 시간에서 영상이 감지되는 상태를 결정하기 위하여, 경곗값을 일일이 설정(heuristic)해야 하는 한계가 있다.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 비디오 영상에 대하여 키 프레임(key frame)을 설정하고, 키 프레임에 포함된 블록 중에서 잠정적으로 연기로 감지될 수 있는 후보 블록(candidate block)을 선택하며, 그로부터 추출된 시공간적 변화 특징을 서로 다른 2개의 랜덤 포레스트 분류 기법에 의하여 분류하여, 그 결과 생성되는 클래스들의 확률 분포에 따라 최종적으로, 후보 블록이 연기를 나타내는 블록인지 아닌지 여부를 결정함으로써, 연기 감지의 정확도를 향상시키고, 연기 감지에 소요되는 시간을 줄일 수 있는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법을 제공하는 것을 그 목적으로 한다.
또한, 본 발명은, 후보 블록의 시 변화 특징을 반영한 특징벡터 및 공간적 변화 특징을 반영한 특징벡터를 각각, 2개의 독립된 랜덤 포레스트 알고리즘에 의하여 분류함으로써, 구름이나 안개에 의한 잘못된 감지를 줄일 수 있는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법을 제공하는 것을 다른 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법은,
(1) 후보 블록을 구분하는 기준이 되는 제1 기준 값을 설정하는 단계;
(2) 연속 촬영된 복수의 프레임에 대하여 상기 프레임 간 영상을 비교하여 움직임이 식별되는 픽셀의 수가 상기 제1 기준 값 이상인 블록을 후보 블록으로 설정하며, 상기 설정된 후보 블록을 적어도 하나 이상 포함하는 상기 프레임 중에서 키 프레임을 선택하는 단계;
(3) 상기 선택된 키 프레임 및 상기 키 프레임보다 앞선 적어도 하나 이상의 상기 프레임을 비교하여, 상기 후보 블록으로부터 복수의 특징벡터를 추출하는 단계;
(4) 상기 추출된 복수의 특징벡터에 대하여 서로 다른 랜덤 포레스트를 학습시키는 단계;
(5) 상기 학습 결과 생성되는 클래스에 대하여 단말 노드에 출력된 확률을 누적하여, 상기 클래스의 수만큼 크기를 가지는 2개의 제1 누적 확률 히스토그램을 생성하는 단계;
(6) 상기 생성된 2개의 제1 누적 확률 히스토그램을 클래스별로 평균하여 제2 누적 확률 히스토그램을 생성하는 단계; 및
(7) 상기 생성된 제2 누적 확률 히스토그램을 구성하는 상기 클래스 중 가장 높은 확률을 가진 클래스에 따라, 상기 후보 블록의 감지 상태를 결정하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 단계 (1)에서는,
키 프레임을 선택하는 기준이 되는 제2 기준 값을 더 설정하며,
상기 단계 (2)에서는,
상기 제2 기준 값 이상의 상기 후보 블록을 포함하는 상기 프레임 중에서 키 프레임을 선택할 수 있다.
바람직하게는, 상기 단계 (2)에서,
상기 프레임 간 영상의 비교는, 상기 복수의 프레임에 포함되는 참조 프레임과 상기 참조 프레임의 뒤에 이어지는 프레임 간의 차영상에 대하여 모폴로지 연산 처리하여 이루어질 수 있다.
바람직하게는, 상기 단계 (3)에서는,
상기 후보 블록으로부터 시간적 변화 특징이 반영되는 시간 특징벡터 및 공간적 변화 특징이 반영되는 공간 특징벡터를 각각 추출할 수 있다.
바람직하게는, 상기 단계 (3)에서,
상기 추출되는 어느 하나의 특징벡터의 성분은, 상기 키 프레임보다 앞선 적어도 하나 이상의 프레임과 상기 키 프레임을 비교하여 상기 후보 블록으로부터 추출된 색상 평균, 색상 왜도, 채도 평균, 채도 왜도, 밝기 평균, 밝기 왜도, 웨이블릿 에너지 평균, 웨이블릿 에너지 왜도 및 모션 방향성 중 적어도 어느 하나에 해당할 수 있다.
더욱 바람직하게는,
상기 모션 방향성은, 상기 키 프레임 및 상기 키 프레임의 바로 전 프레임 간 영상의 차이에 따라 설정된 방향 값일 수 있다.
더욱 바람직하게는,
상기 방향 값은, 적어도 2 이상의 방향에 대하여 각각의 방향을 구분하는 서로 다른 수치를 매칭한 경우, 상기 후보 블록의 이동 방향에 해당하는 방향에 매칭된 상기 수치로 설정될 수 있다.
바람직하게는, 상기 단계 (3)에서,
상기 추출되는 어느 하나의 특징벡터의 성분은, 상기 키 프레임에 대하여 상기 후보 블록으로부터 추출된 HOG(Histogram of Oriented Gradient)일 수 있다.
바람직하게는, 상기 단계 (4)에서,
상기 학습은, 상기 특징벡터를 각각 4개의 클래스로 분류하는 랜덤 포레스트 알고리즘에 의하여 이루어질 수 있다.
더욱 바람직하게는,
상기 4개의 클래스는, 상기 후보 블록이 연기 블록으로 감지될 수 있는 확률에 따라, VH(Very High) 클래스, H(High) 클래스, L(Low) 클래스 및 VL(Very Low) 클래스로 설정될 수 있다.
더욱 바람직하게는, 상기 단계 (7)에서는,
상기 제2 누적 확률 히스토그램을 구성하는 상기 클래스 중 가장 높은 확률을 가진 클래스가 VH 클래스 또는 H 클래스일 경우, 상기 후보 블록을 산불 연기 블록으로 결정하고,
상기 제2 누적 확률 히스토그램을 구성하는 상기 클래스 중 가장 높은 확률을 가진 클래스가 VL 클래스 또는 L 클래스일 경우, 상기 후보 블록을 비 연기(non-smoke) 블록으로 결정할 수 있다.
더욱 바람직하게는,
(8) 상기 결정된 연기 블록에 대하여 상기 연기 블록과 상기 비 연기 블록을 식별할 수 있는 구분표시를 하는 단계를 더 포함할 수 있다.
본 발명에서 제안하고 있는 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법에 따르면, 비디오 영상에 대하여 키 프레임(key frame)을 설정하고, 키 프레임에 포함된 블록 중에서 잠정적으로 연기로 감지될 수 있는 후보 블록(candidate block)을 선택하며, 그로부터 추출된 시공간적 변화 특징을 서로 다른 2개의 랜덤 포레스트 분류 기법에 의하여 분류하여, 그 결과 생성되는 클래스들의 확률 분포에 따라 최종적으로, 후보 블록이 연기를 나타내는 블록인지 아닌지 여부를 결정함으로써, 연기 감지의 정확도를 향상시키고, 연기 감지에 소요되는 시간을 줄일 수 있다.
또한, 본 발명에 따르면, 후보 블록의 시 변화 특징을 반영한 특징벡터 및 공간적 변화 특징을 반영한 특징벡터를 각각, 2개의 독립된 랜덤 포레스트 알고리즘에 의하여 분류함으로써, 구름이나 안개에 의한 잘못된 감지를 줄일 수 있다.
도 1은 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법이 적용되는 비디오 영상을 제공할 CCD 비디오카메라가 감시탑 끝에 설치된 모습을 도시한 도면.
도 2a는 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 흐름을 도시한 도면.
도 2b는 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 흐름을 도식화하여 나타낸 도면.
도 3a는 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 단계 S200에서 선택된, 연기 영역에서의 후보 블록을 포함한 키 프레임을 도시한 도면.
도 3b는 본 발명의 다른 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 단계 S200에서 선택된, 구름 영역에서의 후보 블록을 포함한 키 프레임을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 단계 S300에서 추출된 특징벡터의 성분에 해당하는 모션 방향성에 설정되는 방향 값을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 단계 S300에서 후보 블록으로부터 특징벡터의 성분에 해당하는 HOG를 추출하는 과정을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 단계 S600에서 2개의 제1 누적 확률 히스토그램을 클래스별로 평균하여 제2 누적 확률 히스토그램을 생성하는 과정을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법에서 분류되는 특징벡터 및 종래 기술에 따른 MSVM(Multi-class Support Vector Machine) 분류 기법을 이용한 산불 연기 감지 방법에서 분류되는 특징벡터에 따른 연기 감지의 정확도를 도시한 도면.
도 8은 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법, 종래 기술에 따른 FFA를 이용한 연기 감지 방법 및 종래 기술에 따른 HMM을 이용한 연기 감지 방법에서의 연기 감지의 정확도를 도시한 도면.
도 9는 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법을 적용한 비디오 영상을 도시한 도면.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’되어 있다고 할 때, 이는 ‘직접적으로 연결’되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 2a는 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 흐름을 도시한 도면이고, 도 2b는 이를 도식화하여 나타낸 도면이다. 도 2a에 도시된 바와 같이, 본 발명의 일 실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법은, 후보 블록을 구분하기 위한 제1 기준 값을 설정하는 단계(S100), 연속 촬영된 복수의 프레임에 대하여 프레임 간 영상을 비교하여 움직임이 식별되는 픽셀의 수가 제1 기준 값 이상인 블록을 후보 블록으로 설정하며, 후보 블록을 적어도 하나 이상 포함하는 프레임 중 키 프레임을 선택하는 단계(S200), 키 프레임 및 키 프레임 이전의 프레임을 비교하여, 후보 블록으로부터 시간 특징벡터 및 공간 특징벡터를 추출하는 단계(S300), 시간 특징벡터 및 공간 특징벡터를 서로 다른 랜덤 포레스트 알고리즘에 의해 학습시키는 단계(S400), 학습 결과 생성된 클래스에 대하여, 단말 노드에 출력된 확률을 누적하여 2개의 제1 누적 확률 히스토그램을 생성하는 단계(S500), 2개의 제1 누적 확률 히스토그램을 클래스별로 평균하여 제2 누적 확률 히스토그램을 생성하는 단계(S600) 및 제2 누적 확률 히스토그램을 구성하는 클래스 중 가장 높은 확률을 가진 클래스에 따라 후보 블록의 감지 상태를 연기 블록 또는 비 연기 블록으로 결정하는 단계(S700)를 포함하여 구현될 수 있으며, 연기 블록에 대하여 비 연기 블록과 식별되는 구분표시를 하는 단계(S800)를 더 포함하여 구현될 수 있다.
즉, 본 발명은 후보 블록으로부터 추출된 시공간적 변화 특징을 각각, 랜덤 포레스트 분류 기법에 의하여 분류하며, 클래스들의 확률 분포에 따라 최종적으로 후보 블록이 연기를 나타내는 블록인지 아닌지 여부를 결정함으로써, 연기 감지의 정확도를 향상시키고, 연기 감지에 소요되는 시간 및 구름이나 안개에 의한 잘못된 감지를 줄일 수 있다.
한편, 본 발명에 따라 연속 촬영된 프레임에서 후보 블록을 설정하고, 후보 블록으로부터 시공간적 특징벡터를 추출하여 랜덤 포레스트 알고리즘에 의해 분류하는 비디오 영상 장비는, 메모리부 및 CPU를 구비한 비디오 영상 장비로서, 메모리부는 CCD 비디오카메라에서 촬영한 프레임 영상들을 저장하고, CPU는 각 프레임을 구성하는 픽셀 또는 그 픽셀들의 집합(블록)에 포함된 이미지 데이터에 대하여 각종 연산을 수행할 수 있는 프로세서일 수 있다. 이하에서는, 본 발명의 일 실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 각 단계에 대하여 상세히 설명하도록 한다.
단계 S100에서는, 후보 블록을 구분하기 위한 제1 기준 값을 설정할 수 있다. 제1 기준 값은 양의 정수로서, 각각의 프레임을 m×n 개의 블록으로 분할한 경우, 각 블록 내에 포함되어 있는 픽셀의 개수를 넘지 않는 범위에서 설정될 수 있다. 한편, 단계 S100에서는, 키 프레임을 선택하기 위한 제2 기준 값을 더 설정할 수 있는데, 이때, 제2 기준 값 또한 양의 정수로서, 각 프레임을 분할하는 블록의 개수를 넘지 않는 범위에서 설정될 수 있다.
단계 S200에서는, 연속 촬영된 복수의 프레임에 대하여 프레임 간 영상을 비교하여 움직임이 식별되는 픽셀의 수가 제1 기준 값 이상인 블록을 후보 블록으로 설정하며, 후보 블록을 적어도 하나 이상 포함하는 프레임 중 키 프레임을 선택할 수 있다. 후보 블록(candidate block)이란, 어느 블록 내에서 제1 기준 값 이상의 픽셀이 움직인 것으로 식별되는 블록으로서, 연기의 확산, 나뭇잎의 움직임, 새들의 이동 등에 의해 픽셀의 움직임이 식별되는 경우, 이러한 픽셀을 많이 포함하는 블록은 잠정적으로 연기로 감지될 수 있는 후보 블록으로 설정될 수 있다. 또한, 키 프레임(key frame)이란, 단계 S300에서 상세히 설명할 특징벡터를 추출하는 기준이 되는 프레임으로서, 후보 블록을 하나 이상 포함하는 프레임일 수 있다. 한편, 단계 S100에서 제2 기준 값이 더 설정된 경우, 제2 기준 값 이상의 후보 블록을 포함하는 프레임을 키 프레임으로 선택할 수 있다. 즉, 픽셀의 움직임이 많이 식별되는 블록이 후보 블록으로 설정되며, 후보 블록이 많이 포함되는 프레임이 키 프레임으로 선택될 수 있다.
한편, 단계 S200에서 이루어지는 프레임 간의 영상 비교는, 참조 프레임 및 참조 프레임의 뒤에 이어지는 프레임 간의 차영상에 대하여 모폴로지 연산 처리하여 이루어질 수 있다. 즉, 특정 시각을 기준으로 그 전의 키 프레임을 참조 프레임으로 하여 해당 프레임과 참조 프레임 간의 차영상을 구한 다음, 차영상에 대하여 모폴로지 연산을 적용하여 나무의 움직임과 같은 작은 움직임을 제거한 뒤, 움직임이 식별되는 픽셀의 수를 카운팅함으로써 후보 블록을 설정할 수 있다. 이와 같이 모폴로지 연산 처리를 하는 이유는, 연기 영역의 확산 속도가 바람의 세기 또는 카메라와 발화점 간의 거리에 따라 달라져, 모든 프레임에 대하여 움직임 영역을 찾는 것이 매우 어렵기 때문이다.
도 3a 및 도 3b는 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 단계 S200에서 선택된, 연기 영역에서의 후보 블록을 포함한 키 프레임 및 구름 영역에서의 후보 블록을 포함한 키 프레임을 각각 나타낸다. 도 3a 및 도 3b에 도시된 바와 같이, 연기가 확산되거나 구름이 이동함에 따라 각 프레임에서 픽셀의 움직임이 제1 기준 값 이상으로 식별되는 경우, 해당 블록은 후보 블록(각 도면에서 사각형으로 표시)으로 설정되며, 이러한 후보 블록이 제2 기준 값 이상으로 포함된 프레임이 키 프레임으로 선택될 수 있다.
단계 S300에서는, 키 프레임 및 키 프레임 이전의 프레임을 비교하여, 후보 블록으로부터 시간 특징벡터 및 공간 특징벡터를 추출할 수 있다. 특징벡터는 색상 평균, 색상 왜도(skewness), 채도 평균, 채도 왜도, 밝기 평균, 밝기 왜도, 웨이블릿 에너지 평균, 웨이블릿 에너지 왜도, 모션 방향성, HOG 등을 성분으로 하는 벡터로서, 이러한 성분들은 키 프레임 자체 또는 키 프레임과 이전 프레임 간 비교로부터 얻어질 수 있다. 예를 들어, 연기 영역의 시 변화 특성을 특징벡터로 나타내는 경우, 키 프레임 및 키 프레임 이전 100개의 프레임에서 후보 블록과 같은 위치에 있는 블록에 대하여 HSI(Hue, Saturation, Intensity) 모델의 색상 (hue), 채도(saturation) 또는 명도(intensity)를 평균한 값을 성분으로 하거나, 색상, 채도 또는 명도의 분포에 따른 왜도를 성분으로 하는 벡터를 추출할 수 있다. 이때, 채도 또는 명도를 이용하는 이유는, 프레임에서 나타나는 연기 영역은 일반적으로 채도가 낮고 명도가 높은 특성을 갖고 있기 때문이다.
한편, 연기 영역의 시간에 따른 주파수 특성을 특징벡터로 나타내는 경우, 예를 들어, 키 프레임 및 키 프레임 이전 100개의 프레임에서 후보 블록과 같은 위치에 있는 블록에 대하여 웨이블릿 에너지 평균 또는 웨이블릿 에너지 왜도를 성분으로 하는 벡터를 추출할 수 있는데, 이때, 웨이블릿 에너지는 Daubechies 웨이블릿 변환을 한 뒤, 후보 블록에서 나타난 고주파 계수 간에 선형 결합을 함으로써 얻어질 수 있다.
또한, 연기 영역의 시간에 따른 모션의 방향성을 특징벡터로 나타내는 경우, 키 프레임 및 키 프레임의 바로 전 프레임 간 영상의 차이에 따라 설정된 방향 값을 성분으로 하는 벡터를 추출할 수 있다. 이때, 방향 값은 각각의 방향을 구분하는 수치로서, 적어도 2 이상의 방향에 대하여 각각의 방향을 구분하는 서로 다른 수치를 매칭한 다음, 후보 블록이 이동하는 방향에 매칭된 수치를 방향 값으로 갖도록 설정할 수 있다. 즉, 후보 블록에 매칭된 수치로부터 연기의 이동 방향을 확인할 수 있도록 특징벡터를 추출할 수 있다.
도 4는 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 단계 S300에서 추출된 특징벡터의 성분에 해당하는 모션 방향성에 설정되는 방향 값을 도시한 도면이다. 도 4에 도시된 바와 같이, 모션의 방향은 8개의 방향으로 구분할 수 있으며, 각각의 방향에는 1 내지 8의 방향 값을 매칭할 수 있다.
한편, 연기 영역의 공간에 따른 변화 특성을 특징벡터로 나타내는 경우, 키 프레임의 후보 블록에 대한 HOG(Histogram of Oriented Gradients)를 성분으로 갖는 벡터를 추출할 수 있다. HOG는 컴퓨터 영상 처리에 주로 사용되는 특징 기술자(descriptor)로서, HOG에서는 프레임에 포함된 영상의 국부적 명도 차이를 이용하여 기울기가 산출되므로, 배경 빛의 변화에도 불구하고 공간적 변화 특징을 잘 반영할 수 있다.
도 5는 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 단계 S300에서 후보 블록으로부터 특징벡터의 성분에 해당하는 HOG를 추출하는 과정을 나타낸다. 도 5에서 확인할 수 있듯이, 후보 블록으로부터 기울기 영상을 계산해낸 다음, 그 방향성에 따라 히스토그램을 얻어내는 과정으로 HOG를 추출할 수 있다.
한편, 단계 S300에서 시 변화 특성을 나타내는 시간 특징벡터와 공간적 변화 특성을 나타내는 공간 특징벡터를 구분하여 추출하는 것은, 후술할 랜덤 포레스트 분류기에 의해 벡터를 분류할 때에, 서로 다른 성질의 성분들이 한데 섞여서 분류되는 것을 방지하여, 더욱 명확하게 연기 영역을 감지하기 위함이다. 예를 들어, 시간 특징벡터는, 색상 평균, 색상 왜도, 채도 평균, 채도 왜도, 밝기 평균, 밝기 왜도, 웨이블릿 에너지 평균, 웨이블릿 에너지 왜도 중 적어도 어느 하나를 성분으로 가질 수 있으며, 공간 특징벡터는 HOG를 성분으로 가질 수 있다.
단계 S400에서는, 시간 특징벡터 및 공간 특징벡터를 서로 다른 랜덤 포레스트 알고리즘에 의해 학습시킬 수 있다. 랜덤 포레스트는 이진 결정 트리를 기본으로 하는 분류기로서, 랜덤 포레스트 알고리즘에 의한 학습은, 각 특징벡터를 2 이상의 클래스로 분류하는 과정으로 나타나는데, 랜덤 포레스트에 의해 특징벡터를 분류하는 이유는, 랜덤 포레스트 분류 기법이 빠른 학습 속도에 의해 많은 양의 데이터를 실행시키는데 탁월하며, 정확도가 뛰어난 장점이 있기 때문이다. 실시예에 따라서는, 특징벡터가 추출되었던 후보 블록이 연기 블록으로 감지될 수 있는 확률에 따라, 단계 S400에서 각 특징벡터를 VH(Very High), H(High), L(Low), VL(Very Low)과 같이 4개의 클래스로 분류할 수 있다.
단계 S500에서는, 단계 S400에서 학습시킨 결과 생성된 클래스에 대하여, 단말 노드에 출력된 확률을 누적하여 시간 특징벡터에 대한 학습 결과 및 공간 특징벡터에 대한 학습 결과를 나타내는 2개의 제1 누적 확률 히스토그램을 생성할 수 있다. 단계 S400에서 분류된 클래스의 단말 노드는 특징벡터의 성분이 가질 수 있는 각각의 경우의 수를 나타내므로, 전체 단말 노드의 개수에 대한 각 클래스의 노드의 수로부터 확률을 얻을 수 있고, 이때, 얻어진 확률을 누적하면, 클래스별로 누적된 확률을 가지는 제1 누적 확률 히스토그램을 생성할 수 있다.
단계 S600에서는, 단계 S500에서 생성된 2개의 제1 누적 확률 히스토그램을 클래스별로 평균하여 제2 누적 확률 히스토그램을 생성할 수 있다. 예를 들어, 단계 S400에서 시간 특징벡터 및 공간 특징벡터를 각각 VH, H, L, 및 VL 클래스로 분류한 경우, 단계 S500에서 생성된 2개의 제1 누적 확률 히스토그램에 대하여, VH, H, L, 및 VL 클래스 간 누적 확률을 평균함으로써, 제2 누적 확률 히스토그램을 생성할 수 있다. 이와 같이, 성질이 상이한(즉, 시간적 변화 특성 및 공간적 변화 특성의) 특징벡터를 먼저 랜덤 포레스트 분류기에 의해 학습시킨 뒤, 학습된 결과를 평균하여 두 성질을 한데 반영시키는 방법은, 성질이 상이한 특징벡터를 하나의 벡터로 합성한 뒤, 그 하나의 벡터에 대하여 랜덤 포레스트 분류기에 의해 학습시키는 결과에 비하여, 연기 영역에 대한 감지의 정확도를 향상시킬 수 있는데, 이에 대해서는 후술할 도 7에서 더욱 상세하게 설명하도록 한다.
도 6은 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법의 단계 S600에서 2개의 제1 누적 확률 히스토그램을 클래스별로 평균하여 제2 누적 확률 히스토그램을 생성하는 과정을 나타낸다. 도 6에 도시된 바와 같이, 각각의 키 프레임의 후보 블록에서 추출된 시간 특징벡터 및 공간 특징벡터를 랜덤 포레스트에 의해 4개의 클래스로 분류하여 2개의 제1 누적 확률 히스토그램을 얻고, 이렇게 얻어진 제1 누적 확률 히스토그램을 평균하여 하나의 제2 누적 확률 히스토그램을 생성할 수 있다.
단계 S700에서는, 제2 누적 확률 히스토그램을 구성하는 클래스 중 가장 높은 확률을 가진 클래스에 따라 후보 블록의 감지 상태를 연기 블록 또는 비 연기 블록으로 결정할 수 있다. 예를 들어, 단계 S400에서 시간 특징벡터 및 공간 특징벡터를 각각, 서로 다른 랜덤 포레스트 알고리즘에 의하여 VH, H, L, VL 클래스로 분류한 결과에 따라, 단계 S600에서 제2 누적 확률 히스토그램이 생성된 경우, 가장 높은 확률을 가진 클래스가 VH 또는 H 클래스라면, 해당 후보 블록을 연기 블록으로 결정할 수 있다. 반면에, 제2 누적 확률 히스토그램에서 가장 높은 확률을 가진 클래스가 VL 또는 L 클래스인 경우, 해당 후보 블록을 비 연기 블록으로 결정할 수 있다. 도 6에서는 후보 블록에서 추출된 특징벡터의 시공간적 특성이 H 클래스로 분류되어, 해당 후보 블록이 연기 블록으로 감지되었음을 확인할 수 있다.
한편, 단계 S800에서는, 연기 블록에 대하여 비 연기 블록과 식별되는 구분표시를 할 수 있다. 즉, 후보 블록이 연기 블록으로 감지된 경우, 산불이 발생했음을 알리기 위하여, 연기 블록 자체 또는 연기 블록의 테두리 부분을 프레임의 이미지와 구별되는 별도의 색상으로 표시함으로써, 연기 블록과 비 연기 블록을 식별시킬 수 있다.
한편, 도 7은 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법에서 분류되는 특징벡터 및 종래 기술에 따른 MSVM(Multi-class Support Vector Machine) 분류 기법을 이용한 산불 연기 감지 방법에서 분류되는 특징벡터에 따른 연기 감지의 정확도를 도시한 도면이다. 도 7에서는, 연기 영역을 연기 블록으로 감지하는 경우(ATPR), 비연기 영역을 연기 블록으로 잘못 감지하는 경우(AFPR), 연기 영역임에도 연기 블록으로 감지하지 못하고 누락하는 경우(AMR)의 3가지 사항에 의해 연기 감지의 정확도를 구분하였다. 또한, 도 7에서는, 시간 특징벡터 및 공간 특징벡터를 각각, 상이한 2개의 랜덤 포레스트로 분류한 뒤 평균한 경우(T_RF + S_RF), 시 변화 특성 및 공간적 변화 특성을 하나의 특징벡터로 표현하여 이를 랜덤 포레스트 분류한 경우(T+S_RF), 시 변화 특성을 나타낸 특징벡터만 랜덤 포레스트 분류한 경우(T_RF), 공간적 변화 특성을 나타낸 특징벡터만 랜덤 포레스트 분류한 경우(S_RF), 시 변화 특성 및 공간적 변화 특성을 하나의 특징벡터로 표현하여 이를 MSVM에 의해 분류한 경우(T+S_MSVM)에 대한 연기 감지의 정확도를 도시하였다. 도 7에서 확인할 수 있듯이, 시간 특징벡터 및 공간 특징벡터를 각각 서로 다른 랜덤 포레스트 분류하고, 그에 따라 생성된 결과를 평균하는 경우(T_RF + S_RF), 다른 4가지 경우에 비해 연기 감지의 정확도가 향상될 수 있다.
도 8은 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법, 종래 기술에 따른 FFA를 이용한 연기 감지 방법 및 종래 기술에 따른 HMM을 이용한 연기 감지 방법에서의 연기 감지의 정확도를 도시한 도면이다. 도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불 연기 감지 방법의 경우, 종래 기술에 따른 FFA를 이용한 연기 감지 방법 및 HMM을 이용한 연기 감지 방법에서보다, 연기 영역을 연기 블록으로 감지하는 정확도(ATPR)가 향상되는 반면, 비 연기 영역을 연기 블록으로 잘못 감지하거나(AFPR), 연기 영역을 누락하는 오류(AMR)가 감소할 수 있다.
도 9는 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법을 적용한 비디오 영상을 나타낸다. 도 9에서 확인할 수 있듯이, 본 발명의 일실시예에 따른 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법을 적용한 경우, 연기 영역(Movie 1 내지 5)을 구름이나 안개와 같은 비 연기 영역(Movie 6 내지 10)과 구분하여 정확하게 감지할 수 있다.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.
S100: 후보 블록을 구분하기 위한 제1 기준 값을 설정하는 단계
S200: 연속 촬영된 복수의 프레임에 대하여 프레임 간 영상을 비교하여 움직임이 식별되는 픽셀의 수가 제1 기준 값 이상인 블록을 후보 블록으로 설정하며, 후보 블록을 적어도 하나 이상 포함하는 프레임 중 키 프레임을 선택하는 단계
S300: 키 프레임 및 키 프레임 이전의 프레임을 비교하여, 후보 블록으로부터 시간 특징벡터 및 공간 특징벡터를 추출하는 단계
S400: 시간 특징벡터 및 공간 특징벡터를 서로 다른 랜덤 포레스트 알고리즘에 의해 학습시키는 단계
S500: 학습 결과 생성된 클래스에 대하여, 단말 노드에 출력된 확률을 누적하여 2개의 제1 누적 확률 히스토그램을 생성하는 단계
S600: 2개의 제1 누적 확률 히스토그램을 클래스별로 평균하여 제2 누적 확률 히스토그램을 생성하는 단계
S700: 제2 누적 확률 히스토그램을 구성하는 클래스 중 가장 높은 확률을 가진 클래스에 따라 후보 블록의 감지 상태를 연기 블록 또는 비 연기 블록으로 결정하는 단계
S800: 연기 블록에 대하여 비 연기 블록과 식별되는 구분표시를 하는 단계

Claims (12)

  1. 비디오 영상 장비에 의하여 연속 촬영된 프레임으로부터 산불연기를 감지 방법으로서,
    (1) 후보 블록을 구분하는 기준이 되는 제1 기준 값을 설정하는 단계;
    (2) 연속 촬영된 복수의 프레임에 대하여 상기 프레임 간 영상을 비교하여 움직임이 식별되는 픽셀의 수가 상기 제1 기준 값 이상인 블록을 후보 블록으로 설정하며, 상기 설정된 후보 블록을 적어도 하나 이상 포함하는 상기 프레임 중에서 키 프레임을 선택하는 단계;
    (3) 상기 선택된 키 프레임 및 상기 키 프레임보다 앞선 적어도 하나 이상의 상기 프레임을 비교하여, 상기 후보 블록으로부터 복수의 특징벡터를 추출하는 단계;
    (4) 상기 추출된 복수의 특징벡터에 대하여 서로 다른 랜덤 포레스트에 의한 학습을 수행하는 단계;
    (5) 상기 랜덤 포레스트에 의한 학습 결과 생성되는 클래스에 대하여, 상기 클래스의 단말 노드에 출력된 확률을 누적하여, 클래스별로 2개의 제1 누적 확률 히스토그램을 생성하는 단계;
    (6) 상기 생성된 2개의 제1 누적 확률 히스토그램을 클래스별로 평균하여 제2 누적 확률 히스토그램을 생성하는 단계; 및
    (7) 상기 생성된 제2 누적 확률 히스토그램을 구성하는 상기 클래스 중 가장 높은 확률을 가진 클래스에 따라, 상기 후보 블록의 감지 상태를 결정하는 단계를 포함하는 것을 특징으로 하는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법.
  2. 제1항에 있어서, 상기 단계 (1)에서는,
    키 프레임을 선택하는 기준이 되는 제2 기준 값을 더 설정하며,
    상기 단계 (2)에서는,
    상기 제2 기준 값 이상의 상기 후보 블록의 개수를 포함하는 상기 프레임 중에서 키 프레임을 선택하는 것을 특징으로 하는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법.
  3. 제1항에 있어서, 상기 단계 (2)에서,
    상기 프레임 간 영상의 비교는, 상기 복수의 프레임에 포함되는 참조 프레임과 상기 참조 프레임의 뒤에 이어지는 프레임 간의 차영상에 대하여 모폴로지 연산 처리하여 이루어지는 것을 특징으로 하는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법.
  4. 제1항에 있어서, 상기 단계 (3)에서는,
    상기 후보 블록으로부터 시간적 변화 특징이 반영되는 시간 특징벡터 및 공간적 변화 특징이 반영되는 공간 특징벡터를 각각 추출하는 것을 특징으로 하는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법.
  5. 제1항에 있어서, 상기 단계 (3)에서,
    상기 추출되는 어느 하나의 특징벡터의 성분은, 상기 키 프레임 보다 앞선 적어도 하나 이상의 프레임과 상기 키 프레임을 비교하여 상기 후보 블록으로부터 추출된 색상 평균, 색상 왜도, 채도 평균, 채도 왜도, 밝기 평균, 밝기 왜도, 웨이블릿 에너지 평균, 웨이블릿 에너지 왜도 및 모션 방향성 중 적어도 어느 하나에 해당하는 것을 특징으로 하는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법.
  6. 제5항에 있어서,
    상기 모션 방향성은, 상기 키 프레임 및 상기 키 프레임의 바로 전 프레임 간 영상의 차이에 따라 설정된 방향 값인 것을 특징으로 하는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법.
  7. 제6항에 있어서,
    상기 방향 값은, 적어도 2 이상의 방향에 대하여 각각의 방향을 구분하는 서로 다른 수치를 매칭한 경우, 상기 후보 블록의 이동 방향에 해당하는 방향에 매칭된 상기 수치로 설정되는 것을 특징으로 하는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법.
  8. 제1항에 있어서, 상기 단계 (3)에서,
    상기 추출되는 어느 하나의 특징벡터의 성분은, 상기 키 프레임에 대하여 상기 후보 블록으로부터 추출된 HOG(Histogram of Oriented Gradient)인 것을 특징으로 하는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법.
  9. 제4항에 있어서, 상기 단계 (4)에서,
    상기 학습은, 상기 특징벡터를 각각 4개의 클래스로 분류하는 랜덤 포레스트 알고리즘에 의하여 이루어지는 것을 특징으로 하는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법.
  10. 제9항에 있어서,
    상기 4개의 클래스는, 상기 후보 블록이 연기 블록으로 감지될 수 있는 확률에 따라, VH(Very High) 클래스, H(High) 클래스, L(Low) 클래스 및 VL(Very Low) 클래스로 설정되는 것을 특징으로 하는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법.
  11. 제10항에 있어서, 상기 단계 (7)에서는,
    상기 제2 누적 확률 히스토그램을 구성하는 상기 클래스 중 가장 높은 확률을 가진 클래스가 VH 클래스 또는 H 클래스일 경우, 상기 후보 블록을 산불 연기 블록으로 결정하고,
    상기 제2 누적 확률 히스토그램을 구성하는 상기 클래스 중 가장 높은 확률을 가진 클래스가 VL 클래스 또는 L 클래스일 경우, 상기 후보 블록을 비 연기(non-smoke) 블록으로 결정하는 것을 특징으로 하는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법.
  12. 제11항에 있어서,
    (8) 상기 결정된 연기 블록에 대하여 상기 연기 블록과 상기 비 연기 블록을 식별할 수 있는 구분표시를 하는 단계를 더 포함하는 것을 특징으로 하는, 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법.
KR1020110104137A 2011-10-12 2011-10-12 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법 Expired - Fee Related KR101237089B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020110104137A KR101237089B1 (ko) 2011-10-12 2011-10-12 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법
US13/368,553 US8565484B2 (en) 2011-10-12 2012-02-08 Forest fire smoke detection method using random forest classification

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110104137A KR101237089B1 (ko) 2011-10-12 2011-10-12 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법

Publications (1)

Publication Number Publication Date
KR101237089B1 true KR101237089B1 (ko) 2013-02-26

Family

ID=47900172

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110104137A Expired - Fee Related KR101237089B1 (ko) 2011-10-12 2011-10-12 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법

Country Status (2)

Country Link
US (1) US8565484B2 (ko)
KR (1) KR101237089B1 (ko)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226835A (zh) * 2013-04-15 2013-07-31 北京大学深圳研究生院 基于在线初始化梯度增强回归树的目标跟踪方法及系统
KR101414670B1 (ko) 2013-01-02 2014-07-04 계명대학교 산학협력단 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
KR20150011884A (ko) * 2013-07-23 2015-02-03 삼성테크윈 주식회사 화재검출 방법 및 장치
KR101584091B1 (ko) 2013-08-30 2016-01-12 계명대학교 산학협력단 공유 지역 특징을 이용한 다시점 객체 검출 방법
KR20160035104A (ko) * 2014-09-19 2016-03-31 삼성전자주식회사 오브젝트 검출 방법 및 오브젝트 검출 장치
CN110895701A (zh) * 2019-06-12 2020-03-20 河南理工大学 基于cn和fhog的森林火灾在线识别方法及装置
CN110929572A (zh) * 2019-10-18 2020-03-27 天博电子信息科技有限公司 林火识别方法和系统
CN110956219A (zh) * 2019-12-09 2020-04-03 北京迈格威科技有限公司 视频数据的处理方法、装置和电子系统
CN112132870A (zh) * 2020-09-27 2020-12-25 上海应用技术大学 森林火灾早期烟雾检测方法
WO2022005122A1 (ko) * 2020-07-01 2022-01-06 계명대학교 산학협력단 다층 랜덤 포레스트 기반의 시계열 데이터 학습 장치 및 방법
CN114299445A (zh) * 2021-12-11 2022-04-08 南方电网大数据服务有限公司 配电房危险源识别方法、装置、计算机设备、介质和产品
CN116503715A (zh) * 2023-06-12 2023-07-28 南京信息工程大学 一种基于级联网络的林火检测方法
CN110929572B (zh) * 2019-10-18 2023-11-10 天博电子信息科技有限公司 林火识别方法和系统
CN119206402A (zh) * 2024-09-29 2024-12-27 西南交通大学 用于火灾烟雾检测的网络模型优化方法、系统及存储介质

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101353952B1 (ko) * 2012-10-05 2014-01-23 계명대학교 산학협력단 시공간적 비오에프와 랜덤 포레스트를 이용한 산불 연기 감지 방법
DE102013017395B3 (de) * 2013-10-19 2014-12-11 IQ Wireless Entwicklungsges. für Systeme und Technologien der Telekommunikation mbH Verfahren und Vorrichtung zur automatisierten Waldbrandfrüherkennung mittels optischer Detektion von Rauchwolken
CN103617414B (zh) * 2013-11-09 2016-11-23 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的火灾火焰和烟雾识别方法
US10552911B1 (en) * 2014-01-10 2020-02-04 United Services Automobile Association (Usaa) Determining status of building modifications using informatics sensor data
US9691247B2 (en) * 2014-08-29 2017-06-27 Robert Bosch Gmbh Fire detection apparatus, method for evaluating at least one fire detection feature and computer program
US10909335B2 (en) 2015-12-22 2021-02-02 Intel Corporation RFID location detection
CN105844295B (zh) * 2016-03-21 2019-09-27 北京航空航天大学 一种基于颜色模型与运动特征的视频烟雾精细分类方法
JP6508134B2 (ja) 2016-06-14 2019-05-08 トヨタ自動車株式会社 物体判別装置
CN106485718A (zh) * 2016-09-30 2017-03-08 北京通航信息科技有限公司 一种过火迹地识别方法及装置
CN106446957B (zh) * 2016-10-08 2019-02-22 常熟理工学院 一种基于随机森林的雾霾图像分类方法
US11660480B2 (en) 2018-11-21 2023-05-30 One Concern, Inc. Fire forecasting
US12005281B2 (en) 2018-11-21 2024-06-11 One Concern, Inc. Fire monitoring
US11169678B2 (en) 2018-11-21 2021-11-09 One Conern, Inc. Fire management tool with versatile user interface
US11202926B2 (en) 2018-11-21 2021-12-21 One Concern, Inc. Fire monitoring
US12102854B2 (en) 2018-12-21 2024-10-01 University Of Hawaii Automated wildfire detection
CN110009658B (zh) * 2019-06-06 2022-08-23 南京邮电大学 一种基于成分分离的烟雾检测方法
CN111047565A (zh) * 2019-11-29 2020-04-21 南京恩博科技有限公司 一种用于森林云雾图像分割的方法、存储介质和设备
CN111145234A (zh) * 2019-12-25 2020-05-12 沈阳天眼智云信息科技有限公司 基于双目视觉的火灾烟雾探测方法
CN111882568B (zh) * 2020-06-28 2023-09-15 北京石油化工学院 火灾图像边缘提取处理方法、终端及系统
CN112016744B (zh) * 2020-08-24 2021-06-01 中山大学 一种基于土壤水分的森林火灾预测方法、装置及存储介质
CN111914818B (zh) * 2020-09-21 2024-05-24 北京林业大学 一种基于多帧离散置信度森林火灾烟雾根节点检测方法
CN112215182B (zh) * 2020-10-21 2023-12-08 中国人民解放军火箭军工程大学 一种适用于森林火灾的烟雾识别方法
CN112949453B (zh) * 2021-02-26 2023-12-26 南京恩博科技有限公司 烟火检测模型的训练方法、烟火检测方法及设备
CN113609963B (zh) * 2021-08-03 2022-10-11 北京睿芯高通量科技有限公司 一种实时多人体角度的抽烟行为检测方法
CN114155439B (zh) * 2021-12-07 2024-06-25 河南鑫安利安全科技股份有限公司 基于视觉感知的化工企业安全风险预警方法与系统
CN114821417B (zh) * 2022-04-25 2025-01-14 广东电网有限责任公司 一种基于作业现场的视频图像结构化方法及系统
CN114970764A (zh) * 2022-06-24 2022-08-30 北京嘉洁能控股有限公司 一种基于随机森林算法的碳纤维供暖分类预测方法及系统
CN115311563A (zh) * 2022-08-05 2022-11-08 南京邮电大学 面向森林火灾的经验模型自演化的轻量化烟雾检测方法
CN115311658B (zh) * 2022-10-12 2023-01-10 四川三思德科技有限公司 森林防火烟雾报警抗干扰处理方法
CN115546672B (zh) * 2022-11-30 2023-03-24 广州天地林业有限公司 基于图像处理的森林图片处理方法及系统
CN116704212B (zh) * 2023-08-04 2023-10-27 西南林业大学 基于机器学习及多光谱影像的林木火灾受损信息提取方法
CN117128957B (zh) * 2023-10-27 2024-01-02 湖南光华防务科技集团有限公司 一种多源信息融合的无人机火源定位方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2637977B1 (fr) * 1988-10-13 1992-03-13 Brown De Colstoun Francois Procede et systeme pour la detection notamment de feu de forets
DE102004056958B3 (de) * 2004-11-22 2006-08-10 IQ wireless GmbH, Entwicklungsgesellschaft für Systeme und Technologien der Telekommunikation Verfahren für die Überwachung von Territorien zur Erkennung von Wald- und Flächenbränden

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
논문1:한국화재소방학회 *
논문2:한국통신학회 *
논문3:전기학회 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101414670B1 (ko) 2013-01-02 2014-07-04 계명대학교 산학협력단 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법
CN103226835A (zh) * 2013-04-15 2013-07-31 北京大学深圳研究生院 基于在线初始化梯度增强回归树的目标跟踪方法及系统
KR20150011884A (ko) * 2013-07-23 2015-02-03 삼성테크윈 주식회사 화재검출 방법 및 장치
KR101932543B1 (ko) * 2013-07-23 2018-12-28 한화테크윈 주식회사 화재검출 방법 및 장치
KR101584091B1 (ko) 2013-08-30 2016-01-12 계명대학교 산학협력단 공유 지역 특징을 이용한 다시점 객체 검출 방법
KR20160035104A (ko) * 2014-09-19 2016-03-31 삼성전자주식회사 오브젝트 검출 방법 및 오브젝트 검출 장치
KR101982258B1 (ko) 2014-09-19 2019-05-24 삼성전자주식회사 오브젝트 검출 방법 및 오브젝트 검출 장치
CN110895701B (zh) * 2019-06-12 2023-03-24 河南理工大学 基于cn和fhog的森林火灾在线识别方法及装置
CN110895701A (zh) * 2019-06-12 2020-03-20 河南理工大学 基于cn和fhog的森林火灾在线识别方法及装置
CN110929572A (zh) * 2019-10-18 2020-03-27 天博电子信息科技有限公司 林火识别方法和系统
CN110929572B (zh) * 2019-10-18 2023-11-10 天博电子信息科技有限公司 林火识别方法和系统
CN110956219A (zh) * 2019-12-09 2020-04-03 北京迈格威科技有限公司 视频数据的处理方法、装置和电子系统
WO2022005122A1 (ko) * 2020-07-01 2022-01-06 계명대학교 산학협력단 다층 랜덤 포레스트 기반의 시계열 데이터 학습 장치 및 방법
CN112132870A (zh) * 2020-09-27 2020-12-25 上海应用技术大学 森林火灾早期烟雾检测方法
CN112132870B (zh) * 2020-09-27 2024-01-26 上海应用技术大学 森林火灾早期烟雾检测方法
CN114299445A (zh) * 2021-12-11 2022-04-08 南方电网大数据服务有限公司 配电房危险源识别方法、装置、计算机设备、介质和产品
CN116503715A (zh) * 2023-06-12 2023-07-28 南京信息工程大学 一种基于级联网络的林火检测方法
CN116503715B (zh) * 2023-06-12 2024-01-23 南京信息工程大学 一种基于级联网络的林火检测方法
CN119206402A (zh) * 2024-09-29 2024-12-27 西南交通大学 用于火灾烟雾检测的网络模型优化方法、系统及存储介质

Also Published As

Publication number Publication date
US8565484B2 (en) 2013-10-22
US20130094699A1 (en) 2013-04-18

Similar Documents

Publication Publication Date Title
KR101237089B1 (ko) 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법
KR100918436B1 (ko) 비전 기반의 화재 감지 시스템 및 방법
Khalil et al. Fire detection using multi color space and background modeling
US9652863B2 (en) Multi-mode video event indexing
Emmy Prema et al. Multi feature analysis of smoke in YUV color space for early forest fire detection
KR101822924B1 (ko) 영상기반 화재 감지 시스템, 방법 및 프로그램
US7916944B2 (en) System and method for feature level foreground segmentation
KR101353952B1 (ko) 시공간적 비오에프와 랜덤 포레스트를 이용한 산불 연기 감지 방법
EP2885766A1 (en) Method and system for detecting sea-surface oil
US8411947B2 (en) Video processing to detect movement of an object in the scene
JP2020021300A (ja) 火災監視装置、火災監視システム、および火災監視装置のプログラム
CN107122743B (zh) 安防监控方法、装置和电子设备
Gunawaardena et al. Computer vision based fire alarming system
KR20130101873A (ko) 열화상 카메라를 이용한 산불 감시 장치 및 그 방법
KR101454644B1 (ko) 보행자 추적기를 이용한 서성거림을 탐지하는 방법
JP2010097412A (ja) 煙検出装置
Sharma Human detection and tracking using background subtraction in visual surveillance
US12181603B2 (en) Method and apparatus for high-confidence people classification, change detection, and nuisance alarm rejection based on shape classifier using 3D point cloud data
Buemi et al. Efficient fire detection using fuzzy logic
KR101044903B1 (ko) 영상 감시 시스템에서 은닉 마르코프 모델을 이용한 불 검출방법
KR101270718B1 (ko) 영상에서 화재를 검출하기 위한 영상처리 장치 및 방법
Carletti et al. A smart visual sensor for smoke detection based on deep neural networks
CN106898014B (zh) 一种基于深度相机的入侵检测方法
Nguyen-Ti et al. Fire detection based on video processing method
JP6275022B2 (ja) 画像監視装置

Legal Events

Date Code Title Description
A201 Request for examination
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20111012

PA0201 Request for examination
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20120925

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20130131

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20130219

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20130220

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
FPAY Annual fee payment

Payment date: 20170124

Year of fee payment: 5

PR1001 Payment of annual fee

Payment date: 20170124

Start annual number: 5

End annual number: 5

FPAY Annual fee payment

Payment date: 20190130

Year of fee payment: 7

PR1001 Payment of annual fee

Payment date: 20190130

Start annual number: 7

End annual number: 7

PC1903 Unpaid annual fee

Termination category: Default of registration fee

Termination date: 20201202