[發(fā)明專利]一種基于顏色特征最優(yōu)組合的CART決策樹火災(zāi)圖像識別方法

有效

• 申請?zhí)枺?/td>: 202210363855.5
• 申請日: 2022-04-07
• 公開（公告）號: CN114818883B
• 公開（公告）日: 2023-05-26
• 發(fā)明（設(shè)計）人: 李海;寇月;熊升華;任可;郭湘川
• 申請（專利權(quán)）人: 中國民用航空飛行學(xué)院
• 主分類號: G06V10/56
• 分類號: G06V10/56;G06N5/01;G06V10/774;G06V10/80
• 代理公司: 成都東恒知盛知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 51304
• 代理人: 何健雄

本發(fā)明公開了一種基于顏色特征最優(yōu)組合的CART決策樹火災(zāi)圖像識別方法，包括如下步驟：構(gòu)建火災(zāi)圖像與非火災(zāi)圖像樣本集，并隨機劃分為訓(xùn)練樣本集和測試樣本集；基于Lab、RGB、HSV三種色彩模式提取火災(zāi)與非火災(zāi)樣本庫顏色特征；在Lab、RGB、HSV色彩模式下分別基于精細決策樹尋找最優(yōu)特征，得到最優(yōu)特征組合集；基于得到的最優(yōu)特征組合集以及訓(xùn)練樣本集進行CART決策樹模型的訓(xùn)練，得到最優(yōu)CART決策樹模型；將測試樣本集輸入到最優(yōu)CART決策樹模型，完成火災(zāi)圖像的識別。本發(fā)明基于火災(zāi)圖像顏色特征融合CART決策樹進行火災(zāi)圖像方法的識別，對火災(zāi)圖像進行識別時準確率較高，其效果明顯優(yōu)于其他決策樹類方法，能夠更好的表征圖像火災(zāi)類型，為火災(zāi)事故預(yù)防提供方法基礎(chǔ)。

技術(shù)領(lǐng)域

本發(fā)明涉及災(zāi)圖像識別技術(shù)領(lǐng)域，具體涉及一種基于顏色特征最優(yōu)組合的?CART決策樹火災(zāi)圖像識別方法。

背景技術(shù)

火災(zāi)作為最常見的災(zāi)害之一，嚴重威脅著人們的生命和財產(chǎn)安全。如何有效識別火災(zāi)是火災(zāi)事故預(yù)防關(guān)注的重要問題之一，由于視頻圖像具有高度真實性，易傳輸，易保存，抗干擾能力強等優(yōu)勢，火災(zāi)圖像識別也逐漸成為火災(zāi)預(yù)防的研究熱點之一。

截止目前，國內(nèi)外學(xué)者在火災(zāi)圖像識別方面進行了大量的研究，并取得了重要的突破。楊其睿等提出一種改進的DenseNet深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，解決復(fù)雜圖像中火災(zāi)區(qū)域的檢測；仇國慶等提出一種基于火焰尖角特征的火災(zāi)圖像識別算法；張秀玲等提出一種提出了張量對象特征提取的多線性主成分分析MPCA深度學(xué)習(xí)算法的火災(zāi)圖像識別新方法；Li,P等基于大規(guī)模火災(zāi)圖像數(shù)據(jù)集，地面實況復(fù)雜度圖像是根據(jù)人類檢測火災(zāi)存在或不存在所需的時間來量化的圖片，提出了四種基于火災(zāi)探測特性的圖像復(fù)雜度度量和一個基于圖像復(fù)雜度評估圖像火災(zāi)檢測算法性能的新方法；X.Huang等提出基于參數(shù)優(yōu)化的RS-SVM分類器模型彌補了過擬合和確定局部極值的不足，具有良好的可靠性和穩(wěn)定性，提高了火災(zāi)預(yù)報的準確性；韋海成等針對森林火災(zāi)圖像識別中遇到的漏檢和誤檢等問題,提出了一種基于K-Means聚類下樣本熵值判別算法；劉亞如等針對人為選擇SVM參數(shù)具有盲目性，對其分類能力影響較大，提出基于改進FOA-SVM的火災(zāi)圖像識別模型；馮麗琦等提出一種新的基于Gabor濾波和局部二值模式(LBP)?的多尺度局部紋理特征提取方法,并構(gòu)建Adaboost-SVM火焰圖像分類器；苗續(xù)芝等為解決礦井下傳統(tǒng)火災(zāi)識別方法準確率較低的問題，提出一種基于改進果蠅優(yōu)化算法(FOA)-支持向量機(SVM)的火災(zāi)圖像識別算法；Liu?J等旨在以更少的參數(shù)提取更高級別的特征提出了一種用于DeepFake檢測的輕量級?3DCNN。Lian,Jing等提出了一個火控MSPCNN模型(FC-MSPCNN)，并提供了一個在有效脈沖周期內(nèi)控制放電和放電神經(jīng)元的參數(shù)設(shè)置方法；Choi,H.-S等提出一種使用卷積神經(jīng)網(wǎng)絡(luò)的語義火災(zāi)圖像分割方法；Geetha,S.等基于機器視覺的火災(zāi)/煙霧檢測方法進行完整的調(diào)查和分析；王媛彬等針對火災(zāi)火焰識別算法復(fù)雜和對環(huán)境要求高的特點提出了基于圖像特征的火災(zāi)火焰識別方法，針對傳統(tǒng)火災(zāi)探測中靈敏度不高、響應(yīng)慢的問題,提出一種基于特征融合的圖像型火災(zāi)探測方法。

上述文獻在各個方面取得了較好的效果，但也存在一些不足：其中有些文獻中分別使用淺層深層特征、火焰形狀特征的尖角特征、張量對象特征、支持向量機等，而并未使用直接表征火災(zāi)信息的顏色特征；而有些文獻圖像樣本量較少，僅僅有60副圖像樣本；還有主要基于紋理特征和CART決策樹進行火災(zāi)圖像的識別，但其本量少，只有100副圖像，同時紋理特征表征火災(zāi)圖像的效果低于顏色特征；例如還有僅僅在單一的YCbCr色彩模式下進行，而色彩模式過于單一；有的文獻整個過程并未直接使用火災(zāi)圖像的顏色特征；基于卷積神經(jīng)網(wǎng)絡(luò)研究語義火災(zāi)圖像分割方法，但并未研究火災(zāi)圖像識別方法，且通過對火災(zāi)和煙霧檢測方法進行調(diào)查和分析，發(fā)現(xiàn)基于卷積神經(jīng)網(wǎng)絡(luò)對火災(zāi)圖像庫進行訓(xùn)練的模型識別精度較高，但是隨著樣本數(shù)據(jù)量的增對，運算負荷較大。

因此，亟需一種適合火災(zāi)圖像識別的最優(yōu)顏色特征組合以及后續(xù)基于圖像多維特征融合提高火災(zāi)圖像識別準確率的識別方法。

發(fā)明內(nèi)容