[发明专利]一种基于集成学习的火焰图像分类方法

说明书

本发明公开了一种基于集成学习的火焰图像分类方法。属于机器学习图像分类技术领域。该方法包括：对火焰图像进行归一化和灰度化，利用HOG算法预处理特征，将转化后的火焰图像特征送入多种机器学习分类器，并行迭代生成多种图像分类器，计算每个分类器对图像的分类准确率与概率，通过软决策‑投票的方式反馈调整多个分类器投票系数，再以加权平均的方式将多种机器学习分类器集成一种新的分类器，并将最终对火焰图像的分类通过符号函数输出结果。本发明融合集成学习投票决策和多种机器学习分类算法，在保留多种机器学习分类器的优点下，有效提升了对火焰图像检测的准确性。

技术领域

本发明涉及一种基于集成学习的火焰图像分类方法，属于机器学习图像分类 技术领域。

背景技术

火焰的检测对于前期预防火灾一直起着至关重要的作用的，尤其是火灾的蔓 延后的不可控性以及对人生命财产安全的巨大威胁性，使得前期检测火焰显得越 来越关键。长期以来，传统火灾预警方式以采用传感器为主，感温型，感烟型以 及感光性传感器等等，主要有以下三个缺点：一是传感器探知的物理空间和距离 有限，当火灾的火焰距离较远时，传感器无法感知；二是传感器由于其探测原理， 受环境干扰严重，传感器的原理是在物理传感器采集数据的前提下，设立一定的 阈值，当采集值达到一定的偏差后，对后台发送相应警告信号，例如光照异常会 使得感光型传感器的报告准确率产生较大波动，基于传统传感器的火灾预防系统 难以满足越来越高的火灾预防要求。

而相对的，近来发展的基于图像处理技术的火灾图像检测技术有针对性的克 服了传统火灾检测技术的主要弱点，在采集方面，因为视频分辨率的逐年提高， 采集器无需与火源保持较近的物理空间距离，保证了基于图像技术的火焰识别能 够拥有更高的准确率。公共场所视频监控设备的普及性也使得数据集的采集难度 降低。而机器学习算法从诞生之初，对于回归，分类，聚类的问题探讨从未停歇。 火灾图像识别技术，通过图像预处理技术获得火焰本身的静态或动态特征，依据 火焰的颜色特性、形状特性、纹理特性等等，结合一种乃至几种几何或可量化的 特征，利用贝叶斯分类器，聚类等机器学习算法进行分析，比利用传感器进行检 测火焰能取得更好的效果。

但是机器学习分类算法也存在一定的缺陷，比起机器学习分类算法在离散型 或是一维任务中的优秀分类表现，图像因为具有二维特征，像素点具有强关联性， 往往单一的机器学习分类器对于如此高纬度的关联特征间的联系达到很好的捕 获效果。同时，机器学习的一个重要分支，集成学习，经常被用于划分数据集， 在同一类机器学习算法原理的前提下，通过数据的先验性相互独立，反复学习生 成多个同类学习器，以决策理论，增强机器学习分类器的分类能力或是反馈调整 样本比例改进模型。但因为机器学习算法原理的各自优劣和学习上限，增强效果 不明显。

发明内容

发明问题：针对上述现有技术的不足，本发明的目的是提供一种结合优化火 焰图像特征提取，多种传统机器学习算法和投票决策理论的基于集成学习的火焰 图像分类方法，以避免单一分类器模型的劣势，达到更好的火焰图像分类准确率。

技术方案：为了实现的上述发明目的，本发明采用如下步骤：

基于集成学习的火焰图像分类方法，包括如下步骤：

(1)将火焰图像经过归一化，灰度化等方式进行图像预处理，并转化为1*n 的均衡向量数据集。

(2)将火焰图像转化的数据集分割为测试集和验证集，在相同测试集情况 下并行训练出基于SVM，逻辑回归，决策树，贝叶斯分类的四种分类器。

(3)基于验证集计算四种分类器的F1分数，并将其作为软决策投票的投票 系数并归一化。

(4)对每一个输入火焰数据，都将四个分类器的单独分类结果采用加权平 均的方式计算图片包含火焰的概率，最后通过符号函数生成结果，反复输入验证 集，计算正确率和损失函数。

在优选的实施方案中，步骤(1)中的图像预处理步骤包括：