[发明专利]一种基于颜色特征最优组合的CART决策树火灾图像识别方法

说明书

本发明公开了一种基于颜色特征最优组合的CART决策树火灾图像识别方法，包括如下步骤：构建火灾图像与非火灾图像样本集，并随机划分为训练样本集和测试样本集；基于Lab、RGB、HSV三种色彩模式提取火灾与非火灾样本库颜色特征；在Lab、RGB、HSV色彩模式下分别基于精细决策树寻找最优特征，得到最优特征组合集；基于得到的最优特征组合集以及训练样本集进行CART决策树模型的训练，得到最优CART决策树模型；将测试样本集输入到最优CART决策树模型，完成火灾图像的识别。本发明基于火灾图像颜色特征融合CART决策树进行火灾图像方法的识别，对火灾图像进行识别时准确率较高，其效果明显优于其他决策树类方法，能够更好的表征图像火灾类型，为火灾事故预防提供方法基础。

技术领域

本发明涉及灾图像识别技术领域，具体涉及一种基于颜色特征最优组合的 CART决策树火灾图像识别方法。

背景技术

火灾作为最常见的灾害之一，严重威胁着人们的生命和财产安全。如何有效识别火灾是火灾事故预防关注的重要问题之一，由于视频图像具有高度真实性，易传输，易保存，抗干扰能力强等优势，火灾图像识别也逐渐成为火灾预防的研究热点之一。

截止目前，国内外学者在火灾图像识别方面进行了大量的研究，并取得了重要的突破。杨其睿等提出一种改进的DenseNet深度神经网络架构，解决复杂图像中火灾区域的检测；仇国庆等提出一种基于火焰尖角特征的火灾图像识别算法；张秀玲等提出一种提出了张量对象特征提取的多线性主成分分析MPCA深度学习算法的火灾图像识别新方法；Li,P等基于大规模火灾图像数据集，地面实况复杂度图像是根据人类检测火灾存在或不存在所需的时间来量化的图片，提出了四种基于火灾探测特性的图像复杂度度量和一个基于图像复杂度评估图像火灾检测算法性能的新方法；X.Huang等提出基于参数优化的RS-SVM分类器模型弥补了过拟合和确定局部极值的不足，具有良好的可靠性和稳定性，提高了火灾预报的准确性；韦海成等针对森林火灾图像识别中遇到的漏检和误检等问题,提出了一种基于K-Means聚类下样本熵值判别算法；刘亚如等针对人为选择SVM参数具有盲目性，对其分类能力影响较大，提出基于改进FOA-SVM的火灾图像识别模型；冯丽琦等提出一种新的基于Gabor滤波和局部二值模式(LBP) 的多尺度局部纹理特征提取方法,并构建Adaboost-SVM火焰图像分类器；苗续芝等为解决矿井下传统火灾识别方法准确率较低的问题，提出一种基于改进果蝇优化算法(FOA)-支持向量机(SVM)的火灾图像识别算法；Liu J等旨在以更少的参数提取更高级别的特征提出了一种用于DeepFake检测的轻量级 3DCNN。Lian,Jing等提出了一个火控MSPCNN模型(FC-MSPCNN)，并提供了一个在有效脉冲周期内控制放电和放电神经元的参数设置方法；Choi,H.-S等提出一种使用卷积神经网络的语义火灾图像分割方法；Geetha,S.等基于机器视觉的火灾/烟雾检测方法进行完整的调查和分析；王媛彬等针对火灾火焰识别算法复杂和对环境要求高的特点提出了基于图像特征的火灾火焰识别方法，针对传统火灾探测中灵敏度不高、响应慢的问题,提出一种基于特征融合的图像型火灾探测方法。

上述文献在各个方面取得了较好的效果，但也存在一些不足：其中有些文献中分别使用浅层深层特征、火焰形状特征的尖角特征、张量对象特征、支持向量机等，而并未使用直接表征火灾信息的颜色特征；而有些文献图像样本量较少，仅仅有60副图像样本；还有主要基于纹理特征和CART决策树进行火灾图像的识别，但其本量少，只有100副图像，同时纹理特征表征火灾图像的效果低于颜色特征；例如还有仅仅在单一的YCbCr色彩模式下进行，而色彩模式过于单一；有的文献整个过程并未直接使用火灾图像的颜色特征；基于卷积神经网络研究语义火灾图像分割方法，但并未研究火灾图像识别方法，且通过对火灾和烟雾检测方法进行调查和分析，发现基于卷积神经网络对火灾图像库进行训练的模型识别精度较高，但是随着样本数据量的增对，运算负荷较大。

因此，亟需一种适合火灾图像识别的最优颜色特征组合以及后续基于图像多维特征融合提高火灾图像识别准确率的识别方法。

发明内容