一种基于随机森林特征选择的烟雾检测方法

摘要

本发明公开一种基于随机森林特征选择的烟雾检测方法，包括如下步骤：(1)确定烟雾图像烟雾的四种特征作为随机森林模型的输入；(2)利用无烟图像合成烟雾图像，再将图像分块的方法，构造烟雾块样本和非烟雾块样本；(3)经随机森林模型训练进行降维特征选择得到回归特征；(4)利用支持向量机SVM，结合回归特征，训练烟雾块样本和非烟雾块样本，得到分类器；(5)实时烟雾检测，根据SVM得到的分类器，对视频中的图像进行烟雾检测。本发明能够及时的预警烟雾同时降低火灾预警的误报率；在不依赖于实验阈值设定的情况下得到烟雾区域；利用随机森林的特征选择，能够自动的进行烟雾特征的分析。

说明书

技术领域

本发明涉及一种基于随机森林特征选择的烟雾检测方法一种基于随机森林特征选择的烟雾检测方法，属于烟雾检测技术领域。

背景技术

火灾事故不仅会造成社会经济损失，同时还会对生态环境造成一定的破坏，甚至会严重威胁人们的生命财产安全，因此急需对火灾进行检测以预防火灾事故的发生。

传统的火灾的检测方法基本上都是基于传感器的单一数据判决的方法，一般利用电子器件或者光学器件检测火灾发生过程中产生的火焰及烟雾颗粒。这种基于传感器的探测方法虽然比较简单，但是因为灵敏度以及对环境的依懒性，存在重大的缺陷，极易受到环境中灰尘及其他颗粒的影响，而且为了提高精度，必须靠近火源，而在大空间区域内，这种传感器的方法的基本很难满足对火灾检测的要求。鉴于传统传感器进行火灾检测存在的缺陷，基于视觉的火灾检测成为人们研究的焦点，跟传统传感器相比，它的成本低，远离火源，能提供火灾的燃烧位置、燃烧大小、燃烧的增长率等额外的信息。基于视觉的火灾检测方法可以分为视频火焰探测和视频烟雾探测，但是烟雾往往是火灾发生的前期信号，对烟雾进行检测可以有效的预警火灾。

大部分基于视频的烟雾检测研究方法主要是根据视频图像中表征烟雾的静态特征和动态特征来检测烟雾，但是输出判决往往依赖于经验阈值的设定，而且阈值设定没有统一性。基于小波的实时视频烟雾检测方法，该方法结合烟雾的颜色特征，烟雾小波高频能量特征，烟雾区域边界的周期性和闪烁性特征得到烟雾判据，达到了烟雾检测的目的，但是判据中的阈值依赖于实验统计数据，导致实用性降低。基于累积运动方向的视频烟雾检测方法只是该方法计算的复杂度较高，实时性低，而且烟雾运动方向估计的阈值也依赖实验统计。上述视频烟雾检测方法都是基于阈值的，依赖于经验阈值的设定，不具备普遍的适用性。基于BP神经网络、SVM等机器学习的方法结合提取的烟雾特征进行烟雾检测，可以达到自动检测烟雾的目的，降低经验性阈值的影响，但是难以满足对烟雾特征进行自动分析的要求，且烟雾样本和非烟雾样本的获取需要大量的视频数据，对纯烟雾样本的提取有一定的难度。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种基于随机森林特征选择的烟雾检测方法一种基于随机森林特征选择的烟雾检测方法，能够自动的分析提取的烟雾特征，且降低样本获取的复杂度和难度。

本发明技术解决方案：

一种基于随机森林特征选择的烟雾检测方法，包括如下步骤：

第一步，确定烟雾图像的四种特征作为随机森林模型的输入；所述烟雾的四种特征分别是烟雾图像的RGB特征、小波变换子图特征、多尺度暗通道特征和多尺度局部最大饱和度特征；所述烟雾图像的RGB特征是指烟雾图像的三个颜色分量R,G,B；小波变换子图特征是指烟雾图像的小波分解；多尺度暗通道特征是一个户外无雾图像统计规律；多尺度局部最大饱和度特征是指不同尺度下图像的局部最大饱和度。

第二步，利用非烟雾图像合成烟雾图像，再根据图像分块的方法，对合成烟雾图像构造烟雾块样本和非烟雾块样本；

第三步，经随机森林模型训练进行降维特征选择得到回归特征；将烟雾块样本与非烟雾快样本的RGB特征，小波变换子图特征，多尺度暗通道特征，多尺度局部最大饱和度特征，分别记作V₁,V₂,V₃,V₄，构成一个组合特征V＝[V₁,V₂,V₃,V₄]，作为随机森林模型的输入特征，总特征维数记为M，通过随机森林对烟雾块样本与非烟雾快样本进行训练，得到样本特征重要性排行，选取前m个特征作为回归特征，m＝[M^1/2]+1，[]表示向下取整。

第四步，根据第二步得到的烟雾块样本与非烟雾快样本，结合第三步得到的回归特征，训练支持向量机SVM，得到识别烟雾块和非烟雾块的分类器；

第五步，通过第四步的识别烟雾块和非烟雾块的分类器得到烟雾区域，分析烟雾区域的凸形度和增长率，得到最终的实时烟雾检测结果。

所述第一步中，烟雾图像的RGB特征确定如下：

根据RGB颜色模型和HSI颜色模型的转换以及颜色分析采用以下规则判定烟雾像素：如果满足规则r1并且满足规则r2或r3，则判定为烟雾像素；否则判定为非烟雾像素。R，G，B表示RGB空间的三个颜色分量，V为图像的亮度，α,L₁,L₂,D₁,D₂为给定的阈值，提取烟雾图像的RGB颜色特征为V₁＝[R,G,B]。

所述第一步中，小波变换子图特征确定如下：

烟雾图像经过滤波器组，即包括低通滤波器和高通滤波器，烟雾图像分解为低频部分cA，代表烟雾图像的平均信息，高频部分cV、cH和cD，分别代表烟雾图像的水平边缘信息、垂直边缘信息和对角线边缘信息；烟雾图像和非烟雾图像小波变换子图，烟雾图像和无烟雾图像相比，烟雾图像中边缘信息减少，纹理和边缘被烟雾覆盖后变得模糊和平滑；提取小波子图V₂＝[cA,cH,cV,cD]作为烟雾图像的特征。

所述第一步中，多尺度暗通道特征确定如下：户外无雾图像，除了天空和白墙的大部分局部区域，某些像素某个通道R,G,B分量的值特别低，接近于0，鉴于烟和雾具有相似的特性，将烟雾图像的暗通道作为表征烟雾的特征，多尺度暗通道如下：

式中，Ω_r(x)表示r×r的图像区域，c表示某一颜色分量，提取无烟雾图像和烟雾图像多尺度暗通道D₁(x；I)1×1的图像区域多尺度暗通道、D₄(x；I)4×4的图像区域多尺度暗通道、D₁₀(x；I)10×10的图像区域多尺度暗通道，无烟雾图像的多尺度暗通道比较暗，烟雾图像多尺度暗通道比较亮，且尺度越大越明显，将多尺度暗通道作为表征烟雾的特征之一，提取V₃＝[D₁,D₄]作为烟雾图像的暗通道特征。

所述第一步中，确定多尺度局部最大饱和度特征如下：

烟雾图像的饱和度定义为烟雾图像的饱和度相比无烟图像的饱和度有所减少，定义多尺度局部最大饱和度如下其中，Ω_r(x)表示r×r的图像区域，c表示某一颜色分量，I为烟雾图像，x表示像素坐标；r表示图像区域维数。

提取无烟雾图像和烟雾图像多尺度局部最大饱和度S₁(x；I)1×1的图像区域多尺度局部最大饱和度、S₄(x；I)4×4的图像区域多尺度局部最大饱和度、S₁₀(x；I)10×10的图像区域多尺度局部最大饱和度。

通过比较，无烟图像的多尺度局部最大饱和度比较亮，烟雾图像多尺度局部最大饱和度比较暗，且尺度越大越明显，由此可以将多尺度局部最大饱和度作为表征烟雾的特征之一，提取V₄＝[S₁,S₄]作为烟雾图像特征的多尺度局部最大饱和度特征。

所述第五步中，实时烟雾检测具体分为三个步骤：

a.利用背景估计法，提取疑似烟雾区域；

b.分割疑似烟雾区域当前帧和背景帧，得到当前帧和背景帧的图像分块，并对当前帧和背景帧的图像分块进行小波变换，求取小波高频分量，比较当前帧和背景帧的图像分块当前帧和背景帧分块的高频分量，得到疑似烟雾分块；

c.统计疑似烟雾分块烟雾像素数量烟雾区域烟雾像素数量，由此计算烟雾区域的凸形度和增长率，得到最终的烟雾检测结果。

本发明与现有技术相比的优点在于：本发明能够及时的预警烟雾同时降低火灾预警的误报率；在不依赖于实验阈值设定的情况下得到烟雾区域；利用随机森林的特征选择，能够自动的进行烟雾特征的分析；基于构造烟雾图像获取训练样本的方法，不仅得到了正确的分类器，还降低了算法的复杂度。对视频中烟雾进行有效检测，能有效避免误报并为实时烟雾检测提供依据。

附图说明

图1为本发明方法流程图；

图2为本发明方法中样本的提取及训练过程；

图3为烟雾检测流程。

具体实施方式

下面结合附图及实施例对本发明进行详细说明。

如图1所示，本发明具体实现如下：

(1)确定烟雾的四种特征作为随机森林模型的输入。

为了提取烟雾区域，对烟雾的特征进行分析，分析的烟雾图像的静态特征和动态特征，用静态特征训练随机森林和支持向量机得到分类器，从而得到烟雾区域，用动态特征进一步确定烟雾区域，以完成烟雾检测。大部分烟雾图像的颜色都呈现灰度特性,而且在RGB颜色空间，烟雾图像的三个颜色分量R,G,B一般都比较接近，同时根据RGB颜色模型和HSI颜色模型的转换以及颜色分析可以用以下规则判定烟雾像素：

如果满足规则r1并且满足规则r2或r3，则判定为烟雾像素；否则判定为非烟雾像素。R，G，B表示RGB空间的三个颜色分量，V为图像的亮度，α,L₁,L₂,D₁,D₂为给定的阈值。

提取烟雾图像的RGB颜色特征为V₁＝[R,G,B]

烟雾图像经过滤波器组(低通滤波器和高通滤波器)，分解为低频部分cA：代表图像的平均信息和高频部分cV，cH，cD：分别代表原始图像的水平边缘信息，垂直边缘信息，和对角线边缘信息。

烟雾图像和非烟雾图像小波变换子图，烟雾图像和无烟雾图像相比，烟雾图像中边缘信息减少，纹理和边缘被烟雾覆盖后变得模糊和平滑。提取小波子图V₂＝[cA,cH,cV,cD]作为烟雾图像的特征。

暗通道特征是一个户外无雾图像统计规律。户外无雾图像，除了天空和白墙的大部分局部区域，某些像素某个通道(R,G,B分量)的值特别低，接近于0。鉴于烟和雾具有相似的特性，将烟雾图像的暗通道作为表征烟雾的特征。定义多尺度暗通道如下：

式(1)中，Ω_r(x)表示r×r的图像区域，c表示某一颜色分量。提取无烟图像和烟雾图像多尺度暗通道D₁、D₄、D₁₀。无烟图像的多尺度暗通道比较暗，烟雾图像多尺度暗通道比较亮，且尺度越大越明显，由此可以将多尺度暗通道作为表征烟雾的特征之一。提取：

V₃＝[D₁,D₄]作为烟雾图像的暗通道特征。

烟雾图像的饱和度定义为烟雾图像的饱和度相比无烟背景图的饱和度有所减少，定义多尺度局部最大饱和度如下其中，Ω_r(x)表示r×r的图像区域，c表示某一颜色分量。

提取无烟图像和烟雾图像多尺度局部最大饱和度S₁、S₄、S₁₀，

通过比较，无烟图像的多尺度局部最大饱和度比较亮，烟雾图像多尺度局部最大饱和度比较暗，且尺度越大越明显，由此可以将多尺度局部最大饱和度作为表征烟雾的特征之一。提取V₄＝[S₁,S₄]作为烟雾图像的多尺度局部最大饱和度特征。

(2)利用无烟图像合成烟雾图像，再用图像分块的方法，构造烟雾块样本和非烟雾块样本。

对非烟雾块样本，从一系列视频中随机选取无烟图像，将无烟图像分块，得到非烟雾块样本。对烟雾块样本，基于假设：(i)图像内容独立于场景深度或介质，即同样的图像内容在不同的图像不同的场景深度中可以重现；(ii)局部区域的像素，场景深度相同。随机选取t(t在0到1之间)值，假定大气光照矩阵对无烟图像为A＝[1,1,1]，根据烟雾图像信息模型，其中I为烟雾图像，J是无烟背景图像，t是传播介质系数，x是像素坐标，A是大气光照矩阵，t(x)表示未被衰减的到达相机的光，d表示场景到相机距离，k表示散射系数。利用无烟背景图像合成烟雾图像，然后将合成的烟雾图像分块后，就得到烟雾块样本。

(3)经随机森林模型训练进行降维特征选择得到回归特征。

提取样本图像的RGB颜色特征为V₁＝[R,G,B]，小波子特征V₂＝[cA,cH,cV,cD]，多尺度暗通道V₃＝[D₁,D₄]和多尺度局部最大饱和度V₄＝[S₁,S₄]作为随机森林模型的训练特征。其中小波子图特征V₂的提取，利用了Y分量图小波变换，所用的小波滤波器组为LPF＝[0.25,0.5,0.25]，HPF＝[-0.25,0.5,-0.25]。对无烟背景图像进行8*8分块得到非烟雾块样本，并标记为负样本；同时根据无烟图像合成的烟雾图像，也按照8*8分割组成烟雾块样本，并标记为正样本；输入随机森林的特征是一个组合特征V＝[V₁,V₂,V₃,V₄]。将标记的正负样本输入随机森林，进行训练，训练过程中，设置随机森林大小为生成100颗决策树，特征选择的方法如下：

1)确定输入样本N和特征维数M。

2)对输入样本进行bootstrap采样，同时对特征M随机采样，利用GINI指数采用完全分裂的方式构造决策树。

3)重复步骤2)构造K棵决策树组成随机森林，计算每棵决策树的袋外数据误差：

error₁,error₂,…,error_K。

4)随机改变袋外数据某个特征属性x_i(表示M维特征的第i个属性)，重新计算袋外数据误差error₁′,error₂′,…,error_K′。

按式计算特征x_i的重要程度。

5)根据计算出的重要程度，选出一定比例的特征M。

6)重复步骤1)～6)直至选出m个特征。

通过随机森林对烟雾块样本与非烟雾快样本进行训练，得到样本特征重要性排行，选取前m个特征作为降维特征，m＝[M^1/2]+1，[]表示向下取整。

(4)利用支持向量机SVM，结合回归特征，训练烟雾块样本和非烟雾块样本，得到分类器。

通过随机森林模型的特征选择提取降维特征，构建训练样本。在训练SVM分类器过程中，选择N1个非烟雾块样本(负样本)和N2个烟雾块样本(正样本)作为训练样本，N3个非烟雾块样本和N4个烟雾块样本作为测试样本。选择作径向基函数为SVM分类器的核函数，训练后得到烟雾图像和非烟雾图像的分类判决函数为x_i为支持向量，α_i为超平面函数。

实时烟雾检测。

根据SVM得到的分类器，可以对视频中的图像进行烟雾检测，检测流程如图3所示,检测流程如下：

a.根据系列图像当前帧利用背景估计法，提取疑似烟雾区域；

b.分割疑似烟雾区域当前帧和背景帧，得到当前帧和背景帧的k*k大小图像分块，并利用图像分块提取的回归特征和SVM分类器得到疑似烟雾分块，组合得到烟雾区域；/并对当前帧和背景帧的图像分块进行小波变换，求取小波高频分量，比较当前帧和背景帧的图像分块当前帧和背景帧分块的高频分量，得到疑似烟雾分块；

c.统计疑似烟雾分块烟雾像素数量烟雾区域烟雾像素数量，由此计算第t_i帧烟雾区域的凸形度和增长率

th_c,th_d为给定的阈值，a_p为视频帧中烟雾区域的凸形度平均值，a_g为视频帧中烟雾区域的增长率平均值，得到最终的烟雾检测结果。

本发明能够及时的预警烟雾同时降低火灾预警的误报率；提出的算法将烟雾检测问题转化为图像中烟雾块和非烟雾块的二分类问题，能够在不依赖于实验阈值设定的情况下得到烟雾区域；利用随机森林的特征选择，能够自动的进行烟雾特征的分析；另外，基于构造烟雾图像获取训练样本的方法，不仅得到了正确的分类器，还降低了算法的复杂度。

以上显示和描述了本发明的基本原理和主要功能。本行业的技术人员应该了解，本发明不受上述实例的限制，上述实例和说明书中的描述只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的发明范围内。本发明要求保护范围由所附权利要求书及其等效物界定。