论文部分内容阅读
如何更精确、更实时地检测早期火灾的发生是人类不断追求的目标。图像火灾探测的一个最关键问题就是使用分类器区分和识别火焰和其他干扰物。经典的支持向量机算法(SVM)是一种最为实用的火焰图像特征识别方法,虽然SVM在火焰识别领域取得了不错的成效,但是SVM分类算法在面对规模较大的数据时需要进行繁杂的冗余计算,这可能致使分类速度缓慢无法满足现实场景的要求。孪生支持向量机(TWSVM)是受SVM理论启发而来并且更加优秀的学习算法,TWSVM的训练学习速度获得很大提升,但是和SVM一样,TWSVM的性能发挥与参数之间存在很大的关联,参数选择的困难将会极大地限制TWSVM在火焰识别问题中的应用。本文将基于SVM且性能更优的TWSVM理论应用于火焰识别这个领域,并对影响TWSVM性能的参数选择问题进行了深入研究,以下是主要研究内容:第一部分,本文提出了一种改进AFSA算法选取TWSVM参数的方法,该算法通过在觅食行为引入柯西分布,在聚群和追尾行为中实现步长自动调节,淘汰和重生机制等一系列改进措施获得一种性能更优的鱼群算法,接着利用改进后的人工鱼群算法来实现TWSVM中的参数自动选定。最后利用UCI(加州大学欧文分校)标准数据集,将所提出的算法与传统支持向量机(SVM)、Grid-TWSVM、GA-TWSVM、PSO-TWSVM、FOA-TWSVM、GSO-TWSVM、AFSA-TWSVM进行性能比较。第二部分,在分析火焰图像不同颜色空间模型的特点后,提出了一种RGB-YCbCr混合颜色空间模型方法来分割火焰图像获得火焰目标区域,接着提取颜色特征中的典型的低阶颜色矩和灰度共生矩阵中四种不相关的二次统计量,作为孪生支持向量机的输入特征向量。在火焰特征的基础上,本文将所提出的基于改进人工鱼群算法的TWSVM应用到实际的火焰数据集中,仿真实验表明,TWSVM在火焰识别领域比SVM效果更佳,所提出的改进人工鱼群算法可以以更快的速度跳出局部最优解,寻找到适合TWSVM的全局最优参数,从而解决了TWSVM应用于火焰识别时参数选择困难、常用参数寻优算法寻优时间长等问题。