论文部分内容阅读
近年来,火灾识别技术已从传感器识别发展到视频图像识别。从火焰烟雾的静态特征和动态特征出发,基于视频图像的火灾早期识别方法在精确度方面得到了一定的改善,但是当视频图像中存在着大量类火物干扰时,火灾视频识别的精确度仍存在着很大的提升空间。由于火灾视频早期识别本质上是数据的分类问题,所以仅仅从火焰烟雾的特征方面出发并不能够有效地提高算法的预测精度。本文针对火灾视频识别中的特点,在提取大量火焰烟雾特征的基础上,重点是改进后端所采用的分类算法,从而提高火灾识别的精度。本文的主要工作和贡献如下:首先,为了找到特征间的组结构,挑选出最优的特征子集,提出了一种基于特征子集区分度优化的分组特征选择算法。该算法采用多目标优化的选择策略对组内距离和组间距离进行优化;在此基础上进行特征选择并寻找特征间的组结构,在标准UCI数据集上的对比实验结果表明,该算法能够显著提高预测的精确度,并找到特征间的组结构。其次,针对高维特征数据构建识别模型时容易陷入维数灾难的问题,提出了一种基于L1/2范数的组特征分类算法,该算法采用L1/2正则项约束特征权重系数,使得与分类不相关的特征权重系数尽量为0,用L1正则项来约束特征系数间的距离,促使同一个组中的特征系数尽量相同,并提出了一种基于ADMM的联合优化求解算法。在仿真数据和HillValley数据上做对比实验,结果表明该算法在进行特征选择的时候具有较高的效率,并可发现特征间的结构化信息。最后,为了解决目前的火焰视频早期识别中所用的特征数据较少且大多需要人为设置阈值的问题,本文开发了基于组特征选择算法的火灾视频早期识别软件平台,采用真实的隧道火焰视频,可自动提取十个典型的火焰烟雾特征,并利用所提算法构建出早期火焰识别模型。实验结果表明这些特征能够满足所提算法的要求,并验证了所提算法在火焰视频早期识别中具有较高的分类精确度。