一种基于鲁棒多视角的森林烟火实时监测系统和方法技术方案

本发明专利技术公开了一种基于鲁棒多视角的森林烟火实时监测方法，属于森林烟火安全监测技术领域，该方法包括以下步骤：首先在森林中均匀布置森林烟火数据采集模块，森林烟火数据采集模块包括森林烟火图像数据采集器；接着在后台服务器上设置鲁棒多视角检测模块；然后由森林烟火图像数据采集器通过数据传输模块向后台服务器输入森林烟火图像数据；最后由位于后台服务器上的鲁棒多视角检测模块对输入的森林烟火图像数据进行处理检测，从而判断森林中是否存在烟火事故；本专利方法中的鲁棒多视角检测模块鲁棒性高，本专利方法可以实现实时监测森林烟火事故，且监测精度高，具有较高的可扩展性。

【技术实现步骤摘要】
一种基于鲁棒多视角的森林烟火实时监测系统和方法
本专利技术属于森林烟火监测
，具体是涉及一种基于鲁棒多视角的森林烟火实时监测系统和方法。
技术介绍
森林是重要的自然资源，与人类的关系极为密切，它对人类的贡献是多种多样的，不仅提供各种木材和经济植物，同时也是许多食物的来源，但是，近年来我国的森林资源不断减少，由此造成严重的后果。在人脸识别、文本分类和模式识别等领域中，支持向量机(SVM，SupportVectorMachine)作为一种监督学习分类器，通过最大化不同超平面之间的距离构造最佳超平面来进行分类。在有效的处理线性不可分问题的同时，利用正则化项将经验风险和结构风险降到最低，从而使得分类模型更加健壮。此外，可以将模型优化表示为凸优化问题，于是可以利用已知的有效算法得到目标函数的全局最小值，于此同时，还具有优秀的范化能力与鲁棒性等优点。虽然SVM应用广泛，但是在处理XOR问题和二次规划问题上有限制缺陷。所以，提出了广义特征值近邻支持向量机(GEPSVM)，与原始的支持向量机(SVM)不同，GEPSVM将原始问题转化为通过求解广义特征值问题，并以此最终获得两个非平行超平面。目前，基于广义特征值近邻支持向量机(GEPSVM)的模型在处理异或(XOR)问题上具有明显优势，不仅如此，其在分类应用中还可以通过求解特征值的方法来获得最佳参数，实现辅助分类，与其他分类算法相比，GEPSVM具有计算成本低的优点，因此，GEPSVM已成为良好的低层分类器。上述支持向量机(SVM)和广义特征值近邻支持向量机(GEPSVM)都主要用于解决二进制分类的问题，目前有将广义特征值近邻支持向量机(GEPSVM)在二元分类中的应用扩展到多分类器，并提出了孪生支持向量机(TWSVM)。此外，还有很多有关GEPSVM的改进算法，例如通过研究GEPSVM中噪声数据的处理以及对训练时间的改进，提出了改进的近端支持向量机(IDGEPSVM)，此外为了解决广义特征值分解中的奇异性问题，提出了使用差分行驶代替比例形式来表示样本点和超平面距离之间的关系，从而产生了GEPSVM的改进版本IGEPSVM的算法。多视图学习可以通过对同一对象不同视角的学习来提高数据预测的准确性，在现实世界与计算机语言中，同一对象可以由多种视角进行描述，多视图学习作为一种学习机制，不同的视图不仅可以来自多个来源或特征子集，还可以手动生成，因此具有良好的应用前景，越来越多的人将多视图学习与分类器相结合，使其应用到分类算法中。多视图学习与传统的单视图学习算法相比，其可以利用相同类之间的一致性和互补性来提高分类器的性能。后来有人提出了一种改进的非平行超平面分类器，称为双svms(TSVMs)，其目的是生成两个非平行超平面，使其中一个超平面更接近一个类，并且与另一个类有一定的距离。由于TSVMS具有较高的分类精度和较低的计算复杂度，已成为机器学习中的一种流行方法。MvTSVMs算法是在此基础上进行改进，结合多视角学习，将TSVMs算法拓展到两个视角，其中一个目标函数为s.t.|A1v1-A2v2|≤η.-B1v1+q1≥e2,-B2v2+q2≥e2,q1≥0,q2≥0,η≥0该模型为带不等式约束的二次规划问题，目标函数与求解过程较为复杂，计算时间较长，效率较低。后来又出现了Multi-viewtwinsupportvectormachines(MvTSVMs),多视角孪生支持向量机。Multi-viewprivilegedSVMmodel(PSVM-2V)多视图特权SVM模型，由于svm-2k不能充分释放不同特征视图之间互补信息的力量，于是在此基础上Tang于2018年提出了一种使用特权信息(Lupi)学习的框架，用于用互补信息对数据进行建模。将Lupi扩展到MVL。通过经典的二次规划求解器可以解决PSVM-2V的优化问题。后来有人提出了具有多个视图的正则化框架。同年，提出了一种称为“两视图学习：SVM-2K，理论与实践”的两视图学习方法。近年来，经常使用一对相似的一维投影来组合不同的视图以形成新的框架。在此基础上，Sun提出多视图GEPSVM(MvGSVM)的新算法，并将复杂的优化问题转化为广义特征问题。如今，多视图学习算法主要包括协作训练，多核学习和子空间学习。但是MvGSVM通过计算距离连接不同视图，对不同视角本身关系的探究，通过不同视角到超平面距离之间的联系无法反映同一类别的不同视角之间的结构关系。除此之外，在图像处理中，如森林火灾数据，这些数据通常维度较高，包含许多冗余特征和噪音。因此，有必要在不同的分类任务中选择和提取最具区别的特征。目前，已经提出了许多特征选择方法，其中最著名的是主成分分析(PCA)，由于其良好的数据重建性能，该方法成为一种重要的数据预处理技术，但由于它是从原始数据的几何结构中学习不同的特征，因此缺乏相应的判别能力。不仅如此特征学习过程通常与分类学习分开，分类学习所涉及的特征缺乏可解释性，因此不适用于分类问题。MultiviewGeneralizedEigenvalueProximalSupportVectorMachines(MvGSVMs)，基于广义特征值近端支持向量机的多视图学习，该算法将多视角学习与分类器相结合，通过相同类别不同视角样本点到超平面之间距离的差值最小化来表示同类别视角之间的一致性，以一个视角为例，其目标函数为缺点是单纯的通过距离计算差值来联系两个视角，缺乏了对于同类样本点本身结构之间的相关性的考虑，不够准确的同时可解释性较差。相比于单视角算法而言，多视图分类算法考虑了同一类别的不同视角之间的一致性和互补性，使得多视图学习算法优于单视图学习算法。然而多视角算法如MvTSVMs，PSVM-2V，是在约束中引入共正则项连接两个视图，这些模型求解为带不等式约束的优化问题，通过拉格朗日乘子法进行求解。尽管MvGSVMs在目标函数中将不同视角联系起来，并通过求解特征值得到模型参数，不论是目标函数还是求解过程都变得更加的简单明了，但是并没有从样本数据本身的结构之间的一致性去考虑。因此，需要提出一种新型的模型。
技术实现思路
为了克服现有技术中森林烟火监测精度低，不具有可扩展性等存在的不足，本专利技术提供基于鲁棒多视角的森林烟火实时监测系统和方法，该方法监测精度高，且满足实时监测森林烟火，具有较高的可扩展性和模型鲁棒性。为实现上述目的，本专利技术的技术方案如下：一种基于鲁棒多视角的森林烟火实时监测系统，该系统包括：森林烟火数据采集模块，用于实时采集森林烟火数据；数据传输模块，用于将实时采集到的森林烟火数据传输至后台服务器；鲁棒多视角检测模块，位于后台服务器，用于检测森林烟火数据，从而判断森林中是否存在烟火事故；该系统的工作原理：首先由森林烟火数据采集模块实时采集森林烟火数据，接着由数据传输模块将实时采集的森林烟火数据传输至后台服务器，最后由鲁棒多视角检测模块检测森林烟火数据，从而判本文档来自技高网...

【技术保护点】
1.一种基于鲁棒多视角的森林烟火实时监测系统，其特征在于，/n该系统包括：/n森林烟火数据采集模块，用于实时采集森林烟火数据；/n数据传输模块，用于将实时采集到的森林烟火数据传输至后台服务器；/n鲁棒多视角检测模块，位于后台服务器，用于检测森林烟火数据，从而判断森林中是否存在烟火事故；/n该系统的工作原理：首先由森林烟火数据采集模块实时采集森林烟火数据，接着由数据传输模块将实时采集的森林烟火数据传输至后台服务器，最后由鲁棒多视角检测模块检测森林烟火数据，从而判断森林中是否存在烟火事故。/n

【技术特征摘要】
1.一种基于鲁棒多视角的森林烟火实时监测系统，其特征在于，
该系统包括：
森林烟火数据采集模块，用于实时采集森林烟火数据；
数据传输模块，用于将实时采集到的森林烟火数据传输至后台服务器；
鲁棒多视角检测模块，位于后台服务器，用于检测森林烟火数据，从而判断森林中是否存在烟火事故；
该系统的工作原理：首先由森林烟火数据采集模块实时采集森林烟火数据，接着由数据传输模块将实时采集的森林烟火数据传输至后台服务器，最后由鲁棒多视角检测模块检测森林烟火数据，从而判断森林中是否存在烟火事故。


2.根据权利要求1所述的基于鲁棒多视角的森林烟火实时监测系统，其特征在于，所述森林烟火数据采集模块包括均匀布置在森林中的若干个森林烟火图像数据采集器。


3.根据权利要求1或2所述的基于鲁棒多视角的森林烟火实时监测系统，其特征在于，所述森林烟火数据采集模块包括均匀布置在森林中的若干个温度传感器或/和若干个湿度传感器或/和若干个烟雾报警器或/和若干个压力传感器。


4.根据权利要求2所述的基于鲁棒多视角的森林烟火实时监测系统，其特征在于，均匀布置在森林中的若干个森林烟火图像数据采集器均包括监控摄像头。


5.根据权利要求1、2或4所述的基于鲁棒多视角的森林烟火实时监测系统，其特征在于，建立所述鲁棒多视角检测模块包括以下步骤：
S1，首先建立初始鲁棒多视角检测模型；
S2，然后求解鲁棒多视角检测模型的参数，即求解最终的分类平面；
S3，最后对鲁棒多视角检测模型进行实验验证。


6.根据权利要求5所述的基于鲁棒多视角的森林烟火实时监测系统，其特征在于，所述S1包括以下步骤：
S11，首先获取样本数据集，该样本数据集包括训练集和测试集，该样本数据集中训练集输入至鲁棒多视角检测模型以后，均被处理为多视角数据集，该多视角数据集采用多视角正则化项关系矩阵Q，关系矩阵Q如下所示：



其中，qm，d表示同一对象的第d个视图在tm时刻的数据点，m＝[1，2，3，...，r]，d＝[1，2，3，...，p]，其中r和p均为正整数；
S12，通过L2，1范数约束进行同一对象的特征选择，最后选择最具相关性的特征，设样本x∈Rm，m＝[1，2，3，...，r]，设关系矩阵Q∈Rm×d，m＝[1，2，3，...，r]，d＝[1，2，3，...，p]，其中r和p均为正整数，最后获得列向量y∈Rd，d＝[1，2，3，...，p]，列向量y如下所示：



通过L2，1范数约束公式如下所示：



S13，进行目标函数的建立，根据S12选择同一对象的最具相关性的特征，通过最具相关性的特征对应的视角，获得第一个目标函数，该第一个目标函数表示为：



则另一个目标函数表示为：



其中，原始数据矩阵A1，A2，B1，B2，其中分别表示正类第一个视角和第二个视角的数据集，分别表示负类第一个视角和第二个视角的数据集，参数ε∈{2i|i＝-10，-9，...，9，10}，δ∈{0.25，0.5，0.75...

【专利技术属性】
技术研发人员：业巧林，程雅雯，康显赟，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：江苏;32