基于GA-lightGBM的视频火灾检测方法技术

本发明专利技术涉及基于GA

【技术实现步骤摘要】
基于GA
‑
lightGBM的视频火灾检测方法


[0001]本专利技术涉及火灾检测领域，更确切地说，它涉及基于GA
‑
lightGBM的视频火灾检测方法。

技术介绍

[0002]目前大部分火灾检测依旧依靠基于温度、烟雾、气体等传统传感器的信号来进行常规检测。但这些依靠传统传感器的火灾检测方法通常容易受到环境的干扰，且往往存在误报率高、可靠性差等问题。依靠机器视觉的视频火灾检测方法可以很好地解决传统传感器所存在的问题。其相较于传统火灾检测方法，可以覆盖的检测空间范围更大，且不易受到环境干扰，有效提高了火灾检测的准确率。不仅如此，视频火灾检测方法还具备可视性，可以在提供火灾报警的同时提供大量火场信息。视频火灾检测方法还具有维护成本低，响应速度快等优点。基于机器视觉的火灾检测方法可以分为基于深度学习和基于传统机器学习两大类。基于深度学习的方法存在对数据依赖性高、硬件要求高、算法可解释性差等问题。目前基于传统机器学习的火灾检测方法大都采用支持向量机(SVM)作为模型，但其存在针对不同尺度特征量效果不佳的问题。
...

【技术保护点】

【技术特征摘要】
1.基于GA
‑
lightGBM的视频火灾检测方法，其特征在于，包括：步骤1、在图像序列中提取疑似火灾区域；步骤2、提取火灾特征；步骤3、将所述火灾特征作为训练数据导入lightGBM模型进行训练；步骤4、运用遗传算法对lightGBM的参数进行调整，并判断是否存在火焰。2.根据权利要求1所述的基于GA
‑
lightGBM的视频火灾检测方法，其特征在于，步骤1包括：步骤1.1、输入图像序列，并运用ViBe算法提取移动区域；步骤1.2、在所述移动区域中根据颜色模型筛选疑似火灾区域。3.根据权利要求2所述的基于GA
‑
lightGBM的视频火灾检测方法，其特征在于，步骤1.1中，所述运用ViBe算法提取移动区域，包括：步骤1.1.1、初始化单帧图像中每个像素点的背景模型，对于一个像素点，随机的选择它的邻近点的像素值作为它的模型样本值，表示为：M0(x)＝{v0(y|y∈N
G
(x))}，t＝0式中，M0为初始背景模型中的像素点，N
G
为邻近点，v0为初始原图像中的像素值，t为时间；步骤1.1.2、对后续图像序列进行前景目标分割，当t＝k时，像素点的背景模型为M
k
‑1(x)，像素值为v
k
(x)，根据下式判断该像素值是否为前景：式中，T为预先设定的阈值，当v
k
(x)满足前景第N次时，认定其为前景，否则为背景；步骤1.1.3、对背景模型进行更新，每个背景点有的概率更新该像素点的模型样本值，有的概率更新该像素点邻居点的模型样本值；前景点计数达到临界值时，将其变为背景点，并有的概率去更新自己的模型样本值；其中为预设的时间采样因子。4.根据权利要求2或3所述的基于GA
‑
lightGBM的视频火灾检测方法，其特征在于，步骤1.2中，针对火焰颜色有以下判别规则：R
(x，y)
＞R
T
R
(x，y)
≥G
(x，y)
≥B
(x，y)
S
(x，y)
≥(255
‑
R
(x，y)
)*S
T
/R
T
H1≥H
(x，y)
≥H2S1≥S
(x，y)
≥S2V1≥V
(x，y)
≥V2式中，R
T
、S
T
、H1、H2、S1、S2、V1、V2均为设定的阈值，R
(x，y)
、G
(x，y)
、B
(x，y)
、H
(x，y)
、S
(x，y)
、V
(x，y)
分别为(x，y)处像素点的RGB值和HSV值，同时满足以上判别规则的像素点才会被认定为符合火焰颜色模型。5.根据权利要求4所述的基于GA
‑
lightGBM的视频火灾检测方法，其特征在于，步骤2包括：步骤2.1、对通过移动区域提取和颜色筛选后的二值化图...

【专利技术属性】
技术研发人员：胡潇尹，葛睿泽，肖铎，
申请(专利权)人：浙大城市学院，
类型：发明
国别省市：