[发明专利]分布式机器学习系统及其方法

权利要求书

1.一种分布式机器学习系统，其特征在于：所述分布式机器学习系统设有监控中心和前端设备，监控中心与前端设备由网络连接构成监控系统；所述监控中心设有监控中心服务器；所述前端设备设有摄像机、智能图像处理器和火灾监控探测器；

所述摄像机采集被监控区域的视频图像信息，转换为数字图像，压缩成视频，将视频传送到智能图像处理器；

所述智能图像处理器接收到视频，将其分解成视频图像序列，根据视频图像序列的火焰像素在RGB与YCbCr颜色空间的特征，找出视频图像中满足火焰条件的所有候选火焰点；然后，将视频图像分块得到视频块，计算视频块中火焰像素集颜色和亮度属性所对应的协方差矩阵，提取颜色和亮度协方差矩阵中的上三角或下三角部分作为特征向量，随机选择正负样本作为训练集，基于决策树分类器进行训练，建立决策树分类模型；最后，计算候选火焰点视频块的特征向量，将特征向量输入决策树分类模型进行预测，判断火焰，智能图像处理器向监控中心发出报警信息，同时将火焰信息通过网络反馈给监控中心；

所述火灾监控探测器用于对火灾发生时产生的烟雾、温度、火焰燃烧时所产生的气体特征作出有效反应，将表征火灾的探测值的物理量转换为电信号，当探测值的电信号超过设定值时，火灾监控探测器向监控中心发出报警信息，同时将探测值通过网络反馈给监控中心；

监控中心服务器用于管理整个监控系统信息、检查智能图像处理器和火灾监控探测器的工作状态。

2.根据权利要求1所述的分布式机器学习系统，其特征在于：所述前端设备为1～n套，n为火灾监控结点的数量，火灾监控结点为被监控区域；所述前端设备设置在火灾监控结点。

3.根据权利要求2所述的分布式机器学习系统，其特征在于：所述监控中心设有显示终端，显示终端与监控中心服务器连接；显示终端用于显示摄像机所获取的火灾监控结点的视频图像信息和智能图像处理器中所输出的火灾现场的视频图像。

4.一种分布式机器学习方法，包括以下步骤：

一、图像预处理

摄像机采集火灾监控结点现场的视频图像信息，传送到智能图像处理器；智能图像处理器对视频图像进行中值滤波，得到中值滤波后的视频图像；

二、颜色检测

将中值滤波后的视频图像的RGB颜色空间转换成YCbCr颜色空间，计算中值滤波后的视频图像分别在Y、Cb和Cr通道上的均值和其中，N为视频图像中像素总个数，(xi,yi)为第i个图像点的位置，将满足下列所有条件的中值滤波后的视频图像点作为候选火焰像素点：

R(xi,yi)>G(xi,yi)>B(xi,yi)且R(xi,yi)>RT

Y(xi,yi)>Cb(xi,yi)

Cr(xi,yi)>Cb(xi,yi)

且且

|Cb(xi,yi)-Cr(xi,yi)|≥τ (1)

式(1)中，τ为色差阈值，取τ＝40，RT是红色通道阈值，RT＝110；

三、火焰特征提取

将中值滤波后的视频图像分成大小相同的视频块，统计每个视频块中满足候选火焰点条件的火焰像素点个数，火焰像素点个数不少于当前视频块中总像素个数的15％，计算视频块中每个候选火焰点的颜色属性向量和亮度属性向量，然后计算火焰像素点集的颜色和亮度属性所对应的协方差矩阵，对得到的颜色协方差矩阵和亮度协方差矩阵进行归一化，提取协方差矩阵的上三角或下三角部分，作为火焰特征向量：

式(3)中，为归一化后协方差矩阵的第(r,s)个元素值，Cov(r,s)为归一化前的协方差矩阵的第(r,s)个元素值；

四、决策树训练

将由火焰特征向量所组成的正、负样本集，正样本为火焰特征向量，负样本为干扰物特征向量，输入到决策树分类器进行训练，经训练后，得到决策树分类模型。本发明方法中的正样本为从火焰视频中提取出的火焰特征向量，类别标签为1，负样本为从干扰物视频中提取出的特征向量，类别标签为-1，采用霍夫丁决策树训练，得到决策树模型。