[发明专利]一种基于集成学习的火焰图像分类方法

权利要求书

1.基于集成学习的火焰图像分类方法，其特征在于，该方法包括如下步骤：

(1)对火焰图像进行图像预处理，并转化为1*n的均衡向量数据集，n表示灰度矩阵的向量维度；

(2)将火焰图像转化的数据集分割为测试集和验证集，在相同测试集情况下并行训练出基于SVM，逻辑回归，决策树，贝叶斯分类的四种分类器；

(3)基于验证集计算四种分类器的F1分数，并将其作为软决策投票的投票系数并归一化；

(4)对每一个输入火焰数据，都将四个分类器的单独分类结果采用加权平均的方式计算图片包含火焰的概率，最后通过符号函数生成结果，反复输入验证集，计算正确率和损失函数。

2.根据权利要求1所述的基于集成学习算法的火焰图像分类方法，特征在于：步骤(1)中对火焰图像的预处理中采用归一化和灰度化以及通过HOG算法有效提取特征，步骤如下：

(1.1)将火焰图像做尺寸的归一化和灰度化处理，灰度化即对RGB三通道上的灰度值取平均，得到灰度矩阵；

(1.2)计算图像梯度；对于得到的灰度矩阵，通过计算每一个像素的横坐标和纵坐标方向的梯度，得到该位置的梯度方向值；计算方式如下：

dx(i,j)＝[I(i+1,j)-I(i-1,j)]/2

dy(i,j)＝[I(i,j+1)-I(i,j-1)]/2

x(i,j),y(i,j)表示对应像素位置，I(i,j)表示横坐标为i，纵坐标为j像素点的通道值；

(1.3)将火焰图像区分割为不同的细粒度单元，并一次编码；

(1.4)对梯度方向值做归一化后，将不同的细粒度单元连通成区块，并串联所有细粒度单元的特征向量以描述该区块并归一化；在R-HOG区块中用三个参数来表征区块特征：每个区块中细粒度单元的数目、每个细粒度单元中像素点的数目、每个细粒度单元的直方图通道数目；并将HOG特征结合成最终的特征向量供分类使用。

3.根据权利要求1所述的基于集成学习的火焰图像分类方法，其特征在于：步骤(3)中，

F1由精确度和召回率共同决定，Precision表示对含有火焰图片的非误报率：Recall表示对于含有火焰图片的不漏报率：其中TP表示将含有火焰样本判断为含有的次数，FN表示将不含火焰样本判断为不含的次数；FP表示将不含火焰样本判断为含有的次数，TN表示将含有火焰样本判断为不含有的次数。

4.根据权利要求1所述的基于集成学习的火焰图像分类方法，其特征在于：步骤(4)包括：

(4.1)利用分类器所产生的投票系数α_i进行归一化，

(4.2)对于输入样本x，对于第i个分类器，分类器的生成函数或判断其含有火焰的概率为f(x_i)，采用软投票-决策理论，对最终的判断结果进行火焰图片的分类进行加权平均：

(4.3)通过符号函数的结果y＝sgn(H(x))，输出y作为判断是否含有火焰的量化依据，+1表示含有火焰，-1表示不含有火焰；

(4.4)对集成的强分类器输入多样本验证集，计算准确率与损失函数。