使用opencv SVM训练火灾检测[关闭]答案

【问题标题】：Train fire detection using opencv SVM [closed]使用opencv SVM训练火灾检测[关闭]
【发布时间】：2023-05-02 13:05:01
【问题描述】：

我正在使用 SVM，因为我需要 ML 来训练我的分类器，并且我在几篇关于火灾探测的论文中看到他们使用了 SVM 和逻辑回归，但由于 2.4.9 中没有逻辑回归，我计划使用支持向量机。我使用的是 opencv 2.4.9，因为人们说 opencv 3 有问题。

我是新手，所以如果我们从基础开始会很有帮助

我已经准备好几个火灾和非火灾视频，准备提取到帧中。我是 opencv 和有关分类器的所有内容的新手。我的问题是训练分类器特别是支持向量机的基础知识是什么，我需要我的图像是什么格式以及如何训练它们？有没有好的教程链接？我在 opencv 文档中找到了一个，但它没有教授使用图像进行培训。在确定参数时我需要什么以及这些参数是做什么用的？提前致谢

【问题讨论】：

您首先需要从图像中提取特征才能训练 SVM。特征提取算法很大程度上取决于应用程序。如果您使用的是 OpenCV，我建议您查看有关关键点检测器和特征提取的教程。 docs.opencv.org/master/db/d27/…
我的图片需要采用特定格式吗？还是jpg是可行的？
我应该把提取的特征放在哪里？我无法在 svm train 方法中找出哪个参数是那个
看一下发行版附带的 opencv 示例。有几个使用 SVM 的示例。
关于非线性支持向量机的例子没有展示如何使用图像进行训练，我很难将其转化为图像训练

标签： c++ opencv svm

【解决方案1】：

这是一个概念性问题，需要大量论文和教程来解释。然而，正如在 cmets 中解释的那样，我试图详细说明特征提取。特征描述符应该对缩放、平移和旋转具有鲁棒性。这种鲁棒性在字面上被称为不变特征。例如，矩及其导数是最著名的不变量类型之一，可防止旋转、缩放和平移。您可以在paper 中找到 Hu 矩的用法。火焰或火灾探测是不同的。火焰对应的特征可以从火的动态纹理中提取出来。例如，火有一种特殊的颜色纹理，可以将其与背景隔离开来。传统的火焰探测器利用红外传感器来探测火焰。在图像处理或 RGB 世界中，我们可以通过考虑火焰本身的性质来做同样的事情。火焰通过热量和红外线释放出很大一部分能量。因此，可以预期红色通道的主要部分将用于火焰。例如见下图。

在处理后的图像中，通过施加阈值将红色通道转换为 BW 图像。为了更清楚，我将 3 个频道分开如下。
R: G: B:
很明显，红色频道对火焰有更多的说法。因此，可以断定火焰是R通道有一部分信息的地方，然后是G通道，最后是B通道。见this。
那么，您的特征向量将是一个三维向量，例如，三个 RGB 通道中的火焰轮廓。 SVM 分类器现在可以使用了。有时，视频可能包含应避免的类似火焰的片段，否则会导致误报。 SVM，帮助您接受或拒绝火焰候选人。为了训练你的支持向量机，收集一些真实的火焰和一些可能被你的特征提取器误判的图像。然后，用正面和负面特征标记它们。最后，让 opencv 施展魔法并训练它。有关 SVM 的更多信息，请在youtube 上观看麻省理工学院 Patrick Winston 的视频。

更新---- 由于您对创建特征向量感到好奇，我为您带来了以下示例。假设 R、G、B 通道被精细隔离，以便可以称它们为统计独立的，如下所示；这在 R、G、B 平面不是统计独立的真实图像中是不正确的。
因此，RGB 图像中的一个点将在 RGB 通道中具有 3 种表示形式。例如，火焰会在所有 R、G、B 平面上产生 3 个点。例如，每个点的区域都在这里被追踪。将 RGB 图像中的火焰点标记为“A”。
区域 A 的表示在上面的 R、G、B 图像中进行了描述。 A_r , A_g , A_b 分别表示区域 A 在 R,G,B 平面上的对应区域。

因此，点 A 将由 xyz 平面中的三元组 (Ar,Ag,Ab) 表示。 SVM，现在接受这个向量作为输入，并决定它是否表示真正的火焰。
标准化格式的区域是您可以在决策过程中涉及的众多几何特征之一。这种类型的其他有用特征是纵横比、矩等。

简而言之，您必须执行以下操作：
1 - 找到类似火焰的区域。
2 - 在所有 R、G、B 平面中追踪候选点。
3 - 提取每个平面的特征（我建议时刻）。
4 - 形成特征向量
5 - 用这个向量输入 SVM

我希望你觉得这很有用。

【讨论】：

感谢您的解释，我有一个问题。你的意思是我将使用三维向量提取特征？我很难使用它正如我在 docs.opencv.org/2.4.9/modules/nonfree/doc/… 的文档中看到的那样，我在 keypoints 参数中输入了它？
@RedViper，我更新了我的帖子。
什么是对抗冲浪的时刻？作为特征，因为在特征提取方面我经常在互联网上冲浪
所以我对你的 5 个步骤的理解是 1. 以 img1.jpg 1 140 100 45 45 1 140 100 45 45 2. 使用 #1 循环图像并存储 rgb 平面每个 3. 提取每个平面的特征（仍在阅读如何执行此操作） 4. 使用 #3 形成特征向量，作为训练 svm 中的参数传递
关于 surf 和 sift 特征，它们检测图像中的斑点状点。它们有利于立体成像，有时也适用于字符识别。我认为几何特征优于筛选/冲浪特征。

【解决方案2】：

是的，所以您现在的工作是制作一个 .txt 文件，其中包含您要处理的每个图像的数据。正确的将用 +1 表示，后跟特征集，并以 -1 结束并且那些是火灾的错误图像将以 -1 开始，然后是特征集，并再次以 -1 结束，然后再开始下一张图像的特征集这将是一项乏味的工作，但我相信你会做到的最后以 .train 而不是 .txt 的扩展名保存该文件所以你的训练文件名会是 filename.train

【讨论】：