(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210363855.5 (22)申请日 2022.04.07 (71)申请人 中国民用航空飞行 学院 地址 618307 四川省德阳市广汉市南昌路 四段46号 (72)发明人 李海　寇月　熊升华　任可　 郭湘川　 (74)专利代理 机构 成都东恒知盛知识产权代理 事务所 (特殊普通合伙) 51304 专利代理师 何健雄 (51)Int.Cl. G06K 9/62(2022.01) G06N 5/00(2006.01) G06V 10/56(2022.01)G06V 10/774(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于颜色特征最优组合的CART决策树 火灾图像识别方法 (57)摘要 本发明公开了一种基于颜色特征最优组合 的CART决策树火灾图像识别方法， 包括如下步 骤： 构建火灾图像与非火灾图像样本集， 并随机 划分为训练样本集和测试样本集； 基于Lab、 RGB、 HSV三种色彩模式提取火灾与非火灾样本库颜色 特征； 在Lab、 RGB、 HSV色彩模式下分别基于精细 决策树寻找最优特征， 得到最优特征组合集； 基 于得到的最优特征组合集 以及训练样本集进行 CART决策树模型的训练， 得到最优CART决策树模 型； 将测试样本集输入到最优CART决策树模型， 完成火灾图像的识别。 本发明基于火灾图像颜色 特征融合CART决策树进行火灾图像方法的识别， 对火灾图像进行识别时准确率较高， 其效果明显 优于其他决策树类方法， 能够更好的表征图像 火 灾类型， 为火灾事故预防提供方法基础。 权利要求书1页 说明书9页 附图3页 CN 114818883 A 2022.07.29 CN 114818883 A 1.一种基于颜色特征最优组合的CART决策树火灾图像识别方法， 其特征在于， 包括如 下步骤： 步骤一、 构建火灾图像与非火灾图像样本集， 并随机划分为训练样本集和 测试样本集； 步骤二、 基于Lab、 RGB、 HSV三种色彩模式提取火灾与非火灾样本库颜色特 征； 步骤三、 在L ab、 RGB、 HSV色彩模式下分别基于精细决策树寻找最优特征， 得到最优特征 组合集； 步骤四、 基于步骤三得到的最优特征组合集以及训练样本集进行CART决策树模型的训 练， 得到最优CART决策树模型； 步骤五、 将测试样本集输入到最优CART决策树模型， 完成火灾图像的识别。 2.根据权利要求1所述的基于颜色特征最优组合的CART决策树火灾图像识别方法， 其 特征在于： 在步骤一中， 所述训练样本集和 测试样本集的划分比例为1:1。 3.根据权利要求1所述的基于颜色特征最优组合的CART决策树火灾图像识别方法， 其 特征在于： 在步骤二中， 所述基于Lab、 RGB、 HSV 三种色彩模式提取火灾与非火灾样 本库颜色 特征具体包括： 在Lab模式下提取到的特征为Ka、 Kb1、 var1； 在RGB模式下提取到的特征为 Kr、 Kg、 Kb2、 Var 2； 在HSV模式下提取到的特 征为Kh、 Ks、 Kv、 Var3 。 4.根据权利要求1所述的基于颜色特征最优组合的CART决策树火灾图像识别方法， 其 特征在于： 在步骤三中， 在Lab、 RGB、 HSV色彩模式下分别基于精细决策树寻找 最优特征具体 是： 在Lab色彩模式基于预测火灾图像精度最优的特 征组合， 具体最优特 征为Kb+Var1； 在RGB色彩模式基于预测火灾图像精度最优的特征组合， 具体最优特征为Kg+Kb1+ Var2； 在HSV色彩模式基于预测火灾图像精度最优的特 征组合， 具体最优特 征为Kh+Ks+Kv。 5.根据权利要求1所述的基于颜色特征最优组合的CART决策树火灾图像识别方法， 其 特征在于： 在步骤三中， 所述 最优特征组合集具体为Kb+Var1+Kg+Kb1+Var 2+Kh+Ks+Kv。 6.根据权利要求1所述的基于颜色特征最优组合的CART决策树火灾图像识别方法， 其 特征在于： 在步骤四中， 所述的CART决策树模型 是基于基尼系数来选择划分属性的。 7.根据权利要求1或6所述的基于颜色特征最优组合的CART决策树火灾图像识别方法， 其特征在于： 在步骤四中， 所述CART决策树模型的训练中还进行验证准确度与测试准确度 的计算， 并依据计算得到的验证准确度与测试准确度数据判断是否满足火灾图像识别精度 阈值要求， 作为 最优CART决策树模型； 如果不满足， 则调整分裂数数量， 优化CART参数或更换训练样本集， 直至找到测试、 验 证准确度最高的CART决策树模型， 作为 最优CART决策树模型。 8.根据权利要求7所述的基于颜色特征最优组合的CART决策树火灾图像识别方法， 其 特征在于： 所述的阈值要求是验证准确度≥90％， 测试准确度≥6 0％。权　利　要　求　书 1/1 页 2 CN 114818883 A 2一种基于颜色特征最优组合的CART决策树火灾 图像识别方 法 技术领域 [0001]本发明涉及灾图像识别技术领域， 具体涉及一种基于颜色特征最优组合的  CART 决策树火灾图像识别方法。 背景技术 [0002]火灾作为最常见的灾害之一， 严重威胁着人们的生命和财产安全。 如何有效识别 火灾是火灾事故预防关注的重要问题之一， 由于视频图像具有高度真实性， 易传输， 易保 存， 抗干扰能力强等优势， 火灾图像识别也逐渐成为火灾预防的研究热点之一。 [0003]截止目前， 国内外学者在火灾图像识别方面进行了大量的研究， 并取得了重要的 突破。 杨其睿等提出一种改进的DenseNet深度神经网络架构， 解决复杂图像中火灾区域的 检测； 仇国庆等提出一种基于火焰尖角特征 的火灾图像识别算法； 张秀玲等提出一种提出 了张量对象特征提取的多线性主成分分析MP CA深度学习算法的火灾图像识别新方法； Li,P 等基于大规模 火灾图像数据集， 地面 实况复杂度图像是根据人类检测火灾存在或不存在所 需的时间来量化的图片， 提出了四种基于火灾探测特性的图像复杂度度量和一个基于图像 复杂度评估图像火灾检测算法性能的新方法； X.Huang等提出基于参数优化的RS ‑SVM分类 器模型弥补了过拟合和确定局部极值的不足， 具有良好的可靠性和稳定性， 提高了火灾预 报的准确 性； 韦海成等针对森林火灾图像识别中遇到的漏检和误检等问题,提出了一种基 于K‑Means聚类下样本熵值判别算法； 刘亚如等针对人为选择SVM参数具有盲目性， 对其分 类能力影 响较大， 提出基于改进 FOA‑SVM的火灾图像识别模 型； 冯丽琦等提出一种新的基于 Gabor滤波和局部二值模 式(LBP) 的多尺度局部纹理特征提取方法,并构建Adab oost‑SVM 火焰图像分类器； 苗续芝等为解决矿井下传统火灾识别方法准确 率较低的问题， 提出一种 基于改进果蝇优化算法(FOA) ‑支持向量机(SVM)的火灾图像识别算法； Liu  J等旨在以更少 的参数提取更高级别的特征提出了一种用于DeepFake检测的轻量级  3DCNN。 Lian,Jing等 提出了一个火控MSPCNN模型(FC ‑MSPCNN)， 并提供了一个在有效脉冲周期内控制放电和放 电神经元的参数设置方法； Choi,H. ‑S等提出一种使用卷积神经网络的语义火灾图像分割 方法； Geetha,S.等基于机器视觉的火灾/烟雾检测方法进行完整的调查和分析； 王媛彬等 针对火灾火焰识别算法复杂和对环境要求高的特点提出了基于图像特征的火灾火焰识别 方法， 针对传统火灾探测中灵敏度不高、 响应慢的问题,提出一种基于特征融合的图像型火 灾探测方法。 [0004]上述文献在各个方面取得了较好的效果， 但也存在一些不足： 其中有些文献中分 别使用浅层深层特征、 火焰形状特征 的尖角特征、 张量对象特征、 支持向量机等， 而并未使 用直接表征火灾信息的颜色特征； 而有 些文献图像样 本量较少， 仅仅有60副图像样 本； 还有 主要基于纹理特征和 CART决策树进行火灾图像的识别， 但其本量少， 只有100副图像， 同时 纹理特征表征火灾图像的效果低于颜色特征； 例如还有仅仅在单一的YCbCr色彩模式下进 行， 而色彩模式过于单一； 有的文 献整个过程并未直接使用火灾图像的颜色特征； 基于卷积 神经网络研究语义火灾图像分割方法， 但并未研究火灾图像识别方法， 且通过对火灾和烟说　明　书 1/9 页 3 CN 114818883 A 3