Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1.
Introducci
on
El fuego tiene diversas caracteristicas, de los cuales cada una de ellas han
sido utilizadas para idear diferentes metodos para su deteccion. La mayora de
estos se pueden clasificar en el humo, el calor, o la deteccion de la radiacion [1].
Por otro lado, el proceso de clasificar una imagen a traves del reconocimiento de patrones se puede realizar de muchas formas. En particular, se utilizan
frecuentemente clasificadores con aprendizaje supervisado ya que tienen la ventaja de trabajar con grandes volumenes de informacion y entregan muy buenos
resultados [7].
El objetivo de este trabajo es evaluar el rendimiento de un prototipo que a
traves del procesamiento de imagenes permite la clasificacion de un posible foco
2.
Discusi
on Bibliogr
afica
sus features, las cuales pueden ser, unigramas (1 palabra), bigramas (conjunto
de 2 palabras), trigramas (conjunto de 3 palabras), etc.
En general, los metodos supervisados consisten en dos etapas: el entrenamiento del sistema y la clasificacion de nuevos datos entregados, en cada una
de estas etapas es necesario la seleccion y extraccion de las features asociadas a
cada dato. Support Vector Machine (SVM) y Naive Bayes (NB) son dos de los
metodos supervisados m
as utilizados. Dado un conjunto de ejemplos de entrenamiento se puede etiquetar las clases y entrenar una SVM para construir un
modelo que prediga la clase de una nueva muestra. Por otro lado, Naive Bayes es
un clasificador probabilstico basado en el teorema de Bayes y algunas hipotesis
simplificadoras adicionales, el cual asume que cada caracterstica almacenada
en las muestras son independientes entre s.
Las Support Vector Machines realizan la clasificacion de forma mas precisa
que otros algoritmos [5]. El objetivo de una SVM es a partir de los datos de
entrenamiento entregados encontrar un hiperplano1 que logre la mejor separaci
on de los datos de las distintas clases, para luego poder determinar a que clase
pertenece un nuevo dato entregado.
La figura 1 muestra un ejemplo en dos dimensiones donde la representacion
de los datos a clasificar se realiza en el plano x-y. El algoritmo de la SVM trata
de encontrar un hiperplano que separe totalmente los datos de cada clase. Existen muchos posibles hiperplanos que realizan la clasificacion, por lo que la mejor
soluci
on es aquella que permita un margen maximo entre los elementos de las
dos categoras (en este caso la recta H3). Los vectores de soporte seran aquellos
hiperplanos paralelos que pasan por los puntos mas cercanos al hiperplano de
separaci
on en cada lado. Cuando distintas clases no pueden ser linealmente separadas (overfitting), el espacio se transforma en dimensiones mas grandes para
asi lograr una separaci
on lineal correcta de los datos.
2.1.
M
etodos Relacionados
Existen otros metodos para llevar a cabo nuestro proposito. Una forma es detectar incendios basado en un enfoque probabilstico mediante video. Se analiza
los cambios de fotograma a bajo nivel describiendo las regiones potenciales de
incendio. Se toman en cuenta diferentes caractersticas, como lo son el color, tama
no del
area, la tosquedad de la superficie, rugosidad de lmites, y la asimetra
dentro de las regiones estimados de fuego. Debido al parpadeo y aleatoriedad
caractersticas del fuego, las caractersticas nombradas anteriormente son discrimentantes importantes. Se eval
ua el cambio de comportamiento de cada una de
estas caractersticas, y los resultados se combinan entonces de acuerdo con la
clasificaci
on de Bayes [8].
1 divisi
on
de un espacio de n dimensiones
Otro metodo como se afronta este problema, y muy cercano al implementado por nosotros, es utilizando un algoritmo de deteccion de imagenes de llamas
basado en m
aquina de soporte vectorial (SVM). En este metodo, la mecanica de trabajo es a partir de un video, capturar las secuencias de imagenes de
dicho video, luego detectar las regiones sospechosas de fuego, una vez hecho
esto se extraen todas las caractersticas. El siguiente paso es seleccionar un tipo
de funci
on kernel y construir la funcion adaptativa kernel. Luego se realiza un
entrenamiento de la SVM con la nueva funcion kernel, luego que se termina
este proceso de entrenamiento se lleva a cabo el reconocimiento de llamas basado en la SVM, por u
ltimo se entregan los resultados de dicho reconocimiento.[6].
3.
3.1.
Preprocesado de la im
agen
Esta
etapa se basa en la conversion y filtrado de la imagen. La imagen
utilizada tiene el mismo tama
no para todos los casos de prueba.
3.1.1.
Conversi
on de la imagen
Filtrado de la imagen
En este proceso, la imagen se procesa de tal forma que se puedan extraer las
distintas features dentro de ella.
Este
matching consiste en analizar la imagen como una matriz, en la que cada
pixel y su tonalidad del color, representan un elemento de esta.
3.2.
Clasificador de features
separe los datos entre aquellos que son focos de incendio y los que no. Para lograr
esta separaci
on es necesario utilizar una funcion Kernel, la cual permite separar
eficientemente los datos, incluso si una separacion lineal no es posible, ya que
los datos son mapeados en dimensiones mas altas para lograr la separacion.
Luego en la etapa de clasificacion, nuestro prototipo distingue si una imagen
es un foco de incendio o no, es decir si realmente existen features similares a las
de un foco de incendio. La SVM arrojara un valor positivo o negativo para cada
imagen analizada, si dicho valor es menor a 0, la imagen reresenta un foco de
incendio y en caso de que el valor sea mayor a cero, existe un posible foco de
incendio.
4.
Experimentos y Resultados
Para la ejecuci
on de experimentos, se utilizo la herramienta de software libre
SVM-light, desarrollada en la Universidad de Dortmund, por el profesor Thorsten Joachims.2
Para la ejecuci
on del experimento, se utilizo un set de 387 imagenes, de las
cuales 245 fueron para el proceso de entrenamiento y 142 para los casos de prueba. En el entrenamiento, 117 fotos fueron casos de incendio y 128 tomas aereas
de terreno en condiciones normales (sin presencia de humo). Para el proceso de
clasificaci
on, se le entreg
o 69 casos de incendios y 73 casos sin incendios.
A continuaci
on, el detalle de los resultados en las figuras 4 y 5.
5.
Conclusiones
10
Referencias
[1] N. Che-Bin Liu, Ahuja. Vision based fire detection. 2004.
[2] Marco Marchese Gianluca Elisei Antonello Salvati Evaristo Cisbani, Antonio Bartoloni. Early fire detection system based on multi-temporal images
of geostationary and polar satellites. 2009.
[3] AZRIEL ROSENFELD King-Sun Fu. Pattern Recognition and Image Processing, volume 25. Computational linguistics, 1976.
[4] Xiaoqiao Meng Liyang Yu, Neng Wang. Real-time forest fire detection with
wireless sensor networks. 2005.
[5] Joao Francisco; Gaviao Neto Wilson P. Moraes, Rodrigo; Valiati. Documentlevel sentiment classification: An empirical comparison between SVM and
ANN, volume 40. Expert systems with applications, 2012.
[6] Qianyuan Zhang Najuan Yang, Huiqin Wang. Adaptive flame image detection algorithm. 2010.
[7] D. Mark Eckley Nikita V. Orlov, John Delaney. Pattern recognition for
biomedical imaging and image-guided diagnosis. 2009.
[8] Ebroul Izquierdo Paulo Vinicius Koerich Borges. A probabilistic approach
for vision-based fire detection in videos. 2010.
[9] Shizhao He Xuanfang Yang, Jialin Wang. A svm approach for vessel fire
detection based on image processing. 2012.
11