Um sistema de detecção de chamas utilizando RF e SVM (Short Version)

293 visualizações

Publicada em

Apresentação resumida da proposta de detector de fogo baseado em vídeo utilizando classificadores de aprendizagem supervisionada (MPU - FURG)

Publicada em: Dados e análise
0 comentários
1 gostou
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
293
No SlideShare
0
A partir de incorporações
0
Número de incorporações
4
Ações
Compartilhamentos
0
Downloads
4
Comentários
0
Gostaram
1
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide
  • Desenhar no quadro e perguntar qual das variáveis é dependente mas antes falar sobre isto:
    Então, um circuito digital emprega um conjunto de funções lógicas, onde função é a
    relação existente entre as variável independente e a variável dependente (função)
    assim como aprendemos na matemática. Para cada valor possível da variável
    independente determina-se o valor da função.
    O conjunto de valores que uma variável pode assumir depende das restrições ou
    especificações do problema a ser resolvido. Esta variável é, normalmente, conhecida
    como variável independente.
  • Desenhar no quadro e perguntar qual das variáveis é dependente mas antes falar sobre isto:
    Então, um circuito digital emprega um conjunto de funções lógicas, onde função é a
    relação existente entre as variável independente e a variável dependente (função)
    assim como aprendemos na matemática. Para cada valor possível da variável
    independente determina-se o valor da função.
    O conjunto de valores que uma variável pode assumir depende das restrições ou
    especificações do problema a ser resolvido. Esta variável é, normalmente, conhecida
    como variável independente.
  • Um sistema de detecção de chamas utilizando RF e SVM (Short Version)

    1. 1. UM SISTEMA DE DETECÇÃO DE CHAMAS UTILIZANDO SVM E RANDOM FORESTS Cristiano Rafael Steffens Dr. Ricardo Nagel Rodrigues Sistemas Computacionais e Tecnologias para Percepção Grupo de Automação e Robótica Inteligente – NAUTEC Centro de Ciências Computacionais - C3 1
    2. 2. TRABALHOS RELACIONADOS 2
    3. 3. TRABALHOS RELACIONADOS Classificação de cor: Tabela lookup RGB (Phillips, 2002); Threshold fixo RGB (Chen, 2004); Separação BG/FG utilizando MoG + modelo de relação entre cores (Celik, 2007); Distância do pixel em relação à matiz ideal gera imagem em escala de cinza (Mueller, 2013) Classificação da oscilação/pulsação: Variância no pixel (Phillips, 2002); Mudança da contagem dos pixels com cor de fogo (Chen, 2004); Média e variância das regiões com cor de fogo (Celik, 2007); Mineração de padrões sequenciais utilizando PrefixSpan (Li, 2011); Fluxo óptico com utilizando a classificação de cor (Mueller, 2013); 3
    4. 4. CONTEXTO DO TRABALHO PROPOSTO Ground Truth público; Validação e comparação; Câmeras móveis e background complexo; Processamento em tempo real; Descoberta de conhecimento; 4
    5. 5. SOBRE Etapas executadas no processo: Extração de pixels para treinamento e testes; Pré-processamento dos pixels e remoção de outliers; Escolha dos melhores atributos utilizando Best First; Criação de um modelo de classificação de cores usando Random Forest; Cálculo do desvio padrão para identificar oscilação do fogo com uso de SVM; 5
    6. 6. DADOS DE TREINAMENTO 6 Pixels nos retângulos azuis são considerados como fogo e nos retângulos amarelos como não sendo fogo;
    7. 7. PRÉ-PROCESSAMENTO 100 mil pixels extraídos; 30 mil registros dos pixels extraídos como sendo de fogo foram eliminadas: O “red channel” tem valor menor que o “blue channel”; Não há movimento nos últimos 10 pixels da região coletada; 7
    8. 8. PRÉ-PROCESSAMENTO Seleção dos atributos com o algoritimo BestFirst utilizando a plataforma WEKA. Melhores atributos: B channel no sistema de cor Lab; Hue channel no sistema de cor HSV; Blue-difference croma (Cb) no sistema de cor YCbCr; Registro dos valores assumidos por um pixel durante um intervalo de frames. Atributos escolhidos: Sistemas de cores RGB e HSV (correlação entre os sistemas, custo computacional); Vetor dos valores assumidos pelo pixel no tempo; 8
    9. 9. RANDOM FORESTS Um algoritmo que computa várias árvores de decisão para uma mesma base de dados; Cada árvore construída tem os atributos escolhidos aleatoriamente; Cada árvore classifica a instância de forma independente, A classificação da instância é dada pela moda; 9
    10. 10. RANDOM FORESTS 10
    11. 11. RANDOM FORESTS Foram construídas 100 árvores dividindo aleatoriamente os HSV e RGB, segundo as condições: Fator de confiança igual a 0,25; Suporte mínimo igual a 50 instâncias; Critério de poda: 10 níveis; Conjunto de treino: 2/3 dos pixels coletados, Conjunto de teste (OOB): 1/3 dos pixels coletados, Foram classificadas corretamente 98,72% das instâncias. 11
    12. 12. 12
    13. 13. CLASSIFICAÇÃO COM BASE NA OSCILAÇÃO Considera os valores assumidos por pixels em um intervalo de frames para encontrar comportamentos que condizem com fogo; Últimos 20 frames considerando que vídeos são gravados em 24 FPS; Desvio padrão em R, G e B em cada pixel; Visualmente é possível identificar que desvios padrão altos condizem com fogo; 13
    14. 14. SUPORT VECTOR MACHINE (SVM) Estabelece uma função de distância entre 2 pontos de dados quaisquer num hiperplano; Consegue separar linearmente hiperplanos para a classificação de classes em n dimensões; Consegue classificar novas instâncias, a partir, do modelo gerado; 14
    15. 15. SUPORT VECTOR MACHINE (SVM) Cross validation separando os dados em 10 folds; Algoritmo padrão de SVM (C-SVM); Kernel Gaussiano (Radial); Resultados: Foram classificadas corretamente 97,16% das instâncias; A taxa de falso positivos ficou em 0,064; 15
    16. 16. CONSIDERAÇÕES 16 Custo computacional; Paralelização; Resultados em câmeras móveis; Estado atual do trabalho; Online Training;
    17. 17. CONCLUSÃO A abordagem proposta combina as técnicas de segmentação de cor e detecção de movimento para dar suporte na identificação de fogo em imagens estáticas ou com pouco movimento. Enquanto o Random Forests classifica como fogo ou não fogo a partir da cor, o SVM estabelece a separação com base na oscilação. Os resultados mostram que a solução é funcional para classificação individual dos pixels. 17

    ×