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

UM SISTEMA DE DETECÇÃO DE CHAMAS UTILIZANDO SVM E RANDOM FORESTS

1

TRABALHOS RELACIONADOS

2

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 escalade 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

CONTEXTO DO TRABALHO PROPOSTO

Ground Truth público;

Validação e comparação;

Câmeras móveis e background complexo;

Processamento em tempo real;

Descoberta de conhecimento;

4

SOBRE

Etapas executadas no processo:

Extração de pixels para treinamento e testes;

Pré-processamento dos pixels e remoção deoutliers;

Escolha dos melhores atributos utilizando BestFirst;

Criação de um modelo de classificação de coresusando Random Forest;

Cálculo do desvio padrão para identificaroscilação do fogo com uso de SVM;

5

DADOS DE TREINAMENTO

6

Pixels nos retângulos azuis são considerados como fogo e

nos retângulos amarelos como não sendo fogo;

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;

PRÉ-PROCESSAMENTO

7

PRÉ-PROCESSAMENTO

Seleção dos atributos com o algoritimo BestFirstutilizando 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 umintervalo 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

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

RANDOM FORESTS

10

Foram construídas 100 árvores dividindo aleatoriamenteos 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.

RANDOM FORESTS

11

12

Considera os valores assumidos por pixels em umintervalo de frames para encontrar comportamentosque condizem com fogo;

Últimos 20 frames considerando que vídeos sãogravados em 24 FPS;

Desvio padrão em R, G e B em cada pixel;

Visualmente é possível identificar que desviospadrão altos condizem com fogo;

CLASSIFICAÇÃO COM BASE NA OSCILAÇÃO

13

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;

SUPORT VECTOR MACHINE (SVM)

14

Cross validation separando os dados em 10 folds;

Algoritmo padrão de SVM (C-SVM);

Kernel Gaussiano (Radial);

Resultados:

Foram classificadas corretamente 97,16% dasinstâncias;

A taxa de falso positivos ficou em 0,064;

SUPORT VECTOR MACHINE (SVM)

15

CONSIDERAÇÕES

16

Custo computacional;

Paralelização;

Resultados em câmeras móveis;

Estado atual do trabalho;

Online Training;

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