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

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. TRABALHOS RELACIONADOS
2

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. CONTEXTO DO TRABALHO PROPOSTO
Ground Truth público;
Validação e comparação;
Câmeras móveis e background complexo;
Processamento em tempo real;
Descoberta de conhecimento;
4

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. DADOS DE TREINAMENTO
6
Pixels nos retângulos azuis são considerados como fogo e
nos retângulos amarelos como não sendo fogo;

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. 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. 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. RANDOM FORESTS
10

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

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. 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. 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. CONSIDERAÇÕES
16
Custo computacional;
Paralelização;
Resultados em câmeras móveis;
Estado atual do trabalho;
Online Training;

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