本书重点介绍三种基于机器学习算法的烟雾特征表示模型,包括全局学习的高阶局部特征表示、3D 局部采样的多尺度与多阶特征表示、用于多层级特征表示的Gabor网络;此外,还介绍了结合非线性映射与高斯过程回归的烟雾预警。其中,三种特征表示模型保留了手工特征的灵活性,引入了深度学习的层级性,实现了从有监督学习火灾烟雾检测向端对端深度学习自动检测的过渡。
本书适合对统计机器学习基础概念有一定了解的读者参考使用。

烟雾检测可为早期火警提供重要的线索。基于统计机器学习的烟雾检测技术比基于传感器的检测技术应用范围更广泛,成为火灾检测与预警领域中一个重要的研究方向。其中,单帧烟雾识别是智能火灾烟雾检测的基础任务之一,而烟雾特征表示方法和识别模型是单帧烟雾识别中的关键技术。若能对烟雾的内在结构进行有效表示,将提高烟雾识别与检测结果的精度与可信度,从而增加计算机视觉技术在火灾烟雾预警中的应用价值与实用性,并推动特征表示算法与识别模型学习的发展。
烟雾的运动、形态、颜色、浓度等属性缺乏稳定性,极易受到燃烧物与环境的影响。烟雾的统一规律难以总结,这使得烟雾底层特征缺乏稳健性与表达力,最终导致烟雾识别的误报率偏高。因此,需研究能有效保留烟雾内在结构的特征表示方法,同时寻找能提高识别效率的识别模型。
一方面,现有研究表明,局部特征表示方法能有效地描述烟雾最稳定的纹理属性。传统局部特征表示方法有如下缺点:①依赖于手工设计,对领域先验知识要求高;②大多作用于单张图片,特征表达力有限;③对多尺度特征、高阶特征等扩展特征的融合方式过于简单,这会带来冗余,增加计算量,降低特征表示效率。深度学习框架不存在以上缺陷,但缺乏可解释性与灵活性。综上所述,现有特征表示方法难以在表达力、智能性与灵活性间取得平衡。另一方面,基于生成模型的识别方式能保持烟雾的内在结构,并保留结果的不确定性,但未在实际烟雾识别任务中得到应用。
本书深入研究单帧烟雾识别中的局部特征表示方法。首先通过综述总结出现存问题,再确定以基于学习的方法为解决方案,让算法自动地学习出烟雾的内在、稳定结构来进行特征表示。此外,本书提出基于生成模型的烟雾识别框架。从特征表示与特征识别两方面提高了烟雾识别的精确度,提高烟雾检测、火灾预警的实用性,推进其工业化进程。
本书利用学习过程对现有的烟雾特征进行了不同方向的改进。
(1)引入学习的高阶烟雾特征学习与表示。研究引入学习过程的采样策略和特征表示方法。首先,利用滑动采样获得高阶局部差分,从中学习出采样模型来增加底
层特征的紧凑性,降低高阶特征对噪声的敏感性。随后,从采样后的特征中学习出投影模型,利用此模型进行特征中层表示并增加特征的可分性。最终,采用非量化编码为中层特征保留更多统计信息。
(2)跨尺度、多阶、多层级的烟雾特征学习与表示。研究中高层特征的表示方法,利用学习过程获取跨尺度与多样性的特征。首先,构建尺度空间,利用3D采样窗密集地捕获不同尺度下的局部差分。随后,从所有训练图像的局部3D 差分集合中全局地学习出投影模型,利用该模型生成更具可分性的多尺度中层特征。接着,利用图内编码捕获局部纹理分布,用图间编码对不同投影方向的纹理分布建模,以此实现中层特征的多阶表示。以上特征表示框架可堆叠为层级结构,该结构可将烟雾图表示为跨尺度、多阶、多层级的局部特征。
(3)多方向、多尺度、多层级的稳定特征学习与表示。研究如何利用学习过程提取烟雾的稳定成分,以及如何处理多尺度与多方向特征表示方法中存在的问题。首先,利用Gabor滤波获得烟雾的多尺度与多方向响应。随后,提出跨通道的浓缩方法获得不随尺度与方向变化的成分。最后,采用跨通道与通道内的编码方式获得具有光照不变性与旋转不变性的特征。此外,为底层特征提出两种扩展方法:一是用基于3D卷积的全局学习增加特征的可分性;二是对稳定成分的索引进行编码来取得烟雾纹理的全局结构。以上特征表示框架经过堆叠便可形成基于Gabor卷积核的前向网络,该网络可将烟雾图表示为多方向、多尺度、多层级的稳定特征。
(4)基于生成模型的高效烟雾识别框架。对以高斯过程回归(GPR)为代表的生成模型进行了研究,将非线性的特征低维表示方法与GPR结合构成新的烟雾识别框架。此方法去除了烟雾特征间的线性相关性,同时保持了嵌在烟雾中的低维流形结构,最终提高了烟雾识别的速度,并降低了识别误报率。
由于著者的学术水平和研究深度所限,书中纰漏和不妥之处在所难免,欢迎广大读者批评指正。
著 者
2020年5月于江西财经大学

第1章 绪 论……………… 1
1.1 智能火灾烟雾检测的背景与意义 ……………………… 1
1.2 国内外研究现状 …… 2
1.2.1 基于传感器火焰与烟雾检测的火警 ……………… 2
1.2.2 基于传统机器学习算法的烟雾检测 ……………… 3
1.2.3 基于深度学习的烟雾检测与火警  4
1.3 智能火灾烟雾检测的基础任务 ……… 4
1.4 智能火灾烟雾检测的研究目标、内容及技术路线 ……… 5
1.4.1 研究目标 ……… 5
1.4.2 研究内容 ……… 6
1.4.3 技术路线 ……… 6
1.5 本书结构安排 ……… 7
参考文献 … 8
第2章 单帧烟雾识别中的机器学习技术 … 11
2.1 局部特征表示 ……… 11
2.1.1 局部二值特征表示 ……………… 11
2.1.2 局部特征基础扩展 ……………… 12
2.1.3 高阶信息扩展 … 13
2.1.4 变换域扩展 …… 14
2.1.5 特征学习扩展 … 15
2.2 局部特征学习与表示中的关键问题和解决方案 ……… 17
2.3 基于监督学习的单帧烟雾识别模型 … 20
2.3.1 判别模型与生成模型 …………… 20
2.3.2 高斯过程回归与烟雾识别任务 … 21
本章小结  22
参考文献  22
第3章 全局学习的高阶局部特征表示 …… 28
3.1 引言  28
3.2 基于差分的高阶特征底层表示 ……… 28
3.3 基于学习的采样策略  30
3.4 基于学习的高阶特征表示 …………… 31
3.4.1 映射模型学习与高阶特征映射 … 31
3.4.2 Fisher向量与非量化编码 ……… 33
3.5 算法框架与数据处理流程 …………… 34
3.6 对比实验结果及分析  36
3.6.1 烟雾识别对比 … 36
3.6.2 纹理分类对比 … 40
本章小结  44
参考文献  45
第4章 基于3D局部采样的多尺度与多阶特征表示 ……… 47
4.1 引言  47
4.2 基于3D采样的多尺度特征底层表示  48
4.3 多尺度特征的紧凑表示 ……………… __________50
4.3.1 辨别特征映射模型学习 ………… 50
4.3.2 特征映射与紧凑表示 …………… 51
4.4 图内与图间编码的多阶特征表示 …… 53
4.5 算法框架与层级扩展  55
4.5.1 算法框架与特征表示流程 ……… 55
4.5.2 可视化与多层级扩展 …………… 56
4.6 对比实验结果及分析  58
4.6.1 烟雾识别对比 … 58
4.6.2 纹理分类对比 … 63
本章小结  67
参考文献  68
第5章 用于多层级特征表示的Gabor网络  70
5.1 引言  70
5.2 基于Gabor滤波的局部特征底层表示 ……………… 71
5.2.1 多尺度与多方向的局部特征表示  71
5.2.2 尺度不变与方向不变的响应浓缩  72
5.3 特征图的编码与特征表示 …………… 73
5.3.1 跨通道编码的特征表示 ………… 73
5.3.2 通道内编码的特征表示 ………… 74
5.4 基于Gabor模块的算法框架 ……… 74
5.5 局部特征的扩展表示  75
5.5.1 强纹理区域的稳定成分提取扩展  75
5.5.2 全局学习的特征模式扩展 ……… 76
5.6 Gabor网络与层级特征表示 ………… 77
5.7 对比实验结果及分析  79
5.7.1 烟雾识别对比 … 79
5.7.2 纹理分类对比 … 83
本章小结  84
参考文献  85
第6章 结合非线性映射与高斯过程回归的烟雾预警 ……… 88
6.1 引言  88
6.2 特征映射模型与特征低维表示 ……… 89
6.2.1 基于KLDA的映射模型 ……… 89
6.2.2 基于KPCA的映射模型 ……… 90
6.3 GPR模型的先验项优势 …………… 92
6.4 GPR模型学习与单帧识别后验计算  94
6.5 基于非线性映射与GPR的烟雾识别  96
6.6 对比实验结果及分析  97
6.6.1 烟雾识别对比 … 97
6.6.2 纹理分类对比  100
本章小结  101
参考文献  102
第7章 结论与展望 ……… 105
7.1 研究工作总结 …… 105
7.2 研究展望 ………… 108
附录A 与本书相关科研成果 ……………… 110

夏雪，江西财经大学

无