《表1 Frame1上的训练时间和测试精度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于矩阵模式的林火图像半监督学习算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

视频数据来自意大利萨莱诺大学Mivia研究组，公开发布的未处理数据集共有31段视频，包括多种场景下的火焰和烟雾视频。实验中选取与森林火灾内容相关fire4.avi作为实验对象。该视频采集频率为每秒15帧，计240帧图像。每帧图像的分辨率为256×400，采用24位的RGB模式。为突出帧与帧之间的差别，将从视频中每隔1 s取1帧图像，共取16张图像用于训练和识别，按时间序分别记录为Frame1～16，图像分块大小取16×20，仅对Frame1的图像分块进行类别标记。全监督的SVM和MHKS由第一帧的图像分块训练，而训练半监督方法LapMatLSSVM和Semi-MHKS时，采用Frame1～3进行训练，其中Frame2和Frame3作为无标样本使用。由于训练向量模式的SVM需要考虑奇异性问题，而避免奇异性问题就必须增加训练样本数，以至于需要选择较小的矩阵分块，增加了样本标定工作量。由于图像较多，样本标定工作无法人工完成，需由文献[3]的图像分割方法完成。SVM的训练样本由RGB图像的三通道像素组成。Frame1中共有102 400个样本，随机选择10%进行训练，剩余用于测试，重复5次取平均结果。Frame2～16均作为测试数据，统计该帧的图像分块，判别为“有火”或“无火”分块与原图对应分块标签的一致的百分比，实验结果见表1和表2。实验在Inter Core i7CPU 2.2 GHz，RAM 8 G机器上完成，运行环境windows7系统Matlab 2015b。训练时间采用matlab的CPUtime函数计时。