廖雨婷
- 作品数：3 被引量：8H指数：2
- 供职机构：西安建筑科技大学信息与控制工程学院更多>>
- 发文基金：陕西省自然科学基金陕西省教育厅产业化培育项目国家教育部博士点基金更多>>
- 相关领域：自动化与计算机技术建筑科学更多>>
- Adaboost算法在图像型火灾探测中的应用研究被引量：3
- 2015年
- 图像型火灾探测实际上是不平衡数据的二分类问题,现有方法在处理不平衡数据分类问题时常常会引入新的噪声点或丢掉很重要的信息,算法稳定性较差。根据Adaboost对样本分配不同权重的优势,和SVM在平衡数据条件下较好的分类性能,将Adaboost算法和支持向量机(SVM)相结合,提出Adaboost-SVM算法。把火焰疑似区域的特征值作为SVM分类器的输入参数,利用Adaboost算法重点标记错分样本,并对样本的权重设定阈值,采用一定的准则对少数样本进行再构造使正负样本达到平衡。最后在训练数据的同时,通过投票机制输出最终分类结果。实验结果表明,该算法提高了火灾在正负样本分布不平衡时的分类性能。
- 廖雨婷王慧琴柴茜卢英马宗方
- 关键词：图像型火灾探测不平衡数据支持向量机ADABOOST
- 基于AdaBoost-SVM的图像型火焰识别
- 基于视频图像的火灾探测具有反应速度快、探测范围广等优点,可以有效的解决传统火灾探测在大空间建筑环境中预警失效的问题,具有广阔的应用前景。 图像型火焰识别技术主要包括图像分割、特征提取和识别三个环节。本文概述了视频火焰探...
- 廖雨婷
- 关键词：火灾探测图像分割模糊积分特征提取
- 文献传递
- 基于HMM-SVM的图像型火焰识别被引量：4
- 2015年
- 针对单一的隐马尔科夫模型在图像型火灾探测中误报率偏高的问题,提出了隐马尔科夫模型和支持向量机相结合的图像型火焰识别算法。对捕获到的图像进行运动区域检测和颜色分析,提取疑似火焰区域,利用隐马尔科夫模型计算疑似区域与火焰模型的相似度,并输入到训练好的支持向量机进行二次识别。实验结果表明,与传统单一隐马尔科夫模型相比,该方法可以有效地降低误报率,提高火焰识别准确性。
- 柴茜王慧琴廖雨婷卢英马宗方
- 关键词：隐马尔科夫模型支持向量机
