烟雾检测（2）LBP+SVM 检测python实现

报告要求

报告的主题是video based smoke detection。

提供train、test两个数据集，每个数据集内部均有smoke和non两个文件夹，文件夹内有若干100*100大小的图片。

报告内容包括四部分：1、特征表示；2、降维及聚类；3、分类；4、模型评价及选择。

程序设计

在上节中介绍了使用HOG算法分类的实现，总结来说又以下几个步骤：

①读取数据集内的图片，将其存储到pos和neg两个列表内；

②分别对上述列表的每张图片处理，即经过灰度化、均衡化后提取出hog特征向量，将所有图片的特征向量保存在gradient_list列表内；

③根据正负数据集的数量，设置标签，将有烟图片标为+1，无烟图片标为-1，得到数据集标签信息label；

④根据需求设置学习算法SVM参数，将gradient_list和label放入SVM算法内，生成数据集的hog特征模型hog.xml;

⑤对测试集的图片提取hog特征向量，将新提取的向量与hog.xml内的特征向量对比，得出相似程度；

⑥根据需求设置不同的阈值，将测试集内图片分为有烟和无烟两部分；

⑦将分类器分出的有烟无烟与真实情况对比分析，得到一组性能指标；

⑧更改阈值，得到不同的分类器，将各分类器的性能指标对比，得到最优分类器。

使用lbp算法提取特征值分类，整体上还是以上的步骤，有区别是第②和第⑤步。将其更改为利用lbp算法提取特征向量即可。

        img  = img_list[i]#第i张图片
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)    #灰度化
        
        lbp_mqa = skimage.feature.local_binary_pattern(gray,8,1.0,method='default')
        #使用的传统lbp算法提取特征
        lbp_mqa = lbp_mqa.astype(np.uint8)#类型转换
        hist = cv2.calcHist([lbp_mqa],[0],None,[256],[0,256])
        
        hist = cv2.normalize(hist,hist)

效果实现

有烟、无烟测试集测试后得以下二图，横坐标是相识程度，纵坐标是数量。

将正常大小图片放入test.py可得以下图片。

 

---

未完待续

---