Detecci

on de focos de incendio a trav

es
del reconocimiento de im
agenes
utilizando SVM
Gonzalo Maurelia, Gerd Neumann, Diego Reyes
Departamento de Ingeniera Informatica
Universidad de Concepcion
27 de Junio del 2014
Resumen
En las empresas forestales existen distintos factores negativos que generan perdidas en estas. Una de las principales acciones para que esto
no suceda, es la deteccion temprana de focos de incendio. Nosotros como
humanos podemos clasificar si un tipo de humo es o no un foco de incendio, sin embargo existen muy pocos sistemas automaticos que permitan
hacer dicha clasificacion. En este proyecto hemos realizado un prototipo
capaz de detectar un foco de incendio. Para esto utilizamos Support Vector Machine y nos enfocamos en reconocer distintas im
agenes para luego
clasificarlas como un posible foco de incendio.

1.

Introducci
on

El procesamiento digital de imagenes es el conjunto de tecnicas que se aplican a las im

agenes digitales con el objetivo de mejorar la calidad o facilitar la
b
usqueda de informaci
on.
En particular, para lograr identificar caractersticas en com
un sobre cualquier imagen es necesario hacer un proceso que permita detectar patrones. Seg
un
[3], el reconocer un patr
on se ocupa principalmente de la descripcion y clasificaci
on de las caractersticas extraidas de procesos fsicos o mentales.
Sin embargo, con el fin de determinar un buen conjunto de medidas de caractersticas y sus relaciones o la representacion de los patrones, con el fin de
esperar un buen rendimiento de ellos, es necesario realizar un cuidadoso estudio
sobre que patrones son u
tiles y cuales permiten realizar un buen analisis sobre
la imagen.

El fuego tiene diversas caracteristicas, de los cuales cada una de ellas han
sido utilizadas para idear diferentes metodos para su deteccion. La mayora de
estos se pueden clasificar en el humo, el calor, o la deteccion de la radiacion [1].
Por otro lado, el proceso de clasificar una imagen a traves del reconocimiento de patrones se puede realizar de muchas formas. En particular, se utilizan
frecuentemente clasificadores con aprendizaje supervisado ya que tienen la ventaja de trabajar con grandes volumenes de informacion y entregan muy buenos
resultados [7].
El objetivo de este trabajo es evaluar el rendimiento de un prototipo que a
traves del procesamiento de imagenes permite la clasificacion de un posible foco

de incendio en los distintos bosques pertenecientes a la empresa Arauco. Este

rendimiento nos servir
a como medida de una posible alternativa para utilizar
este tipo de metodo en la deteccion temprana de incendios.
Para su soluci
on, estableceremos un proceso basado en dos etapas. La primera ser
a crear un espacio de caractersticas basado en el preprocesado de la
imagen y la extracci
on de features, y por otro lado, en la segunda etapa, sera analizar los distintos resultados que nos entregue un clasificador de features que se
base en una tecnica de aprendizaje supervisado, en particular, maquinas con
soporte vectorial.

2.

Discusi
on Bibliogr
afica

Hoy en da existen distintas tecnicas para la deteccion de focos de incendio

a traves de sensores, el reconocimiento de imagenes y la capacidad humana.
Por un lado, con respecto a la deteccion de focos de incendio utilizando sen
sores, la mayora de estos trabajan mediante comunicacion inalambrica. Esta
tecnica recolecta informaci
on del bosque a traves de distintos tipos de mediciones, ya sea de temperatura, radiacion, humedad, entre otros, los cuales permiten
detecciones tempranas de focos de incendio a traves de alg
un clasificador basado
en aprendizaje supervisado [4]. Una de las grandes ventajas de este metodo es
que nos muestra la ubicaci
on especfica del foco de incendio. Por otro lado, la
gran desventaja de esta tecnica es el gran costo de implementacion que conlleva,
pues, las empresas forestales abarcan una gran cantidad de hectareas e implementar sensores en todas ellas sera realmente costoso; ademas de las terribles
consecuencias que surgiran si uno de estos falla.
Es por ello que una de las alternativas mas utilizadas es la deteccion de

incendios a traves del an

alisis visual humano. Esta
tecnica tiene las siguientes
ventajas sobre el metodo anterior. En primer lugar, tiene una respuesta rapida a
los incendios, dado que se detectan incendios tan pronto como aparecen a vista.
En segundo lugar, pero no menos importante, el humano es capaz de analizar
otros objetos que utilizan se
nales asociadas de humo y calor, como desechos de
una termoelectrica o polvo de alg
un vehculo.
Sin embargo, esta u
ltima tecnica tiene muchas desventajas tambien. En primer lugar la visi
on humana, dado que el espectro visual de un humano es a lo
m
as de 160km a la redonda. En segundo, si el fuego se encuentra a una distancia
alejada, no se detecta directamente la ubicacion especifica del foco de incendio.
Finalmente, existen pocos documentos sobre el reconocimiento o deteccion
de incendios por visi
on y analisis de computador. Una de ellas en particular es
la detecci
on de focos de incendios a traves del reconocimiento de imagenes.
Dentro de esta categora encontramos el reconocimiento de imagenes satelitales
[2] recopiladas por satelites geoestacionarios. La ventaja de esta tecnica es que
tenemos el espectro visual completo del entorno que se quiere visualizar. Sin
embargo, el problema de esta, es que la deteccion del foco se realiza una vez
que ya se ha desatado en gran parte el incendio y tiene un enfoque un poco mas
acerca del comportamiento que tiene el incendio a la deteccion en s del mismo.
No obstante, si bien esta tecnica es eficaz, existen metodos que permiten
detectar focos de incendio con mayor rapidez, como lo son el reconocimiento de
im
agenes a traves de clasificadores que se basan en metodos supervisados.
Estos metodos constan primero de un proceso de entrenamiento en base a
ejemplos entregados por humanos en los cuales se le indica explcitamente al
sistema a que clase pertenece cada ejemplo. Cada texto es definido en base a
3

sus features, las cuales pueden ser, unigramas (1 palabra), bigramas (conjunto
de 2 palabras), trigramas (conjunto de 3 palabras), etc.
En general, los metodos supervisados consisten en dos etapas: el entrenamiento del sistema y la clasificacion de nuevos datos entregados, en cada una
de estas etapas es necesario la seleccion y extraccion de las features asociadas a
cada dato. Support Vector Machine (SVM) y Naive Bayes (NB) son dos de los
metodos supervisados m
as utilizados. Dado un conjunto de ejemplos de entrenamiento se puede etiquetar las clases y entrenar una SVM para construir un
modelo que prediga la clase de una nueva muestra. Por otro lado, Naive Bayes es
un clasificador probabilstico basado en el teorema de Bayes y algunas hipotesis
simplificadoras adicionales, el cual asume que cada caracterstica almacenada
en las muestras son independientes entre s.
Las Support Vector Machines realizan la clasificacion de forma mas precisa
que otros algoritmos [5]. El objetivo de una SVM es a partir de los datos de
entrenamiento entregados encontrar un hiperplano1 que logre la mejor separaci
on de los datos de las distintas clases, para luego poder determinar a que clase
pertenece un nuevo dato entregado.
La figura 1 muestra un ejemplo en dos dimensiones donde la representacion
de los datos a clasificar se realiza en el plano x-y. El algoritmo de la SVM trata
de encontrar un hiperplano que separe totalmente los datos de cada clase. Existen muchos posibles hiperplanos que realizan la clasificacion, por lo que la mejor
soluci
on es aquella que permita un margen maximo entre los elementos de las
dos categoras (en este caso la recta H3). Los vectores de soporte seran aquellos
hiperplanos paralelos que pasan por los puntos mas cercanos al hiperplano de
separaci
on en cada lado. Cuando distintas clases no pueden ser linealmente separadas (overfitting), el espacio se transforma en dimensiones mas grandes para
asi lograr una separaci
on lineal correcta de los datos.

2.1.

M
etodos Relacionados

Existen otros metodos para llevar a cabo nuestro proposito. Una forma es detectar incendios basado en un enfoque probabilstico mediante video. Se analiza
los cambios de fotograma a bajo nivel describiendo las regiones potenciales de
incendio. Se toman en cuenta diferentes caractersticas, como lo son el color, tama
no del
area, la tosquedad de la superficie, rugosidad de lmites, y la asimetra
dentro de las regiones estimados de fuego. Debido al parpadeo y aleatoriedad
caractersticas del fuego, las caractersticas nombradas anteriormente son discrimentantes importantes. Se eval
ua el cambio de comportamiento de cada una de
estas caractersticas, y los resultados se combinan entonces de acuerdo con la
clasificaci
on de Bayes [8].
1 divisi
on

de un espacio de n dimensiones

Figura 1: Separacion de 2 clases a traves de un hiperplano

Otro metodo como se afronta este problema, y muy cercano al implementado por nosotros, es utilizando un algoritmo de deteccion de imagenes de llamas
basado en m
aquina de soporte vectorial (SVM). En este metodo, la mecanica de trabajo es a partir de un video, capturar las secuencias de imagenes de
dicho video, luego detectar las regiones sospechosas de fuego, una vez hecho
esto se extraen todas las caractersticas. El siguiente paso es seleccionar un tipo
de funci
on kernel y construir la funcion adaptativa kernel. Luego se realiza un
entrenamiento de la SVM con la nueva funcion kernel, luego que se termina
este proceso de entrenamiento se lleva a cabo el reconocimiento de llamas basado en la SVM, por u
ltimo se entregan los resultados de dicho reconocimiento.[6].

3.

Detector de focos de incendio

En este trabajo se desarrollo un prototipo capaz de clasificar distintos tipos

de im
agenes para discenir si estas representan un foco de incendio o no. Este
prototipo utiliza una SVM para realizar la clasificacion. Se decidio utilizar este
metodo debido a que cuenta con buenos resultados en trabajos previos a la hora
de clasificar im
agenes de incendios [9].
Como bien se mencion
o en la introduccion, el proceso de detectar un posible
foco de incendio se basa en dos etapas. La primera sera crear un espacio de caractersticas basado en el preprocesado de la imagen y la extraccion de features,
y por otro lado, en la segunda etapa, sera analizar los distintos resultados que
nos entregue m
aquina con soporte vectorial.

3.1.

Preprocesado de la im
agen

Esta
etapa se basa en la conversion y filtrado de la imagen. La imagen
utilizada tiene el mismo tama
no para todos los casos de prueba.
3.1.1.

Conversi
on de la imagen

En este proceso, la imagen pasa por una etapa de transformacion, en la cual

eliminamos los colores de ella para representarlos de una manera adecuada que
permita extraer features m
as frecuentes.
Existen dos tipos de transformaciones de una imagen, el modelo de escala de
grises y binarizaci
on.
La escala de grises es una escala empleada en la imagen en la que el valor de
cada pxel posee un valor equivalente a una graduacion de gris. Las imagenes
representadas de este tipo estan compuestas de sombras de grises. Por otro lado,
la binarizaci
on s una tecnica del procesamiento de imagenes que consiste en un
proceso de reduccion de la informacion de una imagen digital a dos valores : 0
(negro) y 255(blanco).
Se escojieron estas dos tecnicas para disminuir el rango de valores de cada
pixel, y de esta forma disminuir tambien el rango de valores de cada features.
Adem
as, fue necesario ajustar el tama
no de la imagen, ya que aunque la
SVM tiene un buen comportamiento con vectores de muchas caractersticas, las
dimensiones de la foto en su version original eran de 1300 x 800 pixeles aproximadamente, lo que entregaba un vector con mas de un millon de caractersticas.
Por lo tanto, se transformaron todas las imagenes a 125 x 125 pixeles.
3.1.2.

Filtrado de la imagen

En este proceso, la imagen se procesa de tal forma que se puedan extraer las
distintas features dentro de ella.

Las features utilizadas en el prototipo corresponden al tipo de color que posee

cada pixel de la imagen, y es por ello, que imagenes que compartan tonalidades
de pixeles iguales, tendr
an caracteristicas similares en su totalidad.
En consencuencia, el objetivo de este proceso es realizar mediante un matching sobre la imagen, con el fin de lograr formar un vector con las features
extraidas que tengan el formato de entrada utilizado por la SVM.

Este
matching consiste en analizar la imagen como una matriz, en la que cada
pixel y su tonalidad del color, representan un elemento de esta.

Figura 2: Preprocesado de la imagen.

3.2.

Clasificador de features

Este proceso se basa en utilizar el vector obtenido de la primera etapa en

nuestro clasificador.
Para realizar una correcta clasificacion, la SVM consta de 2 etapas, la etapa
de entrenamiento de la m
aquina y la etapa de clasificacion de nuevos datos entregados. En la etapa de entrenamiento cada imagen es entregado a la maquina en el
formato svmlight, cuya sintaxis es: <class> <feature>:<value>...<feature>:<value>,
donde <class> es la clasificacion de una imagen, en general, +1 para imagenes
con focos de incendios y -1 para aquellas que no lo son, <feature> es el id de la
respectiva feature (n
umero del pixel, comenzando de izquierda a derecha y de
arriba hacia abajo.) y <value> es el peso asociado a la feature, en nuestro caso
el valor del color asociado a la feature.
El set de im
agenes utilizados para el entrenamiento de la SVM contiene
im
agenes de dos tipos, algunas que muestran una clara evidencia de focos de
incendio e incendios en si, y por otro lado, imagenes que no poseen caracteristicas relacionadas a este tipo de desastres.
En nuestro prototipo decidimos utilizar una representacion n
umerica asociada a cada feature, debido a que las imagenes poseen distintas tonalidades pixel
a pixel.
La SVM implementada toma los datos de entrenamiento entregados y construye un modelo de separacion de clases, encontrando el mejor hiperplano que
7

separe los datos entre aquellos que son focos de incendio y los que no. Para lograr
esta separaci
on es necesario utilizar una funcion Kernel, la cual permite separar
eficientemente los datos, incluso si una separacion lineal no es posible, ya que
los datos son mapeados en dimensiones mas altas para lograr la separacion.
Luego en la etapa de clasificacion, nuestro prototipo distingue si una imagen
es un foco de incendio o no, es decir si realmente existen features similares a las
de un foco de incendio. La SVM arrojara un valor positivo o negativo para cada
imagen analizada, si dicho valor es menor a 0, la imagen reresenta un foco de
incendio y en caso de que el valor sea mayor a cero, existe un posible foco de
incendio.

Figura 3: Resultados de la SVM.

En la secci
on de Experimentos y Resultados se descutira mas sobre la forma
en que fue desarrollado el prototipo.

4.

Experimentos y Resultados

Para la ejecuci
on de experimentos, se utilizo la herramienta de software libre
SVM-light, desarrollada en la Universidad de Dortmund, por el profesor Thorsten Joachims.2
Para la ejecuci
on del experimento, se utilizo un set de 387 imagenes, de las
cuales 245 fueron para el proceso de entrenamiento y 142 para los casos de prueba. En el entrenamiento, 117 fotos fueron casos de incendio y 128 tomas aereas
de terreno en condiciones normales (sin presencia de humo). Para el proceso de
clasificaci
on, se le entreg
o 69 casos de incendios y 73 casos sin incendios.
A continuaci
on, el detalle de los resultados en las figuras 4 y 5.

Figura 4: Estadsticas del proceso de entrenamiento

Figura 5: Estadsticas del proceso de clasificacion

Los resultados obtenidos en el entrenamiento muestran mayor precision para im
agenes binarizadas en comparacion con imagenes en escala de grises. Sin
embargo, en el proceso de clasificacion, la maquina comete errores para casos
negativos en blanco y negro. Esta discrepancia se puede originar a causa de la
poca cantidad de casos de prueba o a la semejanza de los casos de entrenamiento
con los casos de prueba.
2 http://svmlight.joachims.org/

5.

Conclusiones

Nuestro trabajo consistio en la creacion de un prototipo capaz de detectar

a traves del reconocimiento de imagenes un posible foco de incendio utilizando
una Suppor Vector Machine, la cual es un metodo supervisado el cual tiene como
objetivo de a partir de los datos de entrenamiento entregados, poder establecer una separacion de las clases de estos datos y asi clasificar una nueva muestra.
La SVM tiene un comportamiento aceptable para la clasificacion de imagenes, sin embargo, para aplicar este metodo en la practica, las fotos deben ser
tratadas (ajuste de tama
no y colores) y llevadas a un vector para que puedan
ser leidas por la SVM.
A su vez, la SVM se debe entrenar con un conjunto amplio de casos para la
generaci
on de un modelo robusto. Este conjunto tambien debe de ser variado,
para evitar problemas de overfit.
Por otro lado, para la aplicacion practica de este metodo, se debe considerar
el tiempo que requiere el procesamiento por cada imagen, dificultando la posibilidad de obtener una respuesta en tiempo real.
Como trabajos futuros, queda la mision de encontrar nuevas formas de caracterizar una imagen, pues como bien se vio en este proyecto, el procesado de
una imagen a traves de la deteccion de patrones es fundamental para obtener
buenos resultados.
Finalmente, nuestro prototipo nos permitio obtener un buen rendimiento de
clasificaci
on de imagenes de focos de incendio. A su vez, queda demostrado que
puede ser una buena alternativa a la hora de buscar tecnicas de prevencion de
incendios. No obstante, cada metodo de deteccion de incendios se adapta mejor
a un entorno distinto, y es por ello que se deben hacer estudios sobre que alternativa es m
as importante sobre la otra.

10

Referencias
[1] N. Che-Bin Liu, Ahuja. Vision based fire detection. 2004.
[2] Marco Marchese Gianluca Elisei Antonello Salvati Evaristo Cisbani, Antonio Bartoloni. Early fire detection system based on multi-temporal images
of geostationary and polar satellites. 2009.
[3] AZRIEL ROSENFELD King-Sun Fu. Pattern Recognition and Image Processing, volume 25. Computational linguistics, 1976.
[4] Xiaoqiao Meng Liyang Yu, Neng Wang. Real-time forest fire detection with
wireless sensor networks. 2005.
[5] Joao Francisco; Gaviao Neto Wilson P. Moraes, Rodrigo; Valiati. Documentlevel sentiment classification: An empirical comparison between SVM and
ANN, volume 40. Expert systems with applications, 2012.
[6] Qianyuan Zhang Najuan Yang, Huiqin Wang. Adaptive flame image detection algorithm. 2010.
[7] D. Mark Eckley Nikita V. Orlov, John Delaney. Pattern recognition for
biomedical imaging and image-guided diagnosis. 2009.
[8] Ebroul Izquierdo Paulo Vinicius Koerich Borges. A probabilistic approach
for vision-based fire detection in videos. 2010.
[9] Shizhao He Xuanfang Yang, Jialin Wang. A svm approach for vessel fire
detection based on image processing. 2012.

11