Abstract
Los incendios representan un grave problema en muchos países. Un sistema capaz de detectar el humo en una etapa inicial del incendio puede salvar vidas humanas y propiedades. La detección de humo es una tarea complicada, ya que éste puede confundirse fácilmente con otros elementos, tales como las nubes, que presentan texturas y colores parecidos. El objetivo de este PFG es el diseño de un clasificador capaz de detectar y acotar las zonas de humo en secuencias de imágenes (vídeo) utilizando las herramientas disponibles en el paquete de software MATLA. Para ello, en primer lugar, se ha generado una base de datos con imágenes clasificadas como humo y no humo a partir de las secuencias de vídeo disponibles. En segundo lugar, se han evaluado diferentes tipos de características basadas en descriptores de textura y color y se han seleccionado las más prometedoras. En tercer lugar, y utilizando las características seleccionadas, se han implementado clasificadores de tres tipos: Regresión Logística, Máquinas de Soporte de Vectores (SVM) y Redes Neuronales, y se han evaluado para obtener una estimación de sus precisiones. Finalmente, se ha diseñado una aplicación para probar cada clasificador con las secuencias de vídeo disponibles. Abstract: The fire disaster is a big problem in many countries. A system which detects smoke at the first stage of a fire can save lives and property. The Smoke Detection System is a complicated task. The detector can confuse the smoke zone instead of cloud zone because, both picture types have similar textures and colors. The objective of this PFG is to design a classifier which can detect and delimit smoke zones in video sequences using the tools available in the MATLAB software package. For that, first, a picture database with picture blocks labeled as smoke and no smoke has been created from the available video sequences. Second, different types of features based on both, texture and color descriptors have been assessed and the most promising ones have been selected. Third, and using the selected features, three types of classifiers have been implemented, based on Logistic Regression, Support Vector Machines and Neural Networks. The classifiers have been also assessed in order to estimate their precisions. Finally, an application has been designed to test every designed classifier with the available video sequences.
