一种基于深度学习特征融合的视频火焰检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112966771A(43)申请公布日2021.06.15(21)申请号202110305194.6(22)申请日2021.03.19(71)申请人杭州像素元科技有限公司地址310000浙江省杭州市滨江区长河街道建业路511号华创大厦13层1308-1309室(自主申报）(72)发明人李晓春吴狄娟秦勇朱锦校(51)Int.Cl.G06K9/62(2006.01)G06K9/46(2006.01)G06K9/34(2006.01)G06N3/08(2006.01)G06N3/04(2006.01)权利要求书2页说明书4页附图4页(54)发明名称一种基于深度学习特征融合的视频火焰检测方法(57)摘要本发明公开了一种基于深度学习的特征融合视频火焰检测方法，包括如下步骤：构建并训练MobileNetV2分类模型；根据火焰像素颜色规律，筛选符合颜色规则的像素点,并生成掩膜矩阵；根据火焰形状特征，寻找符合火焰形状特征的轮廓；对符合条件的轮廓，获取其最小外接矩阵,裁剪得到相应图像块，使用MobileNetV2分类模型进行火灾识别。本发明的优点在于融合火焰颜色和形状特征，并使用轻量级深层卷积神经网络，能对视频流进行实时火焰检测。CN112966771ACN112966771A权利要求书1/2页1.一种基于深度学习特征融合的视频火焰检测方法，其特征在于，所述方法包括以下步骤：1)构建火焰识别数据集N，训练数据集T，验证数据集V，训练数据集T与验证数据集V之间的比例系数α，V∪T＝N，α∈(0，1)，火焰识别数据集图像的高，宽和通道数为h∈N+，w∈N+，r∈N+；2)训练MobileNetV2网络中高h，宽w和通道数r在MobileNetV2网络中的变换，具体为：训练采用随机梯度下降，训练数据批次大小batchsize∈N+，训练批次数batches∈N+，学习率learningrate∈N+，每隔100轮，学习率变为原来的1/10；3)根据火焰像素颜色规律，筛选符合颜色规则的像素点，并生成掩膜矩阵，火焰像素颜色规则包括：规则1：IR(x)‑IG(x)＞0，IG(x)‑IB(x)≥0规则2：IR(x)‑τR≥0规则3：规则4：规则5：规则6：规则7：规则8：规则9：其中，IR(x)代表像素点x的R分量值，IG(x)代表像素点x的G分量值，IB(x)代表像素点x的B分量值，τR为阈值，IS(x)为像素点x的S分量值，τS为阈值，IH(x)为像素点x的H分量值，II(x)为像素点x的I分量值，为阈值；为阈值；4)对步骤3)中得到的掩膜矩阵，进行两次开运算和闭运算，得到新的掩膜矩阵；5)对步骤4)中得到的掩模矩阵，寻找符合火焰形状特征的轮廓，火焰轮廓的形状特征包括圆形度Dc、矩形度Dr、长宽比Dwl和重心高度系数Dwc，所述形状特征满足以下规则：规则1：规则2：规则3：其中：L代表轮廓的周长，S代表轮廓的面积，SR为轮廓最小外接矩阵的面积，WR为轮廓最小外接矩阵的宽度，LR为轮廓最小外接矩阵的长度，为阈值，均为阈值，为阈值；6)对符合条件的轮廓，获取其最小外接矩阵，裁剪得到相应图像块，将其调整成与2CN112966771A权利要求书2/2页MobileNetV2网络输入图像相同的大小，输入到训练完的MobileNetV2网络中，得到火焰发生的概率p，将概率与设定阈值Threshold相比较，判别该图像块是否为火焰。3CN112966771A说明书1/4页一种基于深度学习特征融合的视频火焰检测方法技术领域[0001]本发明涉及图像识别与计算机视觉技术领域，具体来说，涉及一种基于深度学习特征融合的视频火焰检测方法。背景技术[0002]常言道，火灾猛如虎。火灾不光会危害生命安全，造成经济损失，更严重地，还会破坏文明成果，影响社会稳定以及破坏生态环境。根据应急管理部消防救援局发布的数据，在2020年，中国共发生火灾25.2万起，死亡1183人，受伤775人，直接财产损失40.09亿元。因此，及时检测火灾的发生，做到及时预警，对减少火灾造成的损失有着重要意义。[0003]传统的火灾检测技术大多依赖于红外火焰探测器，但红外火焰探测器大多只适用于含碳材料的明火燃烧，不适用于某些化学物质的燃烧探测。并且如果火灾现场烟雾遮挡，也会影响火焰探测器的灵敏度。除此之外，传感器需放在火焰附近使用，故对于开阔空间以及复杂场景，使用传感器难以确认火灾发生位置、火势发生等信息。不同于传统火焰传感器，基于视频的火焰检测，具有检测范围广，场景适用性多的特点，能准确检测到火焰的相关信息。目前，基于视频对火灾检测的方法主要基于火焰的颜色、纹理和形状特点。但是存在误报率高，受天气变化影响较大的缺点。发明内容[000