一种基于深度学习方法的消防通道障碍物智能检测方法.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CN112528884A(43)申请公布日2021.03.19(21)申请号202011485402.7(22)申请日2020.12.16(71)申请人上海悠络客电子科技股份有限公司地址200000上海市青浦区徐泾镇华徐公路888号6幢(72)发明人张祥祥沈修平(74)专利代理机构上海新天专利代理有限公司31213代理人徐伟奇(51)Int.Cl.G06K9/00(2006.01)G06K9/32(2006.01)G06K9/62(2006.01)权利要求书1页说明书3页附图1页(54)发明名称一种基于深度学习方法的消防通道障碍物智能检测方法(57)摘要本发明提供了一种基于深度学习方法的消防通道障碍物智能检测方法，步骤如下：取几段目标场景下的监控视频；对标注过的数据使用深度学习方法进行显著性目标检测模型训练；输入类似的场景下消防通道监控视频的一帧图像；使用训练好的模型对输入的图像进行预测；对前景物体计算最小外接矩形框；通过任意划区的坐标确定步骤四中图像的感兴趣区域；将感兴趣区域框分别与步骤六中的每个前景物体的最小外接矩形框计算交集与该前景物体的最小外接矩形框的比值P；比较p与预先设置的阈值V的大小，若p>V,则说明感兴趣区域内出现了障碍物；设置障碍物停留间隔时间的阈值为t，若感兴趣区域内物体停留时间超过阈值t，则触发报警。CN112528884ACN112528884A权利要求书1/1页1.一种基于深度学习方法的消防通道障碍物智能检测方法，其特征在于，步骤如下：步骤一取几段目标场景下的监控视频，并提取成帧图像作为训练数据；步骤二对提取的帧图像中的指定障碍物进行人工标注；步骤三对标注过的数据使用深度学习方法进行显著性目标检测模型训练；步骤四输入类似的场景下消防通道监控视频的一帧图像；步骤五使用训练好的模型对输入的图像进行预测，结果即为障碍物的前景；步骤六对前景物体计算最小外接矩形框；步骤七通过任意划区的坐标确定步骤四中图像的感兴趣区域；步骤八将感兴趣区域框分别与步骤六中的每个前景物体的最小外接矩形框计算交集与该前景物体的最小外接矩形框的比值P,可表示为:P＝(DIRi)/Ri,i＝1,2,3,...,x步骤九比较p与预先设置的阈值V的大小，若p>V,则说明感兴趣区域内出现了障碍物,可表示为:步骤十设置障碍物停留间隔时间的阈值为T，若感兴趣区域内物体停留时间为t,超过阈值T，则触发报警,即：。2CN112528884A说明书1/3页一种基于深度学习方法的消防通道障碍物智能检测方法技术领域[0001]本发明涉及一种基于深度学习方法的消防通道障碍物智能检测方法。背景技术[0002]消防通道是否被东西阻挡，在事故发生后，能否迅速通过消防通道进行事故补救，消防通道的障碍物显得十分重要。消防通道有时候会被一些杂物堵塞，如果长时间存在杂物堵塞，可能会给事故发生时的补救带来很大风险。[0003]随着计算机视觉技术和机器学习的发展与进步，通过监控自动检测出消防通道障碍物变得越来越有可能。例如行人检测，通用目标检测等。这些检测技术可分为两类：[0004]1传统的目标检测技术，代表性的有帧差法，背景差分法，光流法。特点是计算简单，实时性强，但无法应对太复杂场景。[0005]2基于深度学习的目标检测技术，代表性的有[1]RenS,HeK,GirshickR,etal.FasterR‑CNN:TowardsReal‑TimeObjectDetectionwithRegionProposalNetworks[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2017,39(6):1137‑1149.[2]RedmonJ,DivvalaS,GirshickR,etal.YouOnlyLookOnce:Unified,Real‑TimeObjectDetection[J].2015.[3]LiuW,AnguelovD,ErhanD,etal.SSD:SingleShotMultiBoxDetector[J].2016.等，特点是复杂场景适应能力强，但是要求待检测的目标要与背景有明显可区分特征，要指定物体的类别。[0006]目前的目标检测技术无法智能的全部检测出消防通道的障碍物，难点在于：[0007]1消防通道障碍物的种类太多，生活中用到的很多东西，只要占据了消防通道都有可能成为障碍物，无法全部一一列举，目标检测的种类也就无法确定。[0008]2传统的目标检测技术在复杂场景下对消防通道障碍物检测误检率较高，且很容易受到其他环境的干扰。发明内容[0009]本发明使用了基于深度学习技术的智能检测算法，在不需要知道目标种类的情况下，