[發明專利]基于深度學習的安防場景火焰檢測方法

在審

• 申請號: 202010614656.8
• 申請日: 2020-06-30
• 公開（公告）號: CN111814638A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 吉翔
• 申請（專利權）人: 成都睿沿科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 黃蓉蓉

本發明公開了基于深度學習的安防場景火焰檢測方法，屬于安防技術領域，其主要包含通過基于神經網絡所練出的用于識別火焰形狀的單階段檢測模型進行監控視頻所解碼出的圖片進行疑似火焰區域的檢測；接著根據識別到的疑似火焰的區域，對視頻中與之對應區域進行視頻幀截取，獲得視頻幀；然后將視頻幀分為N個子片段，從每個子片段中均采樣一幀，得到采樣真；最后將采樣幀輸入基于神經網絡所練出的用于識別火焰動態變化的類行為識別分類模型，以分類是否為火焰。本發明既通過單階段檢測模型提取了疑似火焰的單幀的外觀特征，又考慮了前后幀的動態信息，更加豐富的特征大大提升了最后的分類效果，提升了火焰檢測的實時性和高效用。

技術領域

本發明涉及安防技術領域，具體涉及基于深度學習的安防場景火焰檢測方法。

背景技術

在各種災害中，火災是最經常、最普遍地威脅公眾安全和社會發展的主要災害之一。火災基本上都是由小火點逐步蔓延成大火，并在時間或空間上失去控制的燃燒所造成的災害。當成形大火時，不僅撲滅苦難，且由于環境不可控因素多，導致易發生爆炸等更加危險的情況，不僅導致財產損失，還會造成人員傷亡。因此現需要對環境特別是缺乏人員直接監控的環境進行火點檢測，以在其初始期即被發現、消滅，不會發展成大火甚至火災。

現主要通過視頻監控以及對視頻監控所采集到的圖像通過圖像處理技術進行分析，以判定監控的環境中是否存在火點。

當前有一些使用傳統圖像處理的技術，此類技術采用人為的先驗知識，去提取可能的火焰區域；此技術根據統計的自然界中各種出現的火焰的顏色分布區間，首先計算圖中整張圖所有像素點可能為火焰的mask區域；然后結合動態的各種變化提取變化的區域，因為真實的火焰應該會伴隨有動態變化；通過計算mask區域的動態變化量，有動態變化時則增加累積量，沒有動態變化則緩慢減少累積量；當累積量超過一定閾值時，則進行報警發現火焰位置；另一種技術，使用HOG特征等，通過對圖像計算相關HOG特征，生成一個特征向量。再以此特征向量為基礎構建分類器，如SVM等，對圖像進行分類是否為火焰。這類傳統技術手段提取的特征較為單一，提取的特征直接影響后面的分類效果，當提取特征錯誤時，則會直接導致錯誤的輸出。并且對于mask的計算十分消耗計算資源，在輸入圖片較大時，會導致計算過慢，不利于快速反饋出火點檢測結果，不適用于實際場景。

另一類圖像處理技術為多結合傳統圖像處理方式，與精度較高的深度學習相結合。首先使用傳統圖像處理方式，如超像素分割等聚類算法將圖像中的類似區域劃分到一起，以此來生成候選區域送入其后的分類神經網絡。這樣做的意義在于，原本整張圖火焰可能出現的位置占比容易較小，若直接送入分類神經網絡，其效果難以保證。候選區域生成后，每一個候選區域作為后面分類神經網絡的輸入，分類神經網絡判定輸出該區域是否為火焰的判斷。這種候選區域的生成算法，受實際業務場景復雜程度影響較大，在復雜場景下，候選區域的生成效果不佳，容易出現較多無效區域，或對實際的火焰區域切割不全。并且其后續的分類模型，以單張圖片信息作為輸入，無法獲取火焰的動態信息，因而對于顏色與火焰相近的物體(如燈光，紅色衣服等)識別效果較差，容易將與火焰相近的物體識別成火焰而誤報警。

發明內容

本發明的目的在于：提供了基于深度學習的安防場景火焰檢測方法，解決了現有的用于火焰檢測的方法中，無法獲取火焰的動態信息，容易將與火焰相近的物體識別成火焰而誤報警等上述技術問題。本發明所設計的基于深度學習的安防場景火焰檢測方法，基于檢測神經網絡模型，其所提取特征較之傳統算法更為豐富，其能夠生成更加近似火焰的目標區域，且目標區域位置預測也更加精確。同時類行為識別的分類網絡，將火焰分類與視頻理解結合，分類時結合了候選區域的外觀特征與前后幀動態信息，這些使得分類網絡進行更準確的預測。

本發明采用的技術方案如下：

基于深度學習的安防場景火焰檢測方法，包括如下步驟：

S1.通過深度學習神經網絡訓練出用于識別火焰形狀的單階段檢測模型；