[發明專利]基于MaskRCNN的視頻火災識別方法及系統

在審

• 申請號: 202010931021.0
• 申請日: 2020-09-07
• 公開（公告）號: CN112052797A
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 陳銳;錢廷柱;劉洪奎;郭云正
• 申請（專利權）人: 合肥科大立安安全技術有限責任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62;G06N3/04
• 代理公司: 合肥市浩智運專利代理事務所(普通合伙) 34124
• 代理人: 張景云

本發明提供一種基于MaskRCNN的視頻火災識別方法及系統，采用了MaskRCNN深度學習模型來檢測視頻圖像中的煙霧和火焰等目標，將視頻流中的圖像傳輸到訓練好的MaskRCNN模型中，經過一系列的卷積、池化等操作，可以充分提取出圖像中的特征信息，可以準確地輸出預測到的煙霧和火焰等目標的坐標信息和得分結果。MaskRCNN模型具有較高的準確性和可靠性，但是也存在少量的誤報現象，為了進一步降低誤報，本實施例使用了基于幀差的動態能量檢測方法對MaskRCNN的檢測結果進行過濾，可以去除掉絕大部分的靜態物體誤報現象。最后，本實施例采用深度神經網絡對檢測到的物體對應的圖像區域進行最后的分類決策，進一步地降低了誤報率。

技術領域

本發明涉及火災識別技術領域，具體來說是一種基于MaskRCNN的視頻火災識別方法及系統。

背景技術

目前，現有火災檢測方法大致可以分為兩類：基于傳統圖像處理的火災檢測方法，基于深度學習的火災檢測方法?；趥鹘y圖像處理的火災檢測方法一般從圖像的視覺特性出發，早期學者提出對圖像中顏色信息進行建模，來提取出疑似的火焰區域，這種方法的實時性較高，但是只考慮到了顏色特征，因此面臨著準確率較低的問題。隨后，研究人員提出通過動態背景建模的方法來檢測出視頻中的動態區域，再通過顏色模型來獲取候選區域，最后再通過一些形態、紋理等形狀特征來完成最終的篩選。該方法比單純的顏色模型性能要高許多，同時動態背景建模的方法大幅度降低了靜態物體的誤報現象。以上這些基于傳統圖像處理的火災檢測方法或多或少都涉及到顏色特征的使用，然而在部分現實場景中，攝像頭的偏色、過曝和光照等因素的影響，都會導致算法的可靠性大幅度的降低。后續學者們，把支持向量機、人工神經網絡等機器學習算法引入到了火災識別中，在提取出疑似區域的圖像特征后，使用機器學習算法對疑似區域進行分類。該方法，在光照、遮擋等干擾因素的影響下，取得了較好的準確率，性能優于大多數的火災檢測算法。不過這些算法，無法有效地利用海量數據集來提升算法的性能，同時需要研究人員來手工設計特征，較為繁瑣?；谏疃葘W習的火災檢測方法，通常采用現有成熟算法，如FasterRCNN、MaskRCNN、SSD、YOLO等算法，通過卷積神經網絡直接對單張靜態圖像中火焰和煙霧進行目標檢測，定位出圖像中的疑似火焰和疑似煙霧等目標。

如申請號為201911323715.x公開的一種基于卷積神經網絡的視頻煙霧檢測方法，該方法先提取疑似煙霧區域，再用卷積神經網絡做圖像分類；該方法存在檢測精度低的問題。

另外，傳統的圖像處理方法，需要人工進行復雜的特征提取與設計，對人工選取的特征具有較強的依賴性，該類方法一般僅適用于單一的特定場景，在現實復雜場景中的表現較差，通常存在檢出率較低、誤報現象嚴重等問題。

發明內容

本發明所要解決的技術問題在于如何提高視頻火災識別的精度，降低誤報率。

本發明通過以下技術手段實現解決上述技術問題的：

基于MaskRCNN的視頻火災識別方法，其特征在于：包括以下步驟：

S01.訓練MaskRCNN網絡，得到目標MaskRCNN網絡；

S02.將視頻流中的圖像傳輸到目標MaskRCNN網絡中，提取圖像中的特征信息，得到圖像分類數據集；

S03.構建EfficientNet網絡，并對網絡的權重進行初始化，使用步驟S02中構建好的圖像分類數據集進行訓練，得到目標EfficientNet網絡；

S04.使用目標MaskRCNN網絡檢測視頻中煙火目標，得到疑似煙霧、火焰的目標框坐標、概率值和類別；

S05.幀差能量判斷，針對步驟S04中得到的目標框通過幀差能量判斷，過濾靜態物體誤報現象；

S06.分類網絡最終決策，針對通過幀差能量判斷后保留的目標框，采用EfficientNet網絡進行分類。