[發(fā)明專(zhuān)利]基于視頻圖像目標(biāo)檢測(cè)的火災(zāi)檢測(cè)方法、系統(tǒng)、終端以及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011069784.5
• 申請(qǐng)日: 2020-09-30
• 公開(kāi)（公告）號(hào): CN112215122B
• 公開(kāi)（公告）日: 2023-10-24
• 發(fā)明（設(shè)計(jì)）人: 胡金星;王傳勝
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院
• 主分類(lèi)號(hào): G06V20/40
• 分類(lèi)號(hào): G06V20/40;G06V10/774;G06V10/80;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 深圳市科進(jìn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44316
• 代理人: 魏毅宏

1.一種基于視頻圖像目標(biāo)檢測(cè)的火災(zāi)檢測(cè)方法，其特征在于，包括：

采用基于大氣散射模型的數(shù)據(jù)增強(qiáng)算法將原始自然圖像轉(zhuǎn)換為灰霾圖像及沙塵圖像，生成用于訓(xùn)練模型的數(shù)據(jù)集；

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型LFNet，將所述數(shù)據(jù)集輸入LFNet模型進(jìn)行迭代訓(xùn)練，得到最優(yōu)模型參數(shù)；所述卷積神經(jīng)網(wǎng)絡(luò)模型LFNet包括骨架特征提取模型、主要特征提取模型和變尺度特征融合模型；所述骨架特征提取模型通過(guò)三個(gè)不同尺度的卷積提取輸入圖像的主要特征；所述主要特征提取模型用于對(duì)所述主要特征進(jìn)行進(jìn)一步的特征提取，生成三組特征圖；所述變尺度特征融合模型對(duì)所述三組特征圖進(jìn)行自適應(yīng)融合，輸出檢測(cè)結(jié)果；

將待檢測(cè)火災(zāi)圖像輸入訓(xùn)練好的LFNet模型，通過(guò)LFNet模型輸出待檢測(cè)火災(zāi)圖像的火災(zāi)定位區(qū)域以及火災(zāi)類(lèi)型。

2.根據(jù)權(quán)利要求1所述的基于視頻圖像目標(biāo)檢測(cè)的火災(zāi)檢測(cè)方法，其特征在于，所述采用基于大氣散射模型的數(shù)據(jù)增強(qiáng)算法將原始自然圖像轉(zhuǎn)換為灰霾圖像及沙塵圖像前包括：

獲取原始自然圖像；所述原始自然圖像包括沒(méi)有火災(zāi)報(bào)警區(qū)域的非報(bào)警圖像和真實(shí)的火災(zāi)報(bào)警圖像。

3.根據(jù)權(quán)利要求1或2所述的基于視頻圖像目標(biāo)檢測(cè)的火災(zāi)檢測(cè)方法，其特征在于，所述采用基于大氣散射模型的數(shù)據(jù)增強(qiáng)算法將原始自然圖像轉(zhuǎn)換為灰霾圖像包括：

所述大氣散射模型分別采用至少兩種傳輸速率分別模擬生成不同濃度的灰霾圖像；所述灰霾圖像成像公式為：

I(x)＝J(x)t(x)+ɑ(1-t(x))

上述公式中，I(x)是模擬出來(lái)的灰霾圖像，J(x)是輸入的無(wú)霧圖像，ɑ是大氣光值，t(x)是場(chǎng)景傳輸速率。

4.根據(jù)權(quán)利要求3所述的基于視頻圖像目標(biāo)檢測(cè)的火災(zāi)檢測(cè)方法，其特征在于，所述采用基于大氣散射模型的數(shù)據(jù)增強(qiáng)算法將原始自然圖像轉(zhuǎn)換為沙塵圖像包括：

所述大氣散射模型采用固定透射率和大氣光值，結(jié)合三種顏色模擬生成不同濃度的沙塵圖像；所述沙塵圖像模擬公式為：

D(x)＝J(x)t(x)+a(C(x)*(1-t(x)))

上述公式中，D(x)為模擬出的沙塵圖像，J(x)為輸入的無(wú)霧圖像，C(x)為顏色值。

5.根據(jù)權(quán)利要求1所述的基于視頻圖像目標(biāo)檢測(cè)的火災(zāi)檢測(cè)方法，其特征在于，所述將所述數(shù)據(jù)集輸入LFNet模型進(jìn)行迭代訓(xùn)練包括：

所述骨架特征提取模型分別采用￥3＊3￥、￥5＊5￥和￥7＊7￥尺度的卷積提取輸入圖像的特征，得到尺寸分別為￥13＊13￥、￥26＊26￥和￥52＊52￥的特征圖；所述主要特征提取模型對(duì)所述主要特征進(jìn)行進(jìn)一步的特征提取，生成大小分別為￥52＊52￥、￥26＊26￥、￥13＊13￥的三組特征圖；所述變尺度特征融合模型將所述三組特征圖映射到不同的卷積核和步長(zhǎng)進(jìn)行卷積，并拼接所有相同大小的卷積，得到三組特征映射，利用基于信道的注意機(jī)制操作所述三組特征映射，得到大小分別為￥13＊13￥、￥26＊26￥和￥52＊52￥的特征圖，分別用于檢測(cè)小、中、大型物體。

6.根據(jù)權(quán)利要求5所述的基于視頻圖像目標(biāo)檢測(cè)的火災(zāi)檢測(cè)方法，其特征在于，所述將數(shù)據(jù)集輸入LFNet模型進(jìn)行迭代訓(xùn)練還包括：

分別選取均方誤差和交叉熵作為損失函數(shù)進(jìn)行模型優(yōu)化。