[發(fā)明專利]一種基于光流改進與Yolov3的煙霧檢測方法

在審

• 申請?zhí)枺?/td>: 202110295071.9
• 申請日: 2021-03-19
• 公開（公告）號: CN113052055A
• 公開（公告）日: 2021-06-29
• 發(fā)明（設(shè)計）人: 李偉;呂哲品
• 申請（專利權(quán)）人: 浙江工業(yè)大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強

一種基于光流改進與Yolov3的煙霧檢測方法，包括以下步驟：1)改進光流動態(tài)區(qū)域一次篩選：利用改進的光流算法對圖像中的動態(tài)前景進行框定，過濾掉靜態(tài)背景并減少靜態(tài)背景的誤檢；2)模型訓練：收集大量的數(shù)據(jù)樣本，對樣本進行標定，對不同參數(shù)設(shè)定下的模型進行對比選定最終訓練參數(shù)和模型，為后續(xù)煙霧二次篩選做準備；3)Yolov3模型二次篩選：對獲取到的動態(tài)前景輸入到訓練好的網(wǎng)絡(luò)模型，進行煙霧的二次篩選并最終框定煙霧區(qū)域。本發(fā)明檢測結(jié)果精確，漏檢和誤檢率相對較小；可以很好地完成早期煙霧的檢測。

技術(shù)領(lǐng)域

本發(fā)明屬于視頻分析領(lǐng)域，具體涉及一種視頻中根據(jù)煙霧識別來預警火災(zāi)的方法。

背景技術(shù)

煙霧檢測是防范早期火災(zāi)的一種有效手段，目前階段煙霧檢測主要采用煙霧特征、分類辨別、動態(tài)目標提取等方法。對煙霧的有效識別可以大程度減少火災(zāi)帶來的影響。目前，基于視頻的煙霧檢測方法正成為國內(nèi)外學者的研究熱點。

在國外學者對煙霧檢測進行了研究并實現(xiàn)了相關(guān)場景的應(yīng)用。Dimitropoulos等人利用統(tǒng)計特征的方式，提出了利用HSV顏色模型中的3個通道以及HOG特征形成4維3D塊組成一個張量，然后提出高階線性動態(tài)系統(tǒng)(h-LDS)進行分析；Yin等人提出了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的煙霧檢測網(wǎng)絡(luò)；Qureshi^[16]等人采用背景建模的方法，提取前景目標檢測和分割移動區(qū)域。對于廣闊開放空間的煙霧檢測，Verstockt等人利用專門的深度成像相機進行視頻信息采集并提出了一種多模態(tài)的煙霧檢測算法。

在國內(nèi)，李筍等人提出了一種基于煙霧色彩圖像增強和MSER檢測的煙霧算法，通過增強色彩變換突出煙霧區(qū)域用于圖像分割并檢測；Yuan^[19]等人通過分析煙霧的亮度和飽和度，利用積分圖提取Haar特征進行煙霧檢測；通過大量特征提取和分類的文獻表明，通過提取單獨一個或者多個特征和圖像預處理方面的增強并不能滿足綜合復雜環(huán)境的煙霧檢測。隨著深度學習方法在目標識別領(lǐng)域的廣泛應(yīng)用，通過大數(shù)據(jù)樣本訓練、自學習，以實現(xiàn)特征提取和分類器的聯(lián)合優(yōu)化，彌補了目標復雜特征刻畫帶來的不足。陳俊周^[20]等人采用時空卷積網(wǎng)絡(luò)進行煙霧檢測，其中空域CNN和時域CNN分別關(guān)注靜態(tài)紋理和動態(tài)紋理，后者基于前者二次識別；從文獻實驗結(jié)果可觀察，深度學習方法相較于特征提取方法有著更好的準確性。

綜上所述，現(xiàn)有的煙霧檢測技術(shù)取得了快速的發(fā)展，但是在識別效果上也常常存在著不確定性。煙霧形態(tài)變化頻繁，如淡薄煙霧和濃煙在特征上呈現(xiàn)差異較大，這導致特征不能反應(yīng)煙霧本質(zhì)而造成識別上的誤檢；不同算法在不同場景下識別效果各異；煙霧的識別通常需要很強的場景針對性，針對不同場景情況下需要依據(jù)優(yōu)化算法和模型或特定的識別策略來提升識別效率。

發(fā)明內(nèi)容

為了克服已有技術(shù)的不足，本發(fā)明提供了一種基于光流改進與Yolov3的煙霧檢測方法，基于改進的光流算法提取圖像的動態(tài)前景，然后利用訓練好的網(wǎng)絡(luò)模型進行煙霧檢測，最終確定圖像中的煙霧，為安防系統(tǒng)提供早期火災(zāi)檢測。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種基于光流改進與Yolov3的煙霧檢測方法，包括以下步驟：

1)改進光流動態(tài)區(qū)域一次篩選：利用改進的光流算法對圖像中的動態(tài)前景進行框定，過濾掉靜態(tài)背景并減少靜態(tài)背景的誤檢；

2)模型訓練：收集大量的數(shù)據(jù)樣本，對樣本進行標定，對不同參數(shù)設(shè)定下的模型進行對比選定最終訓練參數(shù)和模型，為后續(xù)煙霧二次篩選做準備；

3)Yolov3模型二次篩選：對獲取到的動態(tài)前景輸入到訓練好的網(wǎng)絡(luò)模型，進行煙霧的二次篩選并最終框定煙霧區(qū)域。

進一步，所述步驟1)的處理過程為：