[發(fā)明專利]一種基于深度學(xué)習(xí)的煙霧檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110542645.8
• 申請(qǐng)日: 2021-05-18
• 公開（公告）號(hào): CN113537226A
• 公開（公告）日: 2021-10-22
• 發(fā)明（設(shè)計(jì)）人: 孟慶松;趙德偉
• 申請(qǐng)（專利權(quán)）人: 哈爾濱理工大學(xué)
• 主分類號(hào): G06K9/34
• 分類號(hào): G06K9/34;G06K9/62;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學(xué)習(xí)的煙霧檢測(cè)方法，其特征在于：它的檢測(cè)方法如下：

步驟一、改進(jìn)的混合高斯與YOLOv3融合煙霧檢測(cè)算法：

分為兩部分；第一部分利用改進(jìn)的混合高斯算法對(duì)視頻每幀進(jìn)行像素匹配，得到相應(yīng)的靜態(tài)背景和動(dòng)態(tài)前景,然后按照一定規(guī)律對(duì)動(dòng)態(tài)前景進(jìn)行提取,得到粗篩選后的煙霧前景；第二部分主要采用YOLOv3目標(biāo)檢測(cè)算法，提取煙霧特征并進(jìn)行二次細(xì)篩選；利用YOLOv3提取煙霧特征時(shí),把預(yù)處理后的煙霧數(shù)據(jù)集作為模型的輸入，在模型中進(jìn)行反復(fù)訓(xùn)練和調(diào)整參數(shù)，最后生成表征煙霧特征的權(quán)重，并在粗篩選得到的煙霧前景中進(jìn)行調(diào)用，對(duì)煙霧區(qū)域進(jìn)行二次細(xì)篩選,最終框定出視頻煙霧的具體位置和范圍，從而有效的對(duì)煙霧進(jìn)行檢測(cè)；

(1.1)、改進(jìn)混合高斯煙霧前景提取：

(1.1.1)、視頻當(dāng)前幀的像素點(diǎn)與高斯分布進(jìn)行匹配，若滿足式(1-2)，則像素點(diǎn)與高斯分布匹配，若不滿足，則說明不匹配；

|X_i,t-μ_i|＜2.5σ_i (1-2)

(1.1.2)、若匹配成功，則用此像素點(diǎn)來更新高斯背景模型，更新的公式為式(1-3)、式(1-4)和式(1-5)：

ω_i,t＝(1-α)ω_i-1+α(M_i,t) (1-3)

μ_i,t＝(1-θ)μ_i,t-1+θX_t (1-4)

σ²_i,t＝(1-θ)σ²_i,t-1+θ(X_t-μ_i,t-1)^T(X_t-μ_i,t-1) (1-5)

式中，α為學(xué)習(xí)率；M_i,t用來控制多個(gè)高斯分布的權(quán)值變化；當(dāng)匹配成功時(shí)，M_i,t＝1；匹配失敗時(shí)，M_i,t＝0；α和θ可以反映高斯適應(yīng)不同場(chǎng)景的能力；

(1.1.3)、若與任一個(gè)高斯分布都不匹配，則增加一個(gè)高斯分布或者更新高斯分布來取代優(yōu)先級(jí)最小的分布；

K個(gè)高斯分布按照優(yōu)先級(jí)從高到低排列為式(1-6)：

(1.1.4)、高斯模型更新參數(shù)后，按照優(yōu)先級(jí)對(duì)像素點(diǎn)的K個(gè)高斯分布進(jìn)行排列，并取前B個(gè)高斯分布作為背景像素的理想描述：

式中,ω_k表示一個(gè)像素中第K個(gè)高斯函數(shù)的權(quán)值；T一般取0.5到1之間，這里取經(jīng)驗(yàn)值0.85，繼續(xù)對(duì)X_i,t與上述B個(gè)高斯分布做匹配測(cè)驗(yàn)，與前B個(gè)高斯分布任一個(gè)相匹配則為前景，反之則為背景；

(1.2)、YOLOv3模型與訓(xùn)練：

通過在一個(gè)神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行預(yù)測(cè)目標(biāo)區(qū)域和目標(biāo)類別；YOLOv3采用了新的ResNet思想的darknet-53網(wǎng)絡(luò)結(jié)構(gòu)，在網(wǎng)絡(luò)中加入殘差模塊，并采用3個(gè)不同尺度的特征圖來進(jìn)行對(duì)象檢測(cè)，能夠檢測(cè)到更加細(xì)粒度的特征；

步驟二、基于改進(jìn)YOLOv3的煙霧檢測(cè)算法：

將通道注意力機(jī)制嵌套在YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)中殘差卷積塊Residual Block的最后一層，在煙霧目標(biāo)檢測(cè)中，當(dāng)兩個(gè)或者兩個(gè)以上目標(biāo)框接近時(shí)，分?jǐn)?shù)更低的框就會(huì)因?yàn)榕c之重疊面積過大而被刪掉，NMS的閾值需要手動(dòng)確定，設(shè)置小了會(huì)漏檢，設(shè)置大會(huì)誤檢，將非極大值抑制改為Soft-NMS。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的煙霧檢測(cè)方法，其特征在于：所述Soft-NMS為在煙霧檢測(cè)中，首先產(chǎn)生一些煙霧候選區(qū)域，其次通過分類網(wǎng)絡(luò)得到類別得分，與此同時(shí)通過回歸網(wǎng)絡(luò)得到更加精確的位置參數(shù)，最后通過非極大值抑制得出最后的檢測(cè)結(jié)果。