[发明专利]一种基于卷积神经网络和支持向量机的火焰检测方法

权利要求书

1.一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，该方法包括如下步骤：

(1)获取监测视频中的每一帧图像并分别作为待检测的图片；

(2)将待检测的图片输入至预先训练的特征检测模型并输出多个感兴趣的区域；

(3)将每个感兴趣的区域分别作为一张特征图像输入至预先训练的基于卷积神经网络和支持向量机的分类模型，所述的分类模型滤除对特征图像进行分类确定火焰图像和非火焰图像；

(4)根据所述的分类模型的分类结果确定待检测的图片中是否有火焰存在，若分类结果中包括至少一张火焰图像则待检测的图片中有火焰，否则待检测的图片中无火焰。

2.根据权利要求1所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，所述的特征检测模型为Haar特征检测模型。

3.根据权利要求1所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，所述的基于卷积神经网络和支持向量机的分类模型包括卷积神经网络子模型和支持向量机分类子模型，所述的支持向量机分类子模型输入端连接卷积神经网络子模型输出端。

4.根据权利要求3所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，所述的卷积神经网络子模型包括依次连接的输入层、第一卷积层、第二卷积层、第一子采样层、第三卷积层、第四卷积层和第二子采样层，所述的输入层用于输入待卷积分类的特征图像，所述的第二子采样层连接支持向量机分类子模型。

5.根据权利要求1所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，所述的第一卷积层、第二卷积层、第三卷积层和第四卷积层的卷积核大小为3x3。

6.根据权利要求2所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，步骤(2)中预先训练的特征检测模型通过如下方式获得：

(21)获取大量火焰图片和非火焰图片并组成正样本集和负样本集；

(22)搭建Haar特征检测模型；

(23)将证样本集和负样本集均输入至Haar特征检测模型，根据Haar特征检测模型的输出结果对Haar特征检测模型中的参数进行调整，完成Haar特征检测模型的训练。

7.根据权利要求6所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，步骤(3)中预先训练的基于卷积神经网络和支持向量机的分类模型通过如下方式获得：

(31)搭建卷积神经网络子模型和支持向量机分类子模型，所述的卷积神经网络子模型包括依次连接的输入层、第一卷积层、第二卷积层、第一子采样层、第三卷积层、第四卷积层和第二子采样层；

(32)在卷积神经网络模型第二子采样层后连接2个用于分类的全连接层；

(33)将步骤(21)中正样本集和负样本集经过训练好的Haar特征检测模型进行特征检测后的结果输入至卷积神经网络子模型的输入层；

(34)根据全连接层的分类结果对卷积神经网络子模型中参数进行调整，完成卷积神经网络子模型的训练；

(35)断开全连接层与第三子采样层的连接，将训练好的卷积神经网络子模型的第三子采样层输出端连接至支持向量机子分类模型；

(36)执行步骤(33)并获取支持向量机子分类模型的分类结果，根据支持向量机子分类模型的分类结果对支持向量机子分类模型中的参数进行调整，完成支持向量机子分类模型的训练；

(37)将训练好的卷积神经网络子模型输出端连接至训练好的支持向量机子分类模型的输入端形成基于卷积神经网络和支持向量机的分类模型。