[发明专利]一种基于卷积网络的火灾场景中烟雾的检测装置

说明书

本发明提供一种基于卷积网络的火灾场景中烟雾的检测方法及装置，所述方法包括：获取待检测火灾场景影像中n张连续图像，其中n≥3；将n张连续图像输入预先训练得到的烟雾检测卷积网络，输出得到待检测火灾场景中是否包含烟雾的检测结果。本发明基于检测火灾场景影像中静态特征实现对烟雾的检测，具有高效、准确识别火灾场景中烟雾信息的有益效果。

技术领域

本发明涉及人工智能技术领域，更具体地，涉及一种基于卷积网络的火灾场景中烟雾的检测方法及装置。

背景技术

火灾能对人类生产生活造成巨大损害。以NFPA提供的数据为例，美国2015年总共发生约134万场火灾，3千人死于火灾中，1.5万人受伤，造成143亿美元损失，防火部门每隔23秒就要应对一次火灾的发生。据统计火灾预警的时间越迟，其伤亡人员可能性越高，财产损失越大。而烟雾作为火灾初期产生的重要特征，如果能通过视觉装置有效的捕捉到烟雾，就能在火情尚未扩大时提供及时、有效的预警，从而减小人员伤亡和财产损失的几率。由于监控相机相易于架设且存在普遍，因此开展基于视觉的烟雾检测研究具有实际应用意义。现有技术中存在通过静态特征方法对火灾场景中烟雾的检测方案。

但由于通过静态特征方法无法很好的区分火灾场景中烟雾、泉水、云、雾霾和水汽等物体，为了提高识别准确率，现有技术中研究人员通过引入动态特征例(如运动速度、方向，纹理变化等)来进行烟雾识别。Yu等人^[3]通过光流法来确定、跟踪图像中的移动区域，但需要通过颜色特征来判断该区域是否包含烟雾。Lu和Xie等人^[4]利用spatio-temporalmultiresolution histogram来获得图像中像素点间的速度与加速度特征并与理想烟雾图片中的特征相比，通过相似程度大小来确定原图中是否存在烟雾。Yuan等人^[5]通过帧差法，统计一段时间内多帧图像的运动区域，从而得到烟雾的动态累积量，但需通过烟雾透明性质来确定运动区域是否为含有烟雾。Simone等人^[6]提取了烟雾颜色、纹理变化特征，通过贝叶斯模型来判断烟雾。Wei等人^[7]利用表面波和马尔科夫树模型建立一种新的烟雾的动态纹理描述算子，最后通过支持向量机进行烟雾和非烟雾的分类识别目的。

上述现有技术中利用动态特征方法由于依靠人工提取特征并制定筛选规则，不能完整挖掘出烟雾时空特征，对分类规则的制定也只能从低维角度进行判断存在一定的缺陷，因而结合烟雾的静态特征来提高识别准确率，使得方法不仅繁琐，也不能很好的适用于复杂条件下的烟雾识别。

发明内容

为了解决上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的基于卷积网络的火灾场景中烟雾的检测方法及装置。

根据本发明实施例的第一方面，提供了一种火灾场景中烟雾的检测方法，包括：

获取待检测火灾场景影像中n张连续图像，其中n≥3；

将n张连续图像输入预先训练得到的烟雾检测卷积网络，输出得到待检测火灾场景中是否包含烟雾的检测结果；其中，所述烟雾检测卷积网络包括卷积层、最大池化层、全连接层和softmax函数。

进一步，将n张连续图像输入预先训练得到的烟雾检测卷积网络，输出得到待检测火灾场景中是否包含烟雾的检测结果，之前还包括：

获取训练样本集；

对训练样本集进行标注；

基于训练样本集和训练样本集的标注信息，对烟雾检测卷积网络进行训练。

进一步，获取训练样本集；对训练样本集进行标注；基于训练样本集和训练样本集的标注信息，对烟雾检测卷积网络进行训练，进一步包括：

获取训练样本图像；

对训练样本图像所对应的标准检测矩阵Y进行标注；将训练样本图像输入烟雾检测卷积网络，获得训练检测矩阵