[发明专利]基于分块的轻便网络的烟检测装置

说明书

本发明提供一种基于分块的轻便网络的烟检测装置，所述方法将待检测视频中的帧图像分成多个子图像，把子图像向U、V方向投影后得到的压缩向量输入循环神经网络抽取运动特征，然后再与用卷积神经网络抽取的静态特征结合，综合子图像中判断是否存在烟；再把子图像中的概率聚合成概率矩阵，用综合判断网络分析场景中是否存在烟。本发明具有简单、准确率高、敏感性高及对数据样本要求低等有益效果。

技术领域

本发明涉及图像检测技术领域，更具体地，涉及一种基于分块的轻便网络的烟检测方法及装置。

背景技术

烟检测作为消防探测重要手段，已广泛应用于火灾、爆炸的探测与预警。传统基于烟传感器的探测技术监测范围小，在工厂、仓库、森林等较大的区域铺设成本高，且此类传感器易老化而灵敏度降低。近年来，视频烟探测技术因其响应时间短、灵敏度高、覆盖面积大等优势备受国内外研究者关注。

视频烟检测目前主要依靠颜色、形状、透明度、纹理、运动等视觉特征。传统的视频烟检测研究主要集中在生成可靠的烟特征。但是烟静态特征变化范围太大，与大量非烟对象的特征域有所重叠；而动态特征难于抽取，不得不加入一些人为的约束条件，排除了部分真正的烟。因此目前的检测方法效果有限。

近年来，深度神经网络(deep neural network,DNN)被用来自动生成图像特征。DNN通过建立类似于人脑的分层网络模型结构，对输入数据逐级提取从底层到高层的特征，以便更好地获得从底层信号到高层语义的映射关系。卷积神经网络(convolutionalneural networks,CNN)作为最重要的深度神经网络模型之一，在人脸识别、图像分类等方面取得突破性进展。而另一个重要的网络模型，循环神经网络擅长处理序列数据，已经被广泛地应用在语音识别、语言模型、机器翻译等方面。但无论是卷积神经网络还是循环神经网络，直接以原始像素级图像作为输入会导致网络模型较大，对硬件要求较高，对于要求装备轻便、简单、可靠的工厂、仓库、森林等应用场景并不适用。

发明内容

为了解决上述问题，本发明提供一种基于分块的轻便网络的烟检测方法及装置。

根据本发明实施例的第一方面，提供了一种基于分块的轻便网络的烟检测方法，包括：

将待检测视频中每帧图像分成多个子图像；

将各子图像在U、V方向投影，得到各子图像对应u-t和v-t方向的两个向量；将各子图像对应u-t和v-t方向的两个向量以及所述各子图像之前连续n帧子图像对应u-t和v-t方向的两个向量，分别输入两个预先构建的循环神经网络，分别输出各子图像在u-t和v-t方向的动态特征向量；

将各子图像输入预先构建的卷积神经网络，输出得到各子图像的静态特征向量；

将各子图像在u-t和v-t方向的动态特征向量、和待检测图像的静态特征向量合并成各子图像对应的单个特征向量；基于各子图像对应的单个特征向量，获得各子图像中存在烟的概率；

将各子图像中存在烟的概率按在对应帧图像中的位置，聚合获得待检测视频中每帧图像中包含烟的概率矩阵；

将待检测视频中各帧图像中包含烟的概率矩阵以及所述各子图像之前连续n帧子图像对应的概率矩阵，输入预先构建的烟综合判断网络，输出待检测视频中包含烟的概率；其中，预先构建的烟综合判断网络依次包含两个并列设置的RNN网络、一个全连接层和一个softmax层。

进一步，预先构建的循环神经网络包括依次先后设置的两个LSTM单元；所述预先构建的循环神经网络后连接两个全连接层。

进一步，预先构建的卷积神经网络包括依次先后设置的三个卷积层，每个卷积层后接一个下采样层。

进一步，基于各子图像对应的单个特征向量，获得待检测视频中每帧图像中包含烟的概率矩阵，包括：