[发明专利]使用三维卷积神经网络的视频烟雾识别方法

说明书

本发明公开了一种使用三维卷积神经网络的视频烟雾识别方法，包括：利用预训练好的Faster RCNN模型并结合非极大融合算法对目标帧进行烟雾的初步识别定位，得到疑似烟雾区域的结果框及其烟雾评分，并提取目标帧前后一定数量的视频帧组成视频序列；利用预训练好的三维卷积神经网络对视频序列进行三维特征提取，将提取到的特征向量与结果框的烟雾评分组成新的特征向量输入至SVM分类器，由SVM分类器输出新的特征向量为烟雾或非烟雾的分类结果。该方法可以快速、准确的实现视频烟雾识别，且节省了计算资源。

技术领域

本发明涉及火灾探测技术领域，尤其涉及一种使用三维卷积神经网络的视频烟雾识别方法。

背景技术

烟为火始，烟雾是早期火灾的重要特征之一，对烟雾进行检测可以较早的感知火灾的发生，有利于在火灾初期就采取相应灭火措施，减少灾害损失。目前常用的火灾烟雾探测方法包括光电型和离子型点式感烟探测器、光截面感烟探测器和图像型烟雾探测器。点式感烟探测器属于接触型，需要烟雾颗粒扩散进入探测器并达到一定浓度才能报警，不适用于高大或开阔空间中的烟雾探测。图像型烟雾探测器使用高清摄像头，可实现远距离非接触的烟雾探测，探测范围广，响应速度快，将烟雾探测算法集成于安防视频监控系统可实现低成本，所以视频烟雾探测是一种经济有效的烟雾探测技术。

传统的视频烟雾探测技术主要根据烟雾的运动、颜色、纹理等特征进行识别，首先，设计相应的特征提取方法，得到识别对象的特征向量，再使用分类器对特征向量进行训练或分类。然而由于烟雾的形态多变，人工设计的特征提取方法难以处理各式各样的烟雾图像，识别效果并不理想。近年来，深度学习方法在人工智能领域大放异彩，其中基于深度卷积神经网络的图像处理方法在人脸检测、自动驾驶等应用中都有突出表现，但是，如果直接使用相应的深度卷积神经网络进行视频烟雾的识别将消耗大量的计算资源，且整个计算过程耗时较长。

发明内容

本发明的目的是提供一种使用三维卷积神经网络的视频烟雾识别方法，可以快速、准确的实现视频烟雾识别，且节省了计算资源。

本发明的目的是通过以下技术方案实现的：

一种使用三维卷积神经网络的视频烟雾识别方法，包括：

利用预训练好的Faster RCNN模型并结合非极大融合算法对目标帧进行烟雾的初步识别定位，得到疑似烟雾区域的结果框及其烟雾评分，并提取目标帧前后一定数量的视频帧组成视频序列；

利用预训练好的三维卷积神经网络对视频序列进行三维特征提取，将提取到的特征向量与结果框的烟雾评分组成新的特征向量输入至SVM分类器，由SVM分类器输出新的特征向量为烟雾或非烟雾的分类结果。

由上述本发明提供的技术方案可以看出，1)使用Faster RCNN算法，基于图片进行烟雾的初步识别，作为疑似烟雾区域提取方法，与基于颜色、运动等特征的传统前景提取方法相比，更加准确，并已经对烟雾进行了初步判断；同时，在三维卷积网络之前基于图片使用Faster RCNN网络也可以减少计算量。2)提出非极大融合算法，针对烟雾特点对FasterRCNN结果框生成过程进行了改进，实现了减少框数量、各框之间互不重叠、结果框包含烟雾边界的效果，更加有利于使用三维卷积网络进行烟雾识别，减少了三维卷积网络处理的对象，提高检测速度；烟雾的动态特征在边界处最为明显，结果框尽量多的包含烟雾边界有利于感知烟雾动态信息。3)使用三维卷积网络可以提取烟雾动态特征，在faster RCNN基于图片对烟雾进行识别的基础上，对烟雾进行二次识别，提高了烟雾识别准确率，降低了误报率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种使用三维卷积神经网络的视频烟雾识别方法的流程图；