[发明专利]一种基于迁移学习的视频烟雾检测与识别方法

说明书

一种基于迁移学习的视频烟雾识别检测方法，包括生成模拟数据来扩大烟雾图像样本数量；对图像数据集进行预处理；构造目标检测网络；利用ImageNet图像数据集对改进的VGG‑16网络进行预训练；采用迁移学习方式在完成标注的烟雾数据集上训练目标检测网络，其中特征提取网络部分使用改进VGG‑16网络预训练权重进行特征初始化。从视频中提取关键帧，输入到模型中进行识别检测，如果发现烟雾返回坐标信息并在视频图像中定位其区域。本发明利用迁移学习技术提高了烟雾数据有限情况下的模型性能，可以自动识别和定位视频图像中的烟雾区域。

技术领域

本发明涉及图像分析识别领域及机器学习领域，特别涉及一种视频烟雾识别方法，属于基于深度学习的图像目标检测领域。

背景技术

火灾作为一种常见的灾害，具有蔓延快、损失大、扑救难等特点。2016年，全国共接报火灾31.2万起，伤亡2600余人，直接财产损失37.2亿元。尤其是森林火灾，它在森林这样开放的复杂空间环境内发生，自由燃烧、蔓延和扩展，一旦发生，将对森林资源、生态系统和人类生活造成巨大损失和严重危害。所谓无烟不起火，烟雾作为物质燃烧过程中产生的可见混合物，往往在观测到明火之前就已经产生，是火灾初期的重要视觉特征，如果能够快速检测到烟雾，在火灾早期及时预警，可以有效降低火灾造成的生命财产损失。因此烟雾识别检测技术具有重要的现实意义。

目前主流的烟雾传感器主要用来监测建筑物内的烟雾颗粒，但要求持续的，达到浓度阀值的烟雾条件。而在山林等户外开阔地带气流不稳定，起火点初期烟雾扩散范围小，加上烟雾传感器在部署方面有很大的局限性，因此在开放区域难以推广应用。随着图像处理和模式识别技术的成熟和视频监控设备的普及，利用视频监控系统对火灾烟雾区域进行识别定位成为可能。而现有图像烟雾识别技术主要依靠人工提取特征，如颜色、形态、纹理、纹理等视觉，再通过支持向量机等机器学习方法进行判断。这类方法复杂度高，通常只适用于某些特定场景，可泛化能力差，在实际应用过程中容易受到环境因素的干扰，造成在复杂环境下识别准确率低的缺点。

发明内容

为了克服现有视频烟雾识别方法拓展性低、误报率高的不足，本发明提出了一种泛化能力强、精度较高的基于迁移学习的视频烟雾识别检测方法，利用改进的Faster R-CNN神经网络对视频中烟雾区域进行识别和定位，同时利用迁移学习技术来降低深度神经网络的训练难度，可有效结合现有的视频监控系统，对视频数据中是否出现烟雾进行识别，并对烟雾所在区域进行定位。

为了解决其技术问题本发明所采用的技术方案是：

一种基于迁移学习的视频烟雾检测与识别方法，包括以下步骤：

步骤一，收集获取烟雾视频和图像数据，包括生成模拟数据来扩大烟雾图像样本数量；

步骤二，利用标注工具在图像数据上标注出烟雾区域，获取图像文件名、类别、烟雾区域的左上角坐标、右下角坐标。

步骤三，对图像数据集进行预处理，通过滤波方法对图像进行平滑降噪处理，增强对比度，并将图像数据归一化到[0,1]区间；

步骤四，构造改进的Faster R-CNN目标检测网络，其中特征提取网络部分使用改进的VGG-16网络；

步骤五，利用ImageNet图像数据集对改进的VGG-16网络进行预训练，让网络学习从自然图像中提取深度特征的能力，得到迁移特征；

步骤六，采用迁移学习方式在完成标注的烟雾数据集上训练Faster R-CNN网络，其中特征提取网络部分使用改进VGG-16网络预训练权重进行特征迁移，并在训练过程中冻结所迁移特征参数，模型训练充分收敛后，导出保存模型权重参数；

步骤七，从视频中提取关键帧，依次输入到模型中进行识别，如果发现烟雾返回坐标信息并在视频图像中定位其区域。