[发明专利]识别烟雾的卷积神经网络的训练方法

说明书

本发明实施例提供一种识别烟雾的卷积神经网络的训练方法，提出一种先生成颜色通道、再从颜色通道中生成纹理、形状等空间特征的烟雾识别网络。具有以下特点：(1)多层1x1卷积自动生成类间差异显著的颜色通道模式；(2)在颜色通道上自动抽取纹理、形状等空间特征；(3)综合多层次的颜色、纹理特征识别场景中的烟雾。这种方法具有以下优点：(1)比起RGB、YCbCr、CIE Lab、HSI、YUV、dark channel等简单的颜色模型，自动训练生成的颜色通道能覆盖更多的样本；(2)比采用通用的卷积神经网络指向性明确，简单的网络具有更好的性能，轻型网络也意味着不大的数据依赖；(3)比传统人工抽取特征的方法通用性更强，比通用卷积网络轻，并且准确度更高。

技术领域

本发明实施例涉及图像识别技术领域，尤其涉及一种识别烟雾的卷积神经网络的训练方法。

背景技术

火灾对人类生产生活造成巨大损害。火灾预警的时间越迟，人员伤亡就越大，财产损失越高。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。由于监控相机易于架设且存在普遍，因此开展基于视觉的烟雾检测/火灾研究具有重要的实际应用意义。

早期的烟雾识别多围绕颜色、纹理以及轮廓等静态特征展开，例如通过分析烟雾像素点的RGB、YCbCr、CIE Lab、HSI、YUV、dark channel等颜色信息建立烟雾识别模型。但是烟雾的静态特征变化范围大，例如不同的火源就有不同颜色的烟雾，因此人工抽取的特征难以应对各式各样的烟雾。卷积网络能够自动抽取特征，因此Frizzi、ZHIJIAN Yin、Mengxia Yin等人采用多层卷积神经网络进行火焰和烟雾检测。但是直接采用传统的深度卷积网络往往结构复杂、参数繁多，样本不充分，不得不采用迁移学习和数据增强，但检测效果并不理想。注意到传统方法的有效性，王正来将RGB和HSI图像输入单路深度残差网络,再两个单路深度残差网络模型获得的特征结合,作为Softmax分类器的输入特征进行训练。Oleksii Maksymiv觉得烟雾的纹理与众不同，因此先采用adaboost和LBP来定位可能区域，然后用传统卷积网络来决定场景中是否存在烟雾。陈俊周等人采用卷积网络生成静态纹理信息，与动态纹理结合降低误检率。Yi Zhao先生成saliency image，再用Alexnet改造而来的卷积网络分析saliency image是否有目标。

事实上，烟雾的确在颜色、纹理以及轮廓上具有与众不同的特点，从这些方面的确可以把烟雾从背景中区分出来。早期的研究将注意力放在颜色、纹理以及轮廓上的特征是正确的。从卷积神经网络摄取的特征来看，卷积神经网络也是依据这些信息来进行综合分析的。但是采用通用的卷积神经网络，网络会过于巨大，并且往往样本不充足，并不能发挥深度网络的长处。王正来、Oleksii Maksymi、Yi Zhao意识到颜色、纹理以及轮廓的作用，有意识地将这些信息结合到网络里，但是这些网络往往分成两个部分，第一个部分采用传统方法，第二个部分再采用卷积神经网络来进行判断。

发明内容

本发明实施例提供一种识别烟雾的卷积神经网络的训练方法，用以解决现有技术中的缺陷，实现通用性更强，比通用卷积网络轻，并且准确度更高的有益效果。

本发明实施例提供一种识别烟雾的卷积神经网络的训练方法，所述识别烟雾的卷积神经网络，包括颜色通道卷积子网络和纹理卷积子网络：

颜色通道卷积子网络，用于抽取图像中颜色特征；

纹理卷积子网络在纹理空间操作，在颜色通道上抽取图像中形状特征；

识别烟雾的卷积神经网络的训练方法，包括：

S1，基于像素级图像标签训练颜色通道卷积子网络N1次；

S2，基于降采样的像素级图像标签一起训练颜色通道卷积子网络和纹理卷积子网络N2次；