[发明专利]一种监控场景下基于深度学习的香烟自动检测方法

权利要求书

1.一种监控场景下基于深度学习的香烟自动检测方法，其特征在于：包括以下步骤：

步骤S1：获取数据集，并分别采用翻转、滤波、平滑方法对原始香烟数据集进行处理，得到最终香烟训练数据集；

步骤S2：使用步骤S1中所述的最终香烟训练数据集训练基于YOLOv3的深度学习网络，生成香烟模板库；

步骤S3：进行香烟检测：提供待检测的香烟图片或者视频，识别所述待检测的香烟图片或视频的后缀名来判断其是图片或视频，若是.PNG、.JPG、.JEPG、.GIF、.BMP则认为是图片，对图像进行图像增强处理，否则若是.AVI、.MOV、.MP4的后缀名，则认为是视频，并以OpenCV中的VideoCapture类获取当前视频的视频帧并对当前帧采用自适应图像增强方法进行增强，对增强后的图像将其分为7*7的网格，每个网格在进行检测前随机生成两个预测框，执行步骤S5；

步骤S4：判断步骤S3中进行图像增强后的图像像素是否大于500*500，若是则采用图像分割方法将香烟目标在图像中分割出来,对分割出来的香烟图像将其分为7*7的网格，每个网格在进行检测前随机生成两个预测框，执行步骤S5；否则直接在未分割的原图像上分为7*7的网格，每个网格在进行检测前随机生成两个预测框，执行步骤S5；

步骤S5：将步骤S2中生成的香烟模板库分别与步骤S3和步骤S4中生成的预测框进行对比，判断经过S3步骤中的图像增强、S4步骤中的图像分割处理后的图片中检测到的香烟目标的置信度是否超过设定阈值，所述阈值为0.25；若是则框选出目标，图片输出检测结果，检测结束；否则跳出此预测框。

2.根据权利要求1所述的一种监控场景下基于深度学习的香烟自动检测方法，其特征在于：步骤S3中对图像进行图像增强的方法包括直方图均衡化、拉普拉斯算子、对数log变换、伽马变换四种图像增加方法进行图像增强。

3.根据权利要求1所述的一种监控场景下基于深度学习的香烟自动检测方法，其特征在于：所述步骤S5还可替换为以下内容：将步骤S2中生成的香烟模板库与步骤S4中生成的预测框进行对比，判断经过S3步骤中的图像增强、S4步骤中的图像分割处理后的图片中检测到的香烟目标的置信度是否超过设定阈值；若是则框选出目标，输出结果；若为视频帧，则实时输出视频帧，并判断能否获取下一帧，若是则继续执行视频帧输出，实时检测，否则检测结束；若置信度没有超过设定阈值则跳过此预测框。

4.根据权利要求1所述的一种监控场景下基于深度学习的香烟自动检测方法，其特征在于：所述步骤S1具体包括以下步骤：

步骤S11：获取香烟数据集；所述香烟数据集的获取是通过拍摄的图像以及网络资源图像下载；

步骤S12：将步骤S11中收集的数据集进行划分，其中80％为训练集，10％为验证集，10％为测试集；对数据集中的训练集进行翻转变化，翻转变换通过改变图像的坐标，用以将图像呈现不同角度，增大训练集；对图像的翻转主要通过对图像矩阵的坐标变换实现，包括上下翻转以及左右翻转，其中上下翻转原理公式为：

x＝a-x₁+1；

y＝y₁；

左右翻转的原理公式为：

x＝x₁

y＝b-y₁+1

上两式中，x与y为图像翻转后某一像素点所在横坐标与纵坐标，a、b分别为图像二维矩阵的行数与列数，x₁与y₁是翻转前的图像某一像素点所在的横坐标与纵坐标；

步骤S13：对数据集中的原始训练集，即步骤S11中获取的训练集进行滤波处理，对滤波后的图像进行均值滤波的平滑操作用以消除噪声。

5.根据权利要求4所述的一种监控场景下基于深度学习的香烟自动检测方法，其特征在于：步骤S13所述的滤波处理采用的是高斯滤波，用卷积扫描训练集图像中的每一个像素点，用模板确定的领域内像素的加权平均灰度值去替代模板中心像素点的值；高斯滤波原理公式为：

式中，A为二维高斯分布的幅值，(t，s)为中心点坐标，σ_t、σ_s是分布的概率的方差。