[发明专利]结合颜色、纹理特征的两阶段烟雾识别卷积神经网络

说明书

本发明公开了一种结合颜色、纹理特征的两阶段烟雾识别卷积神经网络，网络主要由颜色通道卷积子网络、纹理卷积子网络二部分组成。颜色通道卷积子网络在颜色空间操作，抽取烟雾与非烟雾类间最大差别颜色模式；纹理卷积子网络在纹理空间操作，在颜色通道上抽取形状特征。整个网络的最后一层,包含上层池化而来的特征，还拼合了颜色层、纹理层等中间各层池化后的特征，然后对每通道上的特征全局最大池化成一维向量，再通过sigmoid函数分类判别场景中是否有烟雾和火焰。本发明自动训练生成的颜色通道能覆盖更多的样本；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

本发明涉及烟雾识别技术领域，具体涉及一种结合颜色、纹理特征的两阶段烟雾识别卷积神经网络。

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，Yuanproposed several smoke detection methods,which are a fast accumulative motionorientation model based on integral image, histograms of Local Binary Pattern(LBP)and Local Binary Pattern Variance(LBPV)based on pyramids,shape invariant features on multi-scale partitions with AdaBoost and high-order localternary patterns with locality preserving projection。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，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saliencyimage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，工作量较大的同时，精确度较低。

发明内容

为解决上述问题，本发明提供了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卷积神经网络。

为实现上述目的，本发明采取的技术方案为：