[发明专利]一种基于无锚点机制的火焰检测方法及装置

说明书

本申请提供了一种基于无锚点机制的火焰检测方法及装置，所述方法包括获取火焰检测数据集；构建一基于无锚点机制的特征选择模块的RetinaNet网络模型，对每一个图片实例，将其映射到某个具体特征金字塔层时，根据尺度因子定义出其有效区域，无效区域，及介于两者之间的忽略区域；通过分类子网络及回归子网络来预测每个锚点属于不同类别的概率和每个锚点框距离最近的实例的偏移量；选择所述分类子网络的分类损失和回归子网络的回归损失之和最小的特征层作为该实例的学习层级，训练RetinaNet网络模型。本申请能够全程通过深度学习算法完成从原始图像输入到火焰位置信息输出的整个检测过程，一定程度上避免了手工设计特征存在的误报和漏报的情况。

技术领域

本申请属于数据处理技术领域，特别涉及一种基于无锚点机制的火焰检测的方法及装置。

背景技术

近年来火灾事故频发，对人民生命财产安全造成了严重影响，早期火灾的预警能够有效的避免火灾蔓延，最大限度地减小火灾带来的危害。对于火灾识别任务特别是室外和大型室内空间等场景的火灾识别任务，传统的非接触式探测器不能有效地完成，因此，基于视频图像的火焰检测方法是目前火灾监控领域的一个重要研究方向。

现有的基于视频图像的火焰检测方法主要是根据火焰的颜色、形状、纹理等视觉特征，结合模式识别中的分类算法，判断图像中是否存在火焰。这些手工提取火焰特征的方法检测速度快，但是稳定性和泛化能力差，检测与火焰颜色相近的物体时容易出现误报，检测颜色超出设定阈值的火焰时也容易出现漏报。

随着CPU、GPU等硬件计算能力和深度学习技术的发展，基于深度卷积神经网络方法的计算速度已经能够满足火焰检测的实时性要求，为更精确的进行火焰预测提供了计算基础。

发明内容

为了解决上述技术问题至少之一，本申请提供了一种基于无锚点机制的火焰检测方法及装置。

本申请的第一个方面，一种基于无锚点机制的火焰检测方法，包括：

获取火焰检测数据集；

构建一个基于无锚点机制的特征选择模块的RetinaNet网络模型，所述RetinaNet网络模型包括一个主干网络(产生特征金字塔)和两个特定子任务(分别用于分类和边框回归)的子网组成；

所述基于无锚点机制的特征选择模块是指在特征金字塔的每一层构建一个无锚点的分支，且该无锚点分支独立于RetinaNet网络中的有锚点分支，而且无锚点分支也包含分类子网络和回归子网络；

对每一个图片实例，将其映射到某个具体特征金字塔层时，可以根据尺度因子定义出其有效区域，无效区域，及介于两者之间的忽略区域；

分类子网络用来预测每个锚点属于不同类别的概率，其利用Focal loss计算分类损失，某一特征金字塔层的总分类损失为该层所有非忽略区域的Focal loss之和；

回归子网络用来预测每个锚点框距离最近的实例的偏移量，其利用IoU loss计算损失，只计算有效区域部分，整个损失为有效区域损失的平均值；

选择所述分类损失和回归损失之和最小的特征层作为该实例的学习层级，通过该学习层级对该火焰图片实例进行学习，以得到所述RetinaNet网络模型的相关参数；

利用训练后的RetinaNet网络模型对实时视频进行火焰检测，判断实时视频中各帧图像是否存在火焰，若存在火焰则给出其位置。

优选的是，所述获取火焰检测数据集包括：

获取包含多张火焰图片的火焰图片数据集，每个所述火焰图片包括标注有火焰区域的矩形框及火焰类型；

根据所述火焰图片数据集获取包含图片大小、通道数、火焰位置在内的火焰标注数据集，并与所述火焰图片数据集共同构成火焰检测数据集。