[发明专利]基于深度学习的烟火识别模型建立方法和烟火识别方法

说明书

本发明公开一种基于深度学习的烟火识别模型建立方法和烟火识别方法，所述烟火识别模型建立方法利用gan网络对烟火图片和要检测区域的正常图片进行合成，可以增加实际应用场景中数据集的样本数，之后通过yolov3标注、训练、验证得出要建立的烟火识别模型。本方法可以解决传统烟火识别方法中烟火特征抽象、形体多样、特征不明显不具体的问题，同时解决实际应用场景中烟火图像数据较小或没有的情况。所述烟火识别方法基于上述建立的烟火识别模型，对大场景远距离图像识别中产生的误判问题进行了解决。

技术领域

本发明涉及图像处理方法领域，具体地讲涉及一种基于深度学习的烟火识别模型建立方法和烟火识别方法。

背景技术

随着社会的发展，人们对灾难提前预防的意识正在不断的提高，需求也在逐渐的增加。比如对于火灾的预防就是我们需要的。能不能在火灾最初的时候对火灾进行提前的防护对于生命财产安全至关重要。但是烟火识别的难度在于特征抽象，形态多样，特征不明显，并且实际场景中样本较少，且不容易获取。并且在大场景远距离图像识别中容易产生误判

专利CN 110728284 A《一种基于深度学习的边缘计算烟火识别方法及智能终端》公开了一种基于深度学习的边缘计算烟火识别方法及智能终端，方法包括以下步骤：通过边缘计算架构在智能终端嵌入烟火识别算法；通过智能终端采集图像后通过烟火识别算法识别烟火图像；其中通过烟火识别算法识别烟火图像具体包括：对图像进行预处理，对图像的样本数据集进行扩充；基于VGG16模型利用卷积层代替全连接层构建卷积神经网络模型；训练卷积神经网络模型获得深度学习模型；将图像的样本数据集中的图像输入深度学习模型提取烟火特征并构建特征数据库；将待识别图像输入深度学习模型提取烟火特征；根据特征数据库通过SVM对提取的待识别图像烟火特征进行分类识别；可以快速给出识别图像的结果。直接用vgg16对原图片进行识别，首先因为烟火的形态的不确定性会导致标注的区域过大，对训练的结果产生影响，其次识别度不高。并且识别过程中对大场景远距离图像识别产生误判的问题没有解决。

专利CN 102306278A《一种基于视频的烟火检测方法和装置》公开了一种基于视频的检测方法，包括：（a）从视频图像中提取预定数量的连续的图像帧；（b）检测出各帧图像上的运动像素，并确定其中的运动像素区域；（c）识别运动像素区域中各像素颜色是否为烟火颜色，得到运动烟火颜色区域；（d）对各种运动烟火颜色区域分别进行时域和空域分析，并判断运动烟火颜色区域是否具有烟火时域和空域特征；（e）综合前述步骤检测判断结果判定视频图像中是否存在烟火。该专利用像素时域分析和空域分析对烟火的形态进行分析，但是烟火是个抽象的物体，规律性较差而这两种分析都是对规律性较强的信号进行分析，不同的烟火的形态可能完全不一样。很难进行单一的时域分析和空域分析分析。识别过程中对大场景远距离图像识别产生误判的问题没有解决

专利CN 106997461 A《一种烟火检测方法及装置》公开了一种烟火检测方法及装置，所述方法包括：如果采用白天模式，根据该帧图像中像素点的像素值，确定候选烟雾像素点；根据候选烟雾像素点确定每个疑似烟雾区域；根据每个疑似烟雾区域内像素点的属性信息，确定目标烟雾区域；如果采用晚上模式，根据该帧图像中像素点的灰度值，确定疑似火焰像素点；根据疑似火焰像素点的灰度值，确定火焰闪烁区域；根据每个火焰闪烁区域内像素点的属性信息，确定目标火焰区域。由于在本发明实施例中，如果采用白天模式，根据每个疑似烟雾区域内像素点的属性信息，确定目标烟雾区域；如果采用晚上模式 ，根据每个火焰闪烁区域内像素点的属性信息，确定目标火焰区域，使得对烟火检测更加准确。但是该专利是按照白天黑夜进行分析，并且运用大量的阈值来进行判定分析，但是烟火的特征形态不同，规律性不强，很难通过一系列的烟火像素值阈值设定来进行判定。识别过程中对大场景远距离图像识别产生误判的问题没有解决。

发明内容

本发明要解决的技术问题是提供一种基于深度学习的烟火识别模型建立方法和烟火识别方法，用于解决传统烟火识别方法中烟火特征抽象、形体多样、特征不明显不具体的问题，同时解决实际应用场景中烟火图像数据较少或没有的情况。