[发明专利]一种基于运动特征混合深度网络的火灾烟雾检测方法

权利要求书

1.一种基于运动特征混合深度网络的火灾烟雾检测方法，其特征在于，其步骤如下：

步骤一：从视频图像库中获取数据集，并将数据集分为训练集和测试集，其中，数据集中的视频图像包括烟雾视频图像和非烟雾视频图像；

步骤二：构建运动特征混合深度网络，其中，运动特征混合深度网络包括视觉特征提取层、运动特征提取层和时间上下文信息学习层，视觉特征提取层和运动特征提取层均与时间上下文信息学习层相连接；

步骤三：将训练集输入运动特征混合深度网络中进行训练，得到运动特征混合深度网络模型，利用测试集对运动特征混合深度网络模型进行测试；

步骤四：获取待检测视频序列，利用运动区域检测算法对检测视频序列进行处理，获得视频运动图像；

步骤五：将视频运动图像输入步骤三得到运动特征混合深度网络模型中，输出检测结果，完成视频烟雾检测。

2.根据权利要求1所述的基于运动特征混合深度网络的火灾烟雾检测方法，其特征在于，所述视觉特征提取层的网络结构依次为输入层I—卷积层I—池化层I—卷积层II—池化层II—卷积层III—池化层III—全连接层I；所述运动特征提取层的网络结构依次为输入层II—卷积层IV—卷积层V—卷积层VI—卷积层VII—卷积层VIII—卷积层IX—全连接层II。

3.根据权利要求1或2所述的基于运动特征混合深度网络的火灾烟雾检测方法，其特征在于，所述将训练集输入运动特征混合深度网络中进行训练的方法为：

设置视觉特征提取层和运动特征提取层的参数，包括权重衰减为0.01、学习率的初值为0.01；

采用BP算法分别对视觉特征提取层和运动特征提取层进行训练，直至满足训练结束条件，分别获得视觉特征和运动特征；

将视觉特征和运动特征进行融合后输入时间上下文信息学习层中进行训练，当时间上下文信息学习层的损失函数的值不变时，训练结束，获得运动特征混合深度网络模型。

4.根据权利要求3所述的基于运动特征混合深度网络的火灾烟雾检测方法，其特征在于，所述训练结束条件为学习率衰减至le-9或BP算法对应的损失函数的值不变；损失函数为交叉熵损失函数。

5.根据权利要求3所述的基于运动特征混合深度网络的火灾烟雾检测方法，其特征在于，所述将视觉特征和运动特征进行融合的方法为：

其中，为视觉特征图，为运动特征图，i为特征图x的横坐标，j为特征图x的纵坐标，表示融合后的最大特征图。

6.根据权利要求1所述的基于运动特征混合深度网络的火灾烟雾检测方法，其特征在于，时间上下文信息学习层为：

g^(t)＝k₁y^(t)+k₂q^(t-1)

q^(t)＝relu(g^(t))

其中，y^(t)为t时刻融合后的最大特征图，q^(t-1)为t时刻先前的时间步长的信息，q^(t)为t时刻的时间步长的信息，k₁和k₂均为系数，g^(t)表示时间上下文信息学习层t时刻的输出，relu(.)表示非线性激活函数。

7.根据权利要求1所述的基于运动特征混合深度网络的火灾烟雾检测方法，其特征在于，所述利用运动区域检测算法对检测视频序列进行处理的方法为：

依据烟雾的运动特点，对烟雾的运动方向进行判断，得到烟雾的主运动方向，在主运动方向上计算检测视频序列中所有像素点(i，j)的累积量S(i，j)：

其中，θ_l(i，j)表示检测视频序列中主方向为l的图像帧的数字编码，每个数字编码表示一个运动方向，H_t(θ₁(i，j))表示在时间窗口内的主方向为l的图像帧的直方图，l＝2，3，4，Z_t表示图像帧的数量，t表示时刻；

设置阈值T(i，j)＝5，计算t时刻的烟雾运动图像：

其中，f(i，j)为烟雾运动图像，background为视频背景，foreground为视频前景。