[发明专利]一种基于光流改进与Yolov3的烟雾检测方法

说明书

一种基于光流改进与Yolov3的烟雾检测方法，包括以下步骤：1)改进光流动态区域一次筛选：利用改进的光流算法对图像中的动态前景进行框定，过滤掉静态背景并减少静态背景的误检；2)模型训练：收集大量的数据样本，对样本进行标定，对不同参数设定下的模型进行对比选定最终训练参数和模型，为后续烟雾二次筛选做准备；3)Yolov3模型二次筛选：对获取到的动态前景输入到训练好的网络模型，进行烟雾的二次筛选并最终框定烟雾区域。本发明检测结果精确，漏检和误检率相对较小；可以很好地完成早期烟雾的检测。

技术领域

本发明属于视频分析领域，具体涉及一种视频中根据烟雾识别来预警火灾的方法。

背景技术

烟雾检测是防范早期火灾的一种有效手段，目前阶段烟雾检测主要采用烟雾特征、分类辨别、动态目标提取等方法。对烟雾的有效识别可以大程度减少火灾带来的影响。目前，基于视频的烟雾检测方法正成为国内外学者的研究热点。

在国外学者对烟雾检测进行了研究并实现了相关场景的应用。Dimitropoulos等人利用统计特征的方式，提出了利用HSV颜色模型中的3个通道以及HOG特征形成4维3D块组成一个张量，然后提出高阶线性动态系统(h-LDS)进行分析；Yin等人提出了基于循环神经网络的烟雾检测网络；Qureshi^[16]等人采用背景建模的方法，提取前景目标检测和分割移动区域。对于广阔开放空间的烟雾检测，Verstockt等人利用专门的深度成像相机进行视频信息采集并提出了一种多模态的烟雾检测算法。

在国内，李笋等人提出了一种基于烟雾色彩图像增强和MSER检测的烟雾算法，通过增强色彩变换突出烟雾区域用于图像分割并检测；Yuan^[19]等人通过分析烟雾的亮度和饱和度，利用积分图提取Haar特征进行烟雾检测；通过大量特征提取和分类的文献表明，通过提取单独一个或者多个特征和图像预处理方面的增强并不能满足综合复杂环境的烟雾检测。随着深度学习方法在目标识别领域的广泛应用，通过大数据样本训练、自学习，以实现特征提取和分类器的联合优化，弥补了目标复杂特征刻画带来的不足。陈俊周^[20]等人采用时空卷积网络进行烟雾检测，其中空域CNN和时域CNN分别关注静态纹理和动态纹理，后者基于前者二次识别；从文献实验结果可观察，深度学习方法相较于特征提取方法有着更好的准确性。

综上所述，现有的烟雾检测技术取得了快速的发展，但是在识别效果上也常常存在着不确定性。烟雾形态变化频繁，如淡薄烟雾和浓烟在特征上呈现差异较大，这导致特征不能反应烟雾本质而造成识别上的误检；不同算法在不同场景下识别效果各异；烟雾的识别通常需要很强的场景针对性，针对不同场景情况下需要依据优化算法和模型或特定的识别策略来提升识别效率。

发明内容

为了克服已有技术的不足，本发明提供了一种基于光流改进与Yolov3的烟雾检测方法，基于改进的光流算法提取图像的动态前景，然后利用训练好的网络模型进行烟雾检测，最终确定图像中的烟雾，为安防系统提供早期火灾检测。

本发明解决其技术问题所采用的技术方案是：

一种基于光流改进与Yolov3的烟雾检测方法，包括以下步骤：

1)改进光流动态区域一次筛选：利用改进的光流算法对图像中的动态前景进行框定，过滤掉静态背景并减少静态背景的误检；

2)模型训练：收集大量的数据样本，对样本进行标定，对不同参数设定下的模型进行对比选定最终训练参数和模型，为后续烟雾二次筛选做准备；

3)Yolov3模型二次筛选：对获取到的动态前景输入到训练好的网络模型，进行烟雾的二次筛选并最终框定烟雾区域。

进一步，所述步骤1)的处理过程为：