[发明专利]一种基于深度学习及火灾监控视频的火灾趋势预测方法

权利要求书

1.一种基于深度学习及火灾监控视频的火灾趋势预测方法，其特征在于，具体步骤如下：

1)获取历史监控视频和实时监控视频，对历史监控视频和实时监控视频进行分割，构建历史图像数据集和实时图像数据集；

2)利用历史监控视频信息，结合迁移学习和公开的ResNet网络预训练模型，训练构建火灾图像检测模型；

3)通过火灾图像检测模型对实时图像数据集进行检测，对检测结果进行分析判断，反馈修正火灾图像检测模型：

4)将实时图像数据集中的数据通过火灾图像检测模型检测，对于连续长度超过预设值M的实时连续火灾图像，将其灰度化，构建多维灰度值多元时间序列；

5)采用分布式集成预测模型对步骤4)中所述多元时间序列进行预测，获得实时火灾灰度图像趋势预测结果；

步骤3)中反馈修正火灾图像检测模型的具体步骤如下：

3-1)若识别出的火灾图像50％及以上是连续的，且连续长度超过预设值M，则系统立马发出火灾报警信号，转入人工系统核实校对检测结果是否正确；

若核 实检测结果正确，则将连续识别出的火灾图像中缺少的那些图像筛选出来，由人工判断，是否为火灾图像；若是，则将火灾图像存入误分类图像数据库，并做好数据标注；若否，则不做任何处理；

若核 实检测结果错误，则将连续识别出的火灾图像的所有图像筛选出来，由人工判断，模型分类结果是否正确，若是，则M的长度重新设置，使其等于该次误报警中的火灾图像连续长度值；若否，则分类错误的图像存入误分类图像数据库，并做好数据标注；

3-2)若识别出的火灾图像低于50％以上是连续的，或50％以上是连续但连续长度不超过预设值M，则不报警，将识别出的火灾图片转入人工系统核实校对，若核实错误，则将识别出的火灾图像放入误分类图像数据库，并做好数据标注；若核实正确，则不做任何处理；

3-3)若未识别出火灾图像，但是实际上已经发生火灾，则将火灾发生时间内的所有实时图像数据集全部经由人工审核，将识别错的图像做好数据标注，并放入误分类图像数据库；

3-4)将误分类图像数据库的图像作为反馈训练数据集，重新输入火灾图像检测模型，以相对应的数据标注标签为对应输出，再一次训练模型。

2.如权利要求1所述的一种基于深度学习及火灾监控视频的火灾趋势预测方法，其特征在于，步骤1)中所述对历史监控视频和实时监控视频进行分割的具体方法为：

将所有图像灰度化，计算帧数相邻两张灰度图像的像素点差值，获得一个像素点差值矩阵，公式如下：

poin_diff＝abs(A_n×m-B_n×m)

其中，A_n×m，B_n×m分别代表前面一张灰度图像的灰度值矩阵和后面一张灰度图像的灰度值矩阵，abs(·)代表取绝对值；

求poin_diff中元素的最大值Max；

寻找多组发生火灾前后的火灾监控视频的两帧图像，计算得到多组最大像素差值，r为其均值；

若相邻图片像素点的最大灰度差值Max大于设定阈值r，且图片连续长度大于预设值N₁，则切断视频流，将切断视频流中的图像作为一个图像数据集；

若相邻图片像素点的最大灰度差值Max小于设定阈值r，且图片连续长度大于预设值N₂，则切断视频流，将切断视频流中的图像作为一个图像数据集。

3.如权利要求2所述的一种基于深度学习及火灾监控视频的火灾趋势预测方法，其特征在于，步骤2)中所述训练构建火灾图像检测模型的具体步骤如下：

2-1)对历史图像数据集是否为火灾图像进行二分类标注，分别标注为1和0，1代表火灾图像，0代表一般图像；选择相同数目的火灾图像和一般图像，构成历史火灾图像数据集；

2-2)将ResNet网络预训练模型的最后输出层单元个数修改为2，将历史火灾图像数据集的70％用于该模型的迁移学习，30％用于新训练的ResNet18模型的测试，获得火灾图像检测模型。