[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

说明书

一种基于深度学习及火灾监控视频的火灾趋势预测方法，具体方法为：1、监控视频分割，构建图像数据集；2、建立监控视频火灾图像检测模型；3、对实时图像进行火灾检测，并对检测结果进行分析，修正火灾图像检测模型；4、将火灾图像转化为灰度值矩阵；5、采用分布式LSTM集成预测模型对灰度值矩阵进行预测，转化为灰度图像。本发明将基于ResNet 18模型的图像异常检测技术用于火灾图像的识别；在图像异常检测中引入反馈机制；采用分布式LSTM集成预测模型预测下一帧图像的对应列的灰度值。

技术领域

本发明涉及火灾趋势预测技术领域，特别是一种基于深度学习及火灾监控视频的火灾趋势预测方法。

背景技术

如今各种火灾事件频发，严重威胁到了人民的生命安全和财产安全，也给消防工作人员以及各级政府管理人员的工作带来极大的挑战。基于深度学习及火灾监控视频的火灾趋势预测方法，可以实施监测某地区是否发生火灾，以及预测火灾的发展趋势，便于相关人员及时做出应急决策。

发明内容

本发明的目的就是提供一种基于深度学习及火灾监控视频的火灾趋势预测方法。

本发明的目的是通过这样的技术方案实现的，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。

进一步，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；

若该Max大于设定阈值r，且该段图片数量大于预设值N₁，则切断视频流，将该段视频流中的图像作为一个图像数据集；

若该Max小于设定阈值r，且该段图片数量大于预设值N₂，则切断视频流，将该段视频流中的图像作为一个图像数据集。

进一步，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(代表火灾图像)和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。

进一步，步骤3)中反馈修正火灾图像检测模型的具体步骤如下：