[发明专利]基于时间轨迹特性的火灾烟雾检测方法

说明书

本发明公开了一种火灾烟雾检测方法，将当前时刻t之前长度为T的视频压缩为轨迹图像，然后以vgg深度学习基础抽取空域特征，将空域特征经过以RNNs为基础的时域特征子网络抽取时域特征，然后经过全连接的判别子网络，判别场景中是否发生烟、火。本发明采用生成对抗网络，利用检测器和生成器进行博弈，生成器生成假的数据，总是想欺骗检测器；检测器分辨输入数据的真假，阻止生成器的欺骗检，本发明设计了生成轨迹图像的方法，生成的数据可训练检测烟火的网络模型，提高网络分辨能力；测器不但分辨数据来源，还要检测数据中是否包含烟火，分辨数据来源的任务需要抽取数据中多种精细特征以辩别不同来源数据间的区别，来提高检测器灵敏度和准确性。

技术领域

本发明涉及烟雾识别技术领域，具体涉及一种基于时间轨迹特性的火灾烟雾检测方法。

背景技术

火灾预警一直是消防安全领域的重要课题。火灾发生前期通常会产生大量烟雾。如果能够及时地检测到烟雾，就可以提供更早的火灾预警，减少人员伤亡和财产损失。传统的烟雾检测方法通常基于颜色、纹理、形状、运动等特征，取得了一定的成果，但在实际应用中仍然存在问题，往往在某些场合有效，而换了应用场景效果欠佳。这主要在于烟雾的静态特征如颜色、纹理等受天气、光照、时间等影响变化范围太大，而动态特征如背景建模或者帧间差分通常基于阈值，阈值对检测结果影响较大。

近些年来，深度神经网络在人脸识别、图像分类等方面取得了突破性进展。深度神经网络以原始图像作为输入，通过组合浅层特征形成更加抽象的高层特征，可以发现数据深层次的分布式特征，避免人工提取特征工作的繁复冗杂。但是由于火灾的特殊性，研究缺乏数据，因此火灾预警中的技术难以突破。

发明内容

为解决上述问题，本发明提供了基于时间压缩轨迹特征识别的火灾烟雾检测方法，采用循环神经网络抽取时间上关联关系，采用分块的方式提高分辨能力，采用弱监督的训练方式，能准确、迅速地检测烟雾并发出火灾预警。

本发明通过以下技术方案予以实现：

第一方面，本发明公开一种基于对抗生成的烟火检测模型的生成方法，所述方法采用生成对抗的方法生成对抗网络，利用检测器和生成器进行博弈游戏，其中生成器生成假的数据，总是想意图欺骗检测器；检测器竭力分辨输入数据的真假，阻止生成器的欺骗检。

更进一步的，对于真实数据x～p_data(X)，检测器最大化logD(x)；对于生成数据z～p_z(Z)，检测器最小化log{D[G(x)]},也就是最大化训练的过程优化如下式，获取能高精度分辨输入数据的模型参数：

式中D是检测器Discriminator，G是生成器Generator。

更进一步的，所述检测器从随机隐变量空间中采样100个随机数生成烟、火前景、遮罩和背景的时间序列，采用3D deconvolution，能够同时提取时序和空间的信息。

更进一步的，所述检测器生成的背景包括静态背景和天气、光照及混乱干扰，生成器生成的烟、火前景用Simulia XFlow生成烟、火时间序列替代，背景采用真实的背景时间序列替代。

更进一步的，所述检测器采用三阶段的模型，在第一阶段，检测块中的烟雾特征；在第二阶段，采用循环神经网络抽取动态的时间特征；第三阶段，采用循环神经网络综合多个像素块的运动，判断场景中是否发生了烟雾。

更进一步的，所述检测器中的输出有两个头分别为判断输入数据类型和判断输入视频中是否包含有烟、火。