[发明专利]一种基于可变卷积核的烟雾明火检测算法

说明书

本发明提供一种基于可变卷积核的烟雾明火检测算法，包括以下步骤：步骤1：对采集的图像进行预处理和图片归一化处理，将图像通过图像灰度化和图像去噪，得到处理后的图像，并通过实施插值缩放将图像数据转化为与CNN兼容的形式；步骤2：通过提取烟雾颜色特征确定烟雾区域，并提取处理后图像内含有目标特征的区域；步骤3：将提取的目标特征区域图像数据进行扩大处理；步骤4：将处理后的图像数据通过CNN进行烟雾检测；本发明提高了算法的计算速度，避免了对烟雾目标检测时受到光照变化、视角变化以及自身的形变的影响，使卷积神经网络进行目标检测时，提高了检测效果。

技术领域

本发明涉及计算机视觉技术领域，具体为一种基于可变卷积核的烟雾明火检测算法。

背景技术

随着大数据时代的到来和深度学习等技术的快速发展，人们可以在强大的计算机算力的支持下，利用复杂的神经网络模型挖掘和提取海量数据中的关键信息。尤其在大规模的火灾监控中，成千上万的传感器每天会产生大量的数据，数据可能会存在火灾类别标记缺失或者类别标记太过笼统的问题，即含有效火灾类别标签的数据在总数据中占比较小，从而对于卷积神经网络(CNN)这种有监督的深度学习算法而言，处理这类数据可能就无法取得较为理想的效果。

烟雾目标在不同视角下的透视变换存在一定的差异性，导致在深度学习算法中，采用固定尺寸(长宽比)的卷积核进行火焰检测会存在当目标尺寸变化时，会融入背景信息，导致检测不准的问题。

烟雾目标检测的难点在于光照变化、视角变化以及自身的形变，在用卷积神经网络进行目标检测时，导致检测效果不理想，因此传统的烟雾目标检测方法存在不准确的缺陷。

发明内容

本发明要解决的技术问题是克服现有的缺陷，提供一种基于可变卷积核的烟雾明火检测算法，以解决上述技术背景中烟雾目标检测在于光照变化、视角变化以及自身的形变，在用卷积神经网络进行目标检测时，导致检测效果不理想的缺点。

为实现上述目的，本发明提供如下技术方案：一种基于可变卷积核的烟雾明火检测算法，包括以下步骤：

步骤1：对采集的图像进行预处理和图片归一化处理，将图像通过图像灰度化和图像去噪，得到处理后的图像，并通过实施插值缩放将图像数据转化为与 CNN兼容的形式；

步骤2：通过提取烟雾颜色特征确定烟雾区域，并提取处理后图像内含有目标特征的区域；

步骤3：将提取的目标特征区域图像数据进行扩大处理；

步骤4：将处理后的图像数据通过CNN进行烟雾检测。

优选的，所述步骤1中，对于一张彩色图像，将采集图像像素点的颜色由 (R,G,B)表示，通过浮点方法将其转化为灰度图，如公式(1)所示：

Gray＝R×0.3+G×0.59+B×0.11 (1)

通过公式(1)的方法求得Gray值，并将图像中所有的像素点均统一替换成 Gray，得到的灰度图。

优选的，所述步骤1中，通过均值滤波过滤图像中的噪音，保留原始图像信息；均值滤波及对于某一像素点用一片图像区域内的各个像素的均值代替，先定一个尺寸固定的核，内核中心对应图像像素点的值并通过将内核对应图像中所有像素点的均值替换，所示公式(2)表示均值滤波，公式(2)所示如下：

g(x,y)是使用均值滤波后的像素值，f(x,y)是其邻域像素点，m为该内核对应图像中包含当前像素点在内的像素的总个数。

优选的，所述步骤1中，图像数据还通过min-max归一化方法消除光照影响，其中归一化是逐像素点进行计算，如公式(3)所示：