[发明专利]一种基于时空域双通道火灾视频烟雾识别方法

说明书

本发明提出了一种基于时空域双通道火灾视频烟雾识别方法，其步骤为：收集并制作含有云、雾干扰的烟雾数据集；搭建静态特征提取网络和动态特征提取网络，将静态特征提取网络和动态特征提取网络融合连接，构建视频烟雾识别网络模型；利用烟雾数据集对视频烟雾识别网络模型进行训练，得到优化后的视频烟雾识别网络模型；利用优化后的网络模型对实时采集的烟雾视频进行处理，静态特征提取网络提取图像在空间域上的静态特征，动态特征提取网络提取视频在时间域上的动态特征，将静态特征和动态特征进行融合生成烟雾特征，对烟雾特征进行识别判断是否存在烟雾。本发明具有更高的准确率和召回率，更低的误报率，能够对烟雾进行实时有效地识别和预警。

技术领域

本发明涉及烟雾识别的技术领域，尤其涉及一种基于时空域双通道火灾视频烟雾识别方法。

背景技术

现有基于传统物理传感器式的烟雾探测装置由于其成本低、安装简单而被广泛使用。只需要将其安装在固定位置，基本上就能满足对烟雾检测的标准要求。但是，这类探测装置也具有一定的局限性：一方面它们必须安装在火源附近，警报的触发需要足够的烟雾浓度或空气温度，这将大大影响烟雾探测的实时性。另一方面，由于探测器终年与灰尘和烟雾直接接触，恶劣的环境导致传感器极易发生故障，失去检测效果。因此，基于物理传感器式的烟雾检测方法很难满足当今工业流程和烟雾安全预警的要求，迫切需要一种更高性能、更高准确率的烟雾检测方法。

基于传统图像处理的烟雾检测算法克服了物理传感器式方法的不足。首先，利用视频监控装置获取场景中的烟雾视频；然后通过人工设计算法提取视频图像中烟雾的色彩、纹理、形状等特征；最后训练烟雾分类器，从而识别烟雾并进行预警。Appana等人将烟雾图像由RGB色彩空间转换为HSV色彩空间，并对其饱和度和亮度进行了阈值化处理，实现了烟雾区域的分割。Peng等人通过提取图像中运动区域的最小外接矩形作为烟雾的形状特征，从而实现了烟雾检测。但是，此类方法需要花费大量的时间和精力在特征提取和特征选择上，增加了算法的复杂性。同时，由于烟雾多变的特点也导致该类检测算法有着很高的误报率。

火灾初期的烟雾检测在火灾预警中起着重要的作用。近年来，基于卷积神经网络(CNN)的视频烟雾识别算法已被广泛提出并应用在工业的各个领域。但是，由于烟雾多变的特性，该类算法仍然面临着准确率低、鲁棒性差以及数据集不足等问题。