[发明专利]基于深度学习的视频识别炮弹爆炸火光烟雾方法及系统

说明书

本发明提供基于深度学习的视频识别炮弹爆炸火光烟雾方法及系统，系统包括：搜索获取炮弹打击视频图像数据并提取得样本数据，以识别视频图像数据中的时间段数据及图像帧；分类标注样本数据，以得到火光样本数据及烟雾样本数据，据以生成分类样本集，以处理得到训练文件，获取并利用预训练模型及训练文件训练爆炸识别模型；利用darknet深度学习框架及yolov4算法，根据爆炸识别模型判断每帧图像中的火光是否同一，以得到火光识别结果，识别每帧图像中的烟雾，以得到烟雾识别结果；调整火光识别结果和烟雾识别结果的FPS、分辨率并推送至客户端。本发明解决现有技术存在的难以针对炮弹爆炸火光烟雾进行高精度快速识别的技术问题。

技术领域

本发明涉及一种计算机信息系统的目标检测领域，具体涉及基于深度学习的视频识别炮弹爆炸火光烟雾方法及系统。

背景技术

深度学习目标检测已经广泛应用于计算机视觉的研究，涵盖通用目标检测、特定领域目标检测，广泛应用于安全、医疗、交通等领域。目前随着网络带宽和GPU性能的提升，出现了越来越多的基于实时视频的目标检测。

现有目标检测技术多数是对不变形目标的检测，例如检测行人、车辆、故障件等，这些目标的形体变化不大，例如人体，只会存在姿态、大小、体型、肤色的不同，同样，多数目标与人体目标相同，变化的主要是姿态、颜色、尺寸，而火光和烟雾不仅存在以上变化，其还存在随着时间的变化，形状会变得异常夸张及不可预料。

公告号为CN109255375A的现有发明专利《基于深度学习的全景图像对象检测方法》法包括：S1输入测试图像；S2利用选择搜索算法在图像中提取2000个左右的候选区域；S3将每个候选区域缩放成固定的特征并传入CNN，经过运算输出CNN特征(warp)成227×227的大小并输入到CNN，将CNN的fc7层的输出作为特征；S4将每个候选区域提取到的CNN特征输入到SVM分类器进行分类。该现有专利采用SVM分类器对提取到的CNN特征进行分类，未公开本申请采用的具体图像识别及评估逻辑，同时采用的模型也不同于本申请使用的网络模型，该现有专利与本申请存在显著区别，同时该现有专利涉及的技术方案主要解决传统技术中空间信息丢失以及定位不准的技术问题，与本申请的应用场景及解决的技术问题不同。公告号为CN109272060A的现有发明专利《一种基于改进的darknet神经网络进行目标检测的方法和系统》采用固定相机连续获取训练样本图像，并对训练样本中的检测目标进行边框和类别的标注；通过旋转角度、调整饱和度、调整曝光量、调整色调来生成更多训练样本；基于改进的darknet神经网络构造图像检测模型；利用上述检测模型训练样本图像，并设置检测模型训练时的学习率及迭代次数，输出指定通道数的像素特征图片；每迭代一定次数保存相应的检测模型，直到指定迭代次数终止，并利用最终的检测模型进行相关图像目标检测。该现有专利主要应用场景及解决的问题为针对细微物体图像识别，解决传统识别技术中遮挡漏检的缺陷，可知，该现有专利的应用场景及解决的技术问题与本申请存在显著区别。公告号为CN112150512A的现有发明专利一种融合背景差分法和聚类法的弹着点定位方法，提取所有爆炸共有的特征，即炮弹着地后，爆炸范围会在短时间内逐渐扩大，使用背景差分法获得爆炸的区域大小信息，使用聚类算法提取并分析爆炸区域的信息，该现有专利融合了背景差分法和聚类算法的优点，对获取到的运行目标进行数据处理和分析。该现有专利未采用本申请的概率值判断、约定范围判断、连续帧判断、关键帧提取等的技术方案，该现有专利与本申请存在显著区别，同时，该现有专利解决问题偏重弹着点定位，而本申请主要解决对爆炸烟雾和火光的识别，该现有专利与本申请的解决的技术问题不同，应用场景也存在区别，无法产生本申请的技术效果。综上可知，现有技术中缺乏对炮弹爆炸产生的火光及烟雾进行识别的目标检测技术。同时对目标的识别，尤其针对快速变化的目标的检测精度较低，识别率受有制约。

综上，现有技术存在难以针对炮弹爆炸火光烟雾进行高精度快速识别的技术问题。

发明内容

本发明所要解决的技术问题在于如何解决现有技术存在的难以针对炮弹爆炸火光烟雾进行高精度快速识别的技术问题。