[发明专利]一种基于CenterNet的实时吸烟检测方法及装置

说明书

本发明涉及目标检测和图像分类领域，具体提供了一种基于CenterNet的实时吸烟检测方法，首先采集包含吸烟行为的视频图像，制作样本数据集，根据所述数据集训练香烟检测模型；对待检测场景进行检测，分别提取人脸和人手区域，送入后续设计的分类器网络中，综合两区域输出得到吸烟行为识别判断结果。与现有技术相比，本发明中使用无锚框的目标检测模型CenterNet对吸烟行为进行识别和定位，通过利用其网络结构的设计和更换调整更轻量化的骨干网络，有效减轻了小目标检测效果差，特征难以提取等问题。

技术领域

本发明涉及目标检测和图像分类领域，具体提供一种基于CenterNet的实时吸烟检测方法及装置。

背景技术

众所周知，吸烟有害健康，如果在某些公共场所吸烟,损害的就不仅仅是个人健康，而是公共消防安全。为了保障消防安全，很多公共场所，例如商市场、影剧院等人员密集场所、公共交通工具、加油站等都会有禁止吸烟标志，但仍存在监管不力、监管为不到位的情况。通过计算机视觉目标检测模型在视频监控上的应用，可实现在禁烟场合对吸烟行为的实时监管防控，维护消防安全。

目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测就成为了近年来理论和应用领域的热点。得益于深度学习的广泛运用，目标检测算法得到了较为快速的发展，在工业上有广泛的落地和应用，上到卫星遥感，下到自动驾驶。同时目标检测又是计算机视觉最古老和基础性的算法，对其他视觉方向领域，包括人脸识别、实例分割、姿态估计等任务起着至关重要的作用。

出于以上两点的考虑，基于深度学习的目标检测模型被自然而然地应用到了吸烟行为检测的场景上，但是在实际使用的场景中仍存在一些问题。首先，常见的目标检测模型针对小目标检测效果不理想，而检测精度高的模型在检测速度上有待提高。小目标描述的是目标面积小于32×32像素的物体，由于小目标分辨率较低，抗干扰能力较弱，图像在拍摄过程中更容易出现模糊等现象。而且小目标本身尺寸较小，携带的信息较少，因此在特征提取的过程中，能提取到的特征非常少。其次，当模型训练完成之后，虽然在验证集上能达到不错的mAP指标，但是在实际使用时发现模型错判现象颇为严重。例如许多与香烟形状类似的物品会被错判为香烟。在真实的视频监控场景中，真正吸烟的场景可能不是频繁出现，一天大约只有数人，如果误判率不能降到很低的水平的话，每天可能会产生频繁的虚报，导致方案无法正常使用。

发明内容

本发明是针对上述现有技术的不足，提供一种实用性强的基于CenterNet的实时吸烟检测方法。

本发明进一步的技术任务是提供一种设计合理，安全适用的基于CenterNet的实时吸烟检测装置。

本发明解决其技术问题所采用的技术方案是：

一种基于CenterNet的实时吸烟检测方法，首先采集包含吸烟行为的视频图像，制作样本数据集，根据所述数据集训练香烟检测模型；

对待检测场景进行检测，分别提取人脸和人手区域，送入后续设计的分类器网络中，综合两区域输出得到吸烟行为识别判断结果。

进一步的，采集包括吸烟行为的视频图像中，通过截取下载视频或视频流中的图像帧、拍摄自定义图像、通过爬取包含吸烟行为的图像或检索网上吸烟检测的开源数据集进行采集。

进一步的，所述的香烟检测模型为CenterNet检测模型，将图像预处理并将尺寸固定为512×512大小；

首先经过一个步长为2的7×7卷积和步长为2的残差单元，将图片的宽高压缩为原来的1/4，之后经过第一个沙漏模块，经过下采样和上采样之后，完成一次特征提取和精炼。

进一步的，经过一个连接结构，第二个沙漏模块与所述第一个沙漏模块相连，在下采样和上采样模块中，选择对ResNet增添上采样模块，变成U型的网络结构，沙漏模块前后特征图尺寸不变；