[发明专利]一种基于深度学习的火焰识别方法

说明书

一种基于深度学习的火焰识别方法，涉及图像识别技术领域，针对现有技术极易将轻微运动的背景误检为运动目标和某些情况下会将不动的背景误检为运动目标，进而导致火焰识别准确率低的问题，本申请将运动目标检测和图像分类网络相结合，使用运动目标检测筛选出运动目标，然后使用图像分类网络判别该运动目标是否为火焰，能准确高效的检测到视频中的火焰，提高了火焰识别的准确性。并且本申请对ViBe算法进行了改进，使得改进后的ViBe算法针对运功目标的筛选更准确。

技术领域

本发明涉及图像识别技术领域，具体为一种基于深度学习的火焰识别方法。

背景技术

近些年来，随着边缘计算技术、数字通信技术、计算机技术、数字图像处理技术获得了广泛的应用。如何通过视频图像自动快速高效的发现火灾，预防火灾成为重点研究的问题。

现有技术中公开了通过对图像序列中运动目标进行识别的方式，进而对火焰进行识别的方法，但该方法极易将轻微运动的背景误检为运动目标和某些情况下会将不动的背景误检为运动目标，进而导致火焰识别准确率低。

发明内容

本发明的目的是：针对现有技术极易将轻微运动的背景误检为运动目标和某些情况下会将不动的背景误检为运动目标，进而导致火焰识别准确率低的问题，提出一种基于深度学习的火焰识别方法。

本发明为了解决上述技术问题采取的技术方案是：

一种基于深度学习的火焰识别方法，包括以下步骤：

步骤一：获取图像序列；

步骤二：利用ViBe算法图像序列进行处理，具体步骤为：

步骤二一：利用图像序列第一帧图像初始化背景模型，并利用初始化后的背景模型对后续的图像序列进行前景目标分割；

步骤二二：计算前景目标包含的像素数目，并根据像素数目由大到小进行排序；

步骤二三：选取排序第一的像素数目count_max对应的前景目标作为运动目标Tatget，并获取该前景目标的最大宽度T_D以及它与其他前景目标的距离D_i，即它与其他连通域的距离；

步骤二四：设定阈值T_count为1/10count_max，按排序对所有前景目标进行筛选，具体过程为：

若前景目标包含像素数小于阈值T_count，且该前景目标与运动目标Tatget的距离大于最大前景目标宽度T_D，则将其记为背景目标，对其进行滤除操作，否则将该目标记为运动目标；

步骤二五：根据时间采样因子更新背景模型；

步骤三：利用分类网络对运动目标进行火焰识别。

进一步的，所述分类网络为GoogleNet网络。

进一步的，所述GoogleNet网络为改进的GoogleNet网络，所述GoogleNet网络的改进步骤具体为：

首先将ReLU激活函数替换为PReLU激活函数，最后将注意力机制引入GoogleNet网络的Inception模块。

进一步的，所述步骤二五之前还包括重影检测步骤，重影检测具体为：

对步骤二四得到的运动目标进行重影检测，若出现重影，则通过调整时间采样因子消除重影。

进一步的，所述通过调整时间采样因子消除重影具体为：