[发明专利]基于数字图像和卷积特征的火焰目标检测方法

摘要

由于基于图像特征的火焰检测模型泛化性不强，而深度神经网络模型对训练样本数量要求较高，本专利提出了一种基于数字图像和卷积特征的火焰目标检测方法，首先制作包含视频动态特征的数据集；然后将经典的Faster R‑CNN中VGG16的标准卷积替换为深度可分离卷积，并减少卷积层数；接着根据RPN产生的候选框从原图裁剪出256个图像块，对每个图像块提取LBP特征；再通过卷积缩减ROI池化层输出特征图尺寸以及全连接层神经元数量，进一步减少网络参数；最后将提取的LBP特征，数据集中的动态特征与池化后平铺的特征向量合并，送入全连接层进行分类和回归。本专利构建的火焰目标检测模型具有较高的检测精度，便于针对测试结果的不足进行改进，灵活性高。

主权项

1.基于数字图像和卷积特征的火焰目标检测方法，其特征是：它包括以下步骤：/n1)、将待检测视频分为若干视频块，每个视频块包含31帧图像，读取视频块数据并从每个视频块中提取动态特征：火焰面积变化特征，形状相似性特征和闪烁频率特征；/n2)、从视频块中随机抽取一张图像并对其进行图像规整化；/n3)、对规整化后的图像进行卷积产生特征图；/n4)、在卷积得到的特征图上采用Faster R-CNN的RPN网络生成256个候选区域，通过候选区域坐标从规整化图像裁剪出相应的图像块，对每个图像块提取LBP特征；/n5)、将各候选区域所对应的特征图ROI池化到固定的大小，再通过卷积降维并展平到固定维度的特征向量；/n6)、将网络分为两支，一支用来修正边框坐标，另一支对特征向量降维后合并动态特征和LBP特征，以softmax分类器进行火焰识别。/n