一种基于混合高斯模型和卷积神经网络的危险品识别预警方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于混合高斯模型和卷积神经网络的危险品识别预警方法，通过深度学习的目标检测技术来对一些特定场所进行监测。

背景技术

一些特定的公共场合，可能会发生各种安全事故，例如恐怖袭击，或者造成起火等安全事故。虽然目前在大城市中监控摄像头较多，但是监控摄像头一般只能在案发后进行刑事追责，而很难能够起到及时报警的作用。因此如今对于在一些重要的场所并没有能够自动发现安全事故并报警的装置。

对于特殊场所所发生的安全事故需要进行预先目标检测，主要是定位人手上是否持有杀伤性武器以及是否有火焰的出现；因此，需要目标检测算法和物种分类算法对危险物进行检测；目前，开源和应用的目标算法和物种分类算法都属于深度学习领域。通过设计目标检测，并进行物种分类，从而达到自己的目的。对于目标检测，有卷积神经网络的多种方法，例如，YOLO系列，该方法将图像分为若干单元格，然后再分别进行目标检测识别，该方法有着速度快的特性，但是精确度稍微不如其他系列，并且不能很好的识别较小物体和一个框内较多的物体。还有R-CNN系列，该算法通过选择性搜索一些可能包含对象的候选区域，随后将候选区域输入卷积神经网络模型中，来提取特征，该网络准确度相对较高，但是因为产生了过多的候选网络，参数量以及计算量巨大，并不是很适合移植在一些小型的系统中。因此，我们需要一种精确度高、计算量小的基于混合高斯模型和卷积神经网络的危险品识别预警方法。

发明内容

针对上述技术中存在的不足之处，本发明提供一种基于混合高斯模型和卷积神经网络的危险品识别预警方法，采用将混合高斯模型算法和深度学习的卷积神经网络结合起来，将两算法一并移植到嵌入式系统中；首先通过混合高斯模型(GMM)将输入图像的像素和背景模型进行对比；和背景模型相似性比较高的点视为背景，而与背景模型相似性比较低的点视为前景，并且通过图像处理的方法将前景提取出来，随后将所提取的前景图像传输至卷积神经网络模块，将在PC端训练好的卷积神经网络移植在嵌入式装置。从而能识别出刀，枪各种对人身有危害的工具，并且也能识别出火焰。从而保障特殊场所的人身安全，有着监测速度较快，检测精度高，小型化的优点。

为实现上述目的，本发明提供一种基于混合高斯模型和卷积神经网络的危险品识别预警方法，包括以下步骤：S1：获取应用场所静态视频，建立并初始化高斯模型参数；S2：对高斯模型进行训练并保存所述高斯模型的各个参数；S3：获取应用场所实时图像，对实时图像进行参数分析，然后与S2步骤中保存的参数进行对比，并将实时图像分为前景和背景；S4：将前景从原图像中单独分离得到前景图片，并进行保存；S5：建立卷积神经网络，并构建含有危险元素物品的数据集，并对卷积神经网络进行训练；S6：所述卷积神经网络对S5步骤中的前景图片进行特征提取，并对特征进行分类；S7：将已经分类的特征与数据集进行对比，若比对成功，则发送报警指令；若比对不成功则导入下一帧图像，并重复S3-S7步骤。

采用将混合高斯模型算法和深度学习的卷积神经网络结合起来，将两算法一并移植到嵌入式系统中；首先通过混合高斯模型(GMM)将输入图像的像素和背景模型进行对比。和背景模型相似性比较高的点视为背景，而与背景模型相似性比较低的点视为前景，并且通过图像处理的方法将前景提取出来，随后将所提取的前景图像传输至卷积神经网络模块，将在PC端训练好的卷积神经网络移植在嵌入式装置。从而能识别出刀，枪各种对人身有危害的工具，并且也能识别出火焰。从而保障特殊场所的人身安全，有着监测速度较快，检测精度高，小型化的优点。

优选的，在步骤S1中，初始化高斯模型参数包括将其均值、方差、权值等参数都设为0。

优选的，在步骤S1中，将应用场所静态视频中只有静态背景的画面设为第一帧，对第一帧画面中每一个像素点都设置一个混合高斯模型，并将其均值、方差、权值均设置为1。

优选的，步骤2包括以下步骤：S21：设定视频中T帧数为训练帧数，在训练过程中有帧数图像传来，首先判断是否为第一帧；S22：若不是第一帧，则将每个像素都与第一帧的高斯模型的均值进行比较，并判断均值差是否在三倍方差以内；S23：若在三倍方差内，则认定是背景，并不进行参数更新；若均值差在三倍之外，则对均值、方差、权值进行更新。

优选的，对接收到的每一帧图像重复S31-S33步骤操作，当达到所述设定的T帧图像时，停止重复操作，并保存最终的参数。

优选的，步骤S3包括以下步骤：S31：将实时图像的每个像素点的值都与S2中的每一个高斯模型的均值进行比较，并判断差值是否在两倍方差之间；S32：若在两倍方差之间，则认为该像素点是背景；若不在两倍的方差之间，则认为该像素点是前景。

优选的，步骤S4包括对所得的前景像素点进行二值处理并形态学处理，获得一个消去噪声的前景二值图，并且得到前景二值图的前景在原画中的位置，并且在原画中将各个前景剪出来。

优选的，步骤S5中还包括建立一个基于网络结构VGG19的卷积神经网络对混合高斯模型算法所得前景图片提取特征，并在后面加上softmax分类器，用于对提取的特征进行分类。

优选的，步骤S5中的训练步骤包括以下步骤：S51：初次设定各个超参数，并且设定所需训练的epoch次数，一次epoch即为遍历整个训练集；S52：设定损失函数loss为batch个输入图像进行卷积网络提取特征并分类所得结果与数据集本身果差值的平方。并用该损失函数loss对各个网络参数进行梯度下降更新；S53：经过多个epoch训练，查看所得损失函数loss是否有下降和收敛趋势，如果没有收敛和下降趋势，则返回S51，重新设定超参数，如果逐渐收敛则接近收敛时候停止训练。

优选的，步骤S5中建立的数据集中，危险元素包括刀、枪、火焰。

本发明的有益效果是：与现有技术相比，本发明提供一种基于混合高斯模型和卷积神经网络的危险品识别预警方法，包括以下步骤：S1：获取应用场所静态视频，建立并初始化高斯模型参数；S2：对高斯模型进行训练并保存所述高斯模型的各个参数；S3：获取应用场所实时图像，对实时图像进行参数分析，然后与S2步骤中保存的参数进行对比，并将实时图像分为前景和背景；S4：将前景从原图像中单独分离得到前景图片，并进行保存；S5：建立卷积神经网络，并构建含有危险元素物品的数据集，并对卷积神经网络进行训练；S6：所述卷积神经网络对S5步骤中的前景图片进行特征提取，并对特征进行分类；S7：将已经分类的特征与数据集进行对比，若比对成功，则发送报警指令；若比对不成功则导入下一帧图像，并重复S3-S7步骤。采用将混合高斯模型算法和深度学习的卷积神经网络结合起来，将两算法一并移植到嵌入式系统中；首先通过混合高斯模型(GMM)将输入图像的像素和背景模型进行对比。和背景模型相似性比较高的点视为背景，而与背景模型相似性比较低的点视为前景，并且通过图像处理的方法将前景提取出来，随后将所提取的前景图像传输至卷积神经网络模块，将在PC端训练好的卷积神经网络移植在嵌入式装置。从而能识别出刀，枪各种对人身有危害的工具，并且也能识别出火焰。从而保障特殊场所的人身安全，有着监测速度较快，检测精度高，小型化的优点。

附图说明

图1为本申请的主要方法流程图；

图2为本申请的混合高斯模型训练流程图。

图3为本申请的卷积网络训练流程图。

具体实施方式

为了更清楚地表述本发明，下面结合附图对本发明作进一步地描述。

请参阅图1至图3，本发明公开了一种基于混合高斯模型和卷积神经网络的危险品识别预警方法，包括以下步骤：S1：获取应用场所静态视频，建立并初始化高斯模型参数；S2：对高斯模型进行训练并保存高斯模型的各个参数；S3：获取应用场所实时图像，对实时图像进行参数分析，然后与S2步骤中保存的参数进行对比，并将实时图像分为前景和背景；S4：将前景从原图像中单独分离得到前景图片，并进行保存；S5：建立卷积神经网络，并构建含有危险元素物品的数据集，并对卷积神经网络进行训练；S6：卷积神经网络对S5步骤中的前景图片进行特征提取，并对特征进行分类；S7：将已经分类的特征与数据集进行对比，若比对成功，则发送报警指令；若比对不成功则导入下一帧图像，并重复S3-S7步骤。

采用将混合高斯模型算法和深度学习的卷积神经网络结合起来，将两算法一并移植到嵌入式系统中；首先通过混合高斯模型(GMM)将输入图像的像素和背景模型进行对比。和背景模型相似性比较高的点视为背景，而与背景模型相似性比较低的点视为前景，并且通过图像处理的方法将前景提取出来，随后将所提取的前景图像传输至卷积神经网络模块，将在PC端训练好的卷积神经网络移植在嵌入式装置。从而能识别出刀，枪各种对人身有危害的工具，并且也能识别出火焰。从而保障特殊场所的人身安全，有着监测速度较快，检测精度高，小型化的优点。混合高斯模型并不是采用卷积神经网络模型，而是采用3到5个高斯模型来表达各个像素点的特征。并且将当前图像的每个像素点与高斯模型进行匹配，从而判断是否与背景不一样的像素点。从而能够更好的提取出运动目标，使其准确率更高；卷积神经网络来提取特征，并用svm(支持向量机)进行分类，从而判定运动目标是否带有危害人身安全的物品。

本实施例在步骤S1中，初始化高斯模型参数包括将其均值、方差、权值等参数都设为0。本实施例在步骤S1中，将应用场所静态视频中只有静态背景的画面设为第一帧，对第一帧画面中每一个像素点都设置一个混合高斯模型，并将其均值、方差、权值均设置为1。本实施例的步骤2包括以下步骤：S21：设定视频中T帧数为训练帧数，在训练过程中有帧数图像传来，首先判断是否为第一帧；S22：若不是第一帧，则将每个像素都与第一帧的高斯模型的均值进行比较，并判断均值差是否在三倍方差以内；S23：若在三倍方差内，则认定是背景，并不进行参数更新；若均值差在三倍之外，则对均值、方差、权值进行更新。本实施例对接收到的每一帧图像重复S31-S33步骤操作，当达到设定的T帧图像时，停止重复操作，并保存最终的参数。

本实施例的步骤S3包括以下步骤：S31：将实时图像的每个像素点的值都与S2中的每一个高斯模型的均值进行比较，并判断差值是否在两倍方差之间；S32：若在两倍方差之间，则认为该像素点是背景；若不在两倍的方差之间，则认为该像素点是前景。本实施例的步骤S4包括对所得的前景像素点进行二值处理并形态学处理，获得一个消去噪声的前景二值图，并且得到前景二值图的前景在原画中的位置，并且在原画中将各个前景剪出来。本实施例的步骤S5中还包括建立一个基于网络结构VGG19的卷积神经网络对混合高斯模型算法所得前景图片提取特征，并在后面加上softmax分类器，用于对提取的特征进行分类。

本实施例的步骤S5中的训练步骤包括以下步骤：S51：初次设定各个超参数，并且设定所需训练的epoch次数，一次epoch即为遍历整个训练集；S52：设定损失函数loss为batch个输入图像进行卷积网络提取特征并分类所得结果与数据集本身果差值的平方。并用该损失函数loss对各个网络参数进行梯度下降更新；S53：经过多个epoch训练，查看所得损失函数loss是否有下降和收敛趋势，如果没有收敛和下降趋势，则返回S51，重新设定超参数，如果逐渐收敛则接近收敛时候停止训练。本实施例的步骤S5中建立的数据集中，危险元素包括刀、枪、火焰。

以上公开的仅为本发明的几个具体实施例，但是本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。