一种基于深度学习特征融合的视频火焰检测方法

技术领域

本发明涉及图像识别与计算机视觉技术领域，具体来说，涉及一种基于深度学习特征融合的视频火焰检测方法。

背景技术

常言道，火灾猛如虎。火灾不光会危害生命安全，造成经济损失，更严重地，还会破坏文明成果，影响社会稳定以及破坏生态环境。根据应急管理部消防救援局发布的数据，在2020年，中国共发生火灾25.2万起，死亡1183人，受伤775人，直接财产损失40.09亿元。因此，及时检测火灾的发生，做到及时预警，对减少火灾造成的损失有着重要意义。

传统的火灾检测技术大多依赖于红外火焰探测器，但红外火焰探测器大多只适用于含碳材料的明火燃烧，不适用于某些化学物质的燃烧探测。并且如果火灾现场烟雾遮挡，也会影响火焰探测器的灵敏度。除此之外，传感器需放在火焰附近使用，故对于开阔空间以及复杂场景，使用传感器难以确认火灾发生位置、火势发生等信息。不同于传统火焰传感器，基于视频的火焰检测，具有检测范围广，场景适用性多的特点，能准确检测到火焰的相关信息。目前，基于视频对火灾检测的方法主要基于火焰的颜色、纹理和形状特点。但是存在误报率高，受天气变化影响较大的缺点。

发明内容

本发明的目的在于提出一种基于深度学习特征融合的视频火焰检测方法，具有很强的检测精度和实时性，能满足不同应用场景的要求。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种基于深度学习特征融合的视频火焰检测方法，所述方法包括以下步骤：

1)构建火焰识别数据集N，训练数据集T，验证数据集V，训练数据集T与验证数据集V之间的比例系数α，V∪T＝N，α∈(0,1)，火焰识别数据集图像的高，宽和通道数为h∈N

2)如表1所示训练MobileNetV2网络中高h，宽w和通道数r在MobileNetV2网络中的变换：

表1:MobileNetV2网络结构和各层输入输出

训练采用随机梯度下降，训练数据批次大小batchsize∈N

3)根据火焰像素颜色规律，筛选符合颜色规则的像素点，并生成掩膜矩阵，火焰像素颜色规则包括：

规则1：I

规则2:I

规则3:

规则4:

规则5:

规则6:

规则7:

规则8:

规则9:

其中，I

4)对步骤3)中得到的掩膜矩阵，进行两次开运算和闭运算，得到新的掩膜矩阵；

5)对步骤4)中得到的掩模矩阵，寻找符合火焰形状特征的轮廓，火焰轮廓的形状特征包括圆形度D

规则1:

规则2:

规则3:

其中：L代表轮廓的周长，S代表轮廓的面积，S

6)对符合条件的轮廓，获取其最小外接矩阵,裁剪得到相应图像块，将其调整成与MobileNetV2网络输入图像相同的大小，输入到训练完的MobileNetV2网络中，得到火焰发生的概率p，将概率与设定阈值Threshold相比较，判别该图像块是否为火焰。

本发明的有益效果：融合火焰颜色和形状特征，并使用轻量级深层卷积神经网络，能对视频流进行实时火焰检测。

附图说明

图1是本发明所述方法的流程图；

图2是火焰检测原图；

图3是本发明实施例步骤3后生成的掩膜矩阵；

图4是本发明实施例步骤3后生成的掩膜矩阵映射到原图的效果图；

图5是本发明实施例步骤4后生成的新的掩膜矩阵；

图6是本发明实施例步骤4后生成的新的掩膜矩阵映射到原图的效果图；

图7是未筛选前的轮廓图；

图8是经本发明实施例步骤5筛选后的轮廓图；

图9是火焰候选区域示意图；

图10是最终火焰检测图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

根据本发明实施例所述的一种基于深度学习的特征融合视频火焰检测方法，如图1所示，包括以下步骤：

步骤1：构建30k张火焰识别数据集N，包括10k张正样本和20k张负样本，每张图片尺寸为112×112×3。其中训练数据集T的数量为24k，验证数据集V

步骤2:火灾检测原图如图2所示。设定火焰像素点颜色规则阈值：τ

步骤3:对步骤2得到的掩膜矩阵，进行两次开运算和闭运算，如图4-5所示得到新的掩膜矩阵和映射到原图的结果。

步骤4:如图6-7所示，对步骤3得到的掩模矩阵，寻找符合火焰形状特征的轮廓。之后根据火焰形状特征进一步筛选轮廓，

步骤5:如图9所示，对符合条件的轮廓，获取其最小外接矩阵，从而在图像中得到火焰的候选区域。将所有候选区域依次送入MobileNetV2网络，输出各个候选区域发生火灾的概率，设置阈值p为0.7，当某个候选区的输出概率超过阈值时，如图10所示，认为该候区域发生火灾。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。