基于卷积神经网络的火焰检测方法及装置制造方法及图纸

本发明专利技术提供了基于卷积神经网络的火焰检测方法，该方法包括：选取标签的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的模型；提取彩色的场景图像中的疑似火焰点，将疑似火焰点作为前景点，获取二值图像；采用连通区域法对二值图像进行连通区域处理，获取一系列的连通区域；对连通区域进行筛选，获取候选区域；利用训练好的模型对候选区域进行识别，输出识别结果。与现有的火焰检测技术相比，本发明专利技术的火焰检测准确率高，且鲁棒性较好。

【技术实现步骤摘要】

本专利技术涉及图像处理、视频监控以及消防，特别涉及火焰检测方法及装置。
技术介绍
火灾是一种常见的频发灾害，严重地威胁了国家财产和人民群众的安全。为有效及时地预警火灾的发生，避免火灾蔓延，引入一种高效的火焰检测方法具有极强的现实和经济意义。由于火焰本身蕴含着复杂多变的静态特征和动态特征，如何准确描述火焰特征，使其能在复杂场景下有效区分火焰和非火焰一直是火焰检测领域的难点和核心问题。现有的火焰检测主要是围绕火焰特征，包括火焰静态特征和动态特征，并在特征基础上引入相关概率和分类模型进行火焰检测。火焰静态特征主要包括颜色和轮廓等。颜色特征主要基于RGB、YCbCr等颜色空间，检测速度快，但对于与火焰颜色接近的目标无法正确区分。轮廓特征主要描述了火焰的面积、周长、形状等轮廓信息，但由于火焰轮廓存在不确定性和多样性，无法从轮廓上准确刻画出火焰域非火焰的区分性。火焰动态特征目前只是单纯刻画火焰的局部或全局的一种频率变化，但对于闪烁灯光、抖动的红旗等无法区分。综上所述，目前迫切需要提出一种快速且检测准确率高的火焰检测方法及装置。
技术实现思路
有鉴于此，本专利技术的主要目的在于实现火焰的快速检测，且检测准确率高。为达到上述目的，按照本专利技术的第一个方面，提供了一种基于卷积神经网络的火焰检测方法，该方法包括：第一步骤，选取标签的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的模型；第二步骤，提取彩色的场景图像中的疑似火焰点，将疑似火焰点作为前景点，获取二值图像；第三步骤，采用连通区域法对二值图像进行连通区域处理，获取一系列的连通区域；第四步骤，对连通区域进行筛选，获取候选区域；及第五步骤，利用训练好的模型对候选区域进行识别，输出识别结果。所述第一步骤进一步包括：样本选取步骤，选取Th_fire个标签的灰度火焰图像作为正样本图像，选取Th_nfire个标签的灰度非火焰图像作为负样本图像；初步训练步骤，利用卷积神经网络对正样本图像和负样本图像进行特征训练，获得初步训练的模型；二次训练步骤，选取Th_Test个无标签的灰度图像，根据初步训练的模型对无标签的灰度图像进行反复训练，直至模型收敛，该收敛的模型即为训练好的模型。所述初步训练步骤中卷积神经网络包括：Th_Conc个卷积层、Th_Pool个池化层、Th_Full个全连接层。所述第i个卷积层包括Th_CKi个卷积核，卷积核的大小为CKSi*CKSi、步长为Th_CSi，i＝1，2，…，Th_Conc；第j个池化层的核的大小为PKSj*PKSj、步长为Th_PSj，j＝1，2，…，Th_Pool；所述全连接层的最后一层全连接层输出的神经元的数量为2。所述二次训练步骤包括：训练特征提取步骤，根据初步训练的模型提取Th_Test个无标签的灰度图像的特征；训练分类判定步骤，分别计算该无标签的灰度图像的特征与火焰类别的相似度Simi1、非火焰类别特征的相似度Simi2，若Simi1＞Simi2，则判定为火焰类别，否则判定为非火焰类别；反复训练步骤，计算判定结果与真实结果的误差，利用反向传播算法来训练模型，重复训练特征提取步骤和训练分类判定步骤，直至该模型收敛，收敛的模型即为训练好的模型。所述第二步骤进一步包括：RGB颜色空间判定步骤，统计场景图像中像素点(x,y)的R分量值R(x,y)、G分量值G(x，y)、B分量值B(x，y)，若同时满足和则将该像素点标记为保留点，否则将该像素点标记为背景点，并将该像素点的各分量值都设为0；HIS颜色空间判定步骤，将场景图像转换到HIS颜色空间，统计场景图像中保留点的(x,y)的H分量值H(x,y)、S分量值S(x,y)、I分量值I(x,y)，若同时满足0≤H(x,y)≤λ4、λ5≤S(x,y)≤1以及λ6≤I(x,y)≤255，则认为该保留点为疑似火焰点，并将疑似火焰点标记为前景点，否则将该像素点标记为背景点，并将该像素点的各分量值都设为0。所述第四步骤进一步包括：计算每一个连通区域的面积，若连通区域的面积小于Th_CR，则将该连通区域内的所有前景点设为背景点，否则将该连通区域标记为候选区域。所述第五步骤进一步包括：检测特征提取步骤，根据训练好的模型提取候选区域的特征；检测分类判定步骤，分别计算该候选区域的特征与火焰类别的相似度Simi1、非火焰类别特征的相似度Simi2，若Simi1＞Simi2，则判定为火焰类别，否则判定为非火焰类别，输出判定结果。按照本专利技术的另一个方面，提供了一种基于卷积神经网络的火焰检测装置，该装置包括：火焰识别模型训练模块，用于选取标签的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的模型；二值图像获取模块，用于提取彩色的场景图像中的疑似火焰点，将疑似火焰点作为前景点，获取二值图像；连通区域获取模块，用于采用连通区域法对二值图像进行连通区域处理，获取一系列的连通区域；候选区域获取模块，用于对连通区域进行筛选，获取候选区域；及候选区域识别模块，用于利用训练好的模型对候选区域进行识别，输出识别结果。所述火焰识别模型训练模块进一步包括：样本选取模块，用于选取Th_fire个标签的灰度火焰图像作为正样本图像，选取Th_nfire个标签的灰度非火焰图像作为负样本图像；初步训练模块，用于利用卷积神经网络对正样本图像和负样本图像进行特征训练，获得初步训练的模型；二次训练模块，用于选取Th_Test个无标签的灰度图像，根据初步训练的模型对无标签的灰度图像进行反复训练，直至模型收敛，该收敛的模型即为训练好的模型。所述初步训练模块中卷积神经网络包括：Th_Conc个卷积层、Th_Pool个池化层、Th_Full个全连接层。所述第i个卷积层包括Th_CKi个卷积核，卷积核的大小为CKSi*CKSi、步长为Th_CSi，i＝1，2，…，Th_Conc；第j个池化层的核的大小为PKSj*PKSj、步长为Th_PSj，j＝1，2，…，Th_Pool；所述全连接层的最后一层全连接层输出的神经元的数量为2。所述二次训练模块进一步包括：训练特征提取模块，用于根据初步训练的模型提取Th_Test个无标签的灰度图像的特征；训练分类判定模块，用于分别计算该无标签的灰度图像的特征与火焰类别的相似度Simi1、非火焰类别特征的相似度Simi2，若Simi1＞Simi2，则判定为火焰类别，否则判定为非火焰类别；反复训练模块，用于计算判定结果与真实结果的误差，利用反向传播算法来训练模型，重复训练特征提取模块和训练分类判定模块，直至该模型收敛，收敛的模型即为训练好的模型。所述二值图像获取模块进一步包括：RGB颜色空间判定模块，用于统计场景图像中像素点(x,y)的R分量值R(x,y)、G分量值G(x,y)、B分量值B(x,y)，若同时满足和则将该像素点标记为保留点，否则将该像素点标记为背景点，并将该像素点的各分量值都设为0；HIS颜色空间判定模块，用于将场景图像转换到HIS颜色空间，统计场景图像中保留点的(x,y)的H分量值H(x,y)、S分量值S(x,y)、I分量值I(x,y)，若同时满足0≤H(x,y)≤λ4、λ5≤S(x,y)≤1以及λ6≤I(x,y)≤255，则认为该保留点为疑似火焰点，并将疑似火焰点标记为前景点，否则将该像素点标记为背景本文档来自技高网...

【技术保护点】
基于卷积神经网络的火焰检测方法，其特征在于，该方法包括：第一步骤，选取标签的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的模型；第二步骤，提取彩色的场景图像中的疑似火焰点，将疑似火焰点作为前景点，获取二值图像；第三步骤，采用连通区域法对二值图像进行连通区域处理，获取一系列的连通区域；第四步骤，对连通区域进行筛选，获取候选区域；及第五步骤，利用训练好的模型对候选区域进行识别，输出识别结果。

【技术特征摘要】
1.基于卷积神经网络的火焰检测方法，其特征在于，该方法包括：第一步骤，选取标签的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的模型；第二步骤，提取彩色的场景图像中的疑似火焰点，将疑似火焰点作为前景点，获取二值图像；第三步骤，采用连通区域法对二值图像进行连通区域处理，获取一系列的连通区域；第四步骤，对连通区域进行筛选，获取候选区域；及第五步骤，利用训练好的模型对候选区域进行识别，输出识别结果。2.如权利要求1所述的方法，其特征在于，所述第一步骤包括：样本选取步骤，选取Th_fire个标签的灰度火焰图像作为正样本图像，选取Th_nfire个标签的灰度非火焰图像作为负样本图像；初步训练步骤，利用卷积神经网络对正样本图像和负样本图像进行特征训练，获得初步训练的模型；二次训练步骤，选取Th_Test个无标签的灰度图像，根据初步训练的模型对无标签的灰度图像进行反复训练，直至模型收敛，该收敛的模型即为训练好的模型。3.如权利要求2所述的方法，其特征在于，所述二次训练步骤包括：训练特征提取步骤，根据初步训练的模型提取Th_Test个无标签的灰度图像的特征；训练分类判定步骤，分别计算该无标签的灰度图像的特征与火焰类别的相似度Simi1、非火焰类别特征的相似度Simi2，若Simi1＞Simi2，则判定为火焰类别，否则判定为非火焰类别；反复训练步骤，计算判定结果与真实结果的误差，利用反向传播算法来训练模型，重复训练特征提取步骤和训练分类判定步骤，直至该模型收敛，收敛的模型即为训练好的模型。4.如权利要求2和3所述的方法，所述Tg_fire≥100，Th_nfire≥0，Th_Test≥100。5.如权利要求2所述的方法，其特征在于，所述卷积神经网络包括：Th_Conc个卷积层、Th_Pool个池化层、Th_Full个全连接层；其中，第i个卷积层包括Th_CKi个卷积核，卷积核的大小为CKSi*CKSi、步长为Th_CSi，i＝1，2，…，Th_Conc；第j个池化层的核的大小为PKSj*PKSj、步长为Th_PSj，j＝1，2，…，Th_Pool；所述全连接层的最后一层全连接层输出的神经元的数量为2；所述Th_Con∈[2,22]，Th_Pool∈[2,16]，Th_Full∈[1,4]。Th_CKi∈[4,512]，CKSi∈[3,11]，Th_CSi∈[1,2]，PKSj∈[2,4]，Th_PKj∈[2,4]。6.如权利要求1所述的方法，其特征在于，所述第二步骤包括：RGB颜色空间判定步骤，统计场景图像中像素点(x,y)的R分量值R(x,y)、G分量值G(x，y)、B分量值B(x，y)，若同时满足和则将该像素点标记为保留点，否则将该像素点标记为背景点，并将该像素点的各分量值都设为0；HIS颜色空间判定步骤，将场景图像转换到HIS颜色空间，统计场景图像中保留点的(x,y)的H分量值H(x,y)、S分量值S(x,y)、I分量值I(x,y)，若同时满足0≤H(x,y)≤λ4、λ5≤S(x,y)≤1以及λ6≤I(x,y)≤255，则认为该保留点为疑似火焰点，并将疑似火焰点标记为前景点，否则将该像素点标记为背景点，并将该像素点的各分量值都设为0；其中，λ1∈[0.3,0.5]，λ2∈[0.7,0.9]，λ3∈[0.4,0.6]，λ4∈[50,70]，λ5∈[0.15,0.25]，λ6∈[80,120]。7.如权利要求1所述的方法，其特征在于，所述第四步骤包括：计算每一个连通区域的面积，若连通区域的面积小于Th_CR，则将该连通区域内的所有前景点设为背景点，否则将该连通区域标记为候选区域；其中，Th_CR∈[20,40]。8.如权利要求1所述的方法，其特征在于，所述第五步骤进一步包括：检测特征提取步骤，根据训练好的模型提取候选区域的特征；检测分类判定步骤，分别计算该候选区域的特征与火焰类别的相似度Simi1、非火焰类别特征的相似度Simi2，若Simi1＞Simi2，则判定为火焰类别，否则判定为非火焰类别，输出判定结果。9.基于卷积神经网络的火焰检测装置，其特征在于，该装置包括：火焰识别模型训练模块，用于...

【专利技术属性】
技术研发人员：谢静，班华忠，崔凯，李党，曾建平，
申请(专利权)人：北京智芯原动科技有限公司，
类型：发明
国别省市：北京;11