一种基于深度学习模型的火焰识别方法技术

本发明专利技术涉及一种基于深度学习模型的火焰识别方法，其包括(1)采集视频信息，读取每一帧图像，接着进行高斯滤波得到滤波后的鱼眼图像；(2)校正鱼眼图像内部参数；(3)校正鱼眼图像外部参数；(4)构建球面模型，将校正后的鱼眼图像投影到球面模型上，然后去除投影在球面模型上的重复区域，形成球面图像；(5)通过去烟雾模型去除球面图像中烟雾对火焰部分识别的干扰信息；(6)获取球面图像上动态区域；(7)将动态区域部分生成透视图像；(8)正规化透视图像，将透视图像作为已训练七层架构卷积神经网络的输入，识别动态区域是否为火焰，若动态区域为火焰，则进入步骤(9)，否则结束本次操作；(9)显示识别结果并产生报警信息。

【技术实现步骤摘要】
一种基于深度学习模型的火焰识别方法
本专利技术属于通信领域，具体涉及一种基于深度学习模型的火焰识别方法。
技术介绍
随着我国工业化与城镇水平的不断提高，现代设施大型公共建筑朝着空间大、进深广功能复杂的多元化方向发展，这对于防烟火朝着空间大、进深广功能复杂的多元化方向发展，也对于防烟、防火以及消防安全系统的可靠、稳定、高精度设计与运行提出了更高的要求。目前，通过信息领域的相关技术有效提升消防安全对于现场感知能力，有效提升消防安全对于火灾现场预警处置的快速性、准确性水平是安全工程领域的一项重要研究问题。目前，陈文辉等设计了一款基于火灾烟雾图像模糊特性的地铁列车火灾探测报警系统,该方法采用图像空域微分法检测火灾的发生。李世玮等采用红外滤光片过滤后得到过滤图像实现火焰目标提取。王文豪等通过图像分割、图像增强、特征提取等步骤进行火焰识别。王祖龙等分析火焰的动态特征和静态特征包括边缘抖动、面积变化和形状、颜色、文理等。但是，上述火焰识别系统的设计系统存在以下一些共同的问题：(1)传统的方法误检或漏检的概率比较高；(2)考虑现场动态区域是否存在火焰特征，算法的复杂度高；(3)检测的区域，可能不是火焰，或是与火焰的纹理特征比较相像，则很可能出现误检的情况；(4)可观察的火灾范围视野小。
技术实现思路
专利技术目的：本专利技术针对上述现有技术存在的问题做出改进，即本专利技术公开了一种基于深度学习模型的火焰识别方法。技术方案：一种基于深度学习模型的火焰识别方法，包括以下步骤：(1)通过背对背的两台鱼眼相机采集视频信息，然后读取采集的视频信息每一帧图像，接着将获取的鱼眼图像进行高斯滤波，得到滤波后的鱼眼图像；(2)校正步骤(1)得到鱼眼图像的内部参数，然后进入步骤(3)，内部参数包括切向误差、径向误差和光心误差；(3)校正鱼眼图像的外部参数，进入步骤(4)；(4)构建球面模型，将步骤(3)校正后的鱼眼图像投影到球面模型上，然后去除投影在球面模型上的重复区域，形成球面图像，然后进入步骤(5)；(5)通过去烟雾模型去除步骤(4)得到的球面图像中烟雾对火焰部分识别的干扰信息，然后进入步骤(6)；(6)采用改进Codebook方法获取球面图像上动态区域，然后进入步骤(7)；(7)将步骤(6)获取的动态区域部分生成透视图像；(8)正规化步骤(7)得到的透视图像，将透视图像作为已训练七层架构卷积神经网络的输入，识别动态区域是否为火焰，若动态区域为火焰，则进入步骤(9)，否则结束本次操作；(9)将识别结果传输到下位机，在下位机显示识别结果并产生报警信息。进一步地，当步骤(3)中的鱼眼图像转换为640×480像素的图时，若鱼眼图像上检测到角点数大于300时，步骤(3)包括以下步骤：(31)在球面模型上以检测的特征点为中心生成透视角度一定、大小确定的正规化图像块；(32)在相邻的两帧图像上的确定范围内计算特征点对的相关度值，(33)最终得到最佳匹配对，优化相机的相对姿势。进一步地，当步骤(3)中的鱼眼图像转换为640×480像素的图时，若鱼眼图像上检测到角点数少于300时，步骤(3)包括以下步骤：(31)利用图像上检测出的边和几何结构，在球面模型上得到消失点对，(32)以消失点对为基础得到图像上结构的变换关系，从而计算并优化相机的相对姿势，从而优化参数。进一步地，当步骤(3)中大视野图像的重复视野的角度大于15度时，步骤(3)包括以下步骤：(31)通过球面模型生成大角度的透视图像，(32)在透视图像重复视野上计算其相关度，从而反馈调整相机姿势，调整以后再次生成透视图像进行优化。有益效果：本专利技术公开的一种基于深度学习模型的火焰识别方法具有以下有益效果：1、误检率或漏检率低；2、可观察的火灾范围视野大。附图说明图1为本专利技术公开的一种基于深度学习模型的火焰识别方法的流程图；图2为球面模型示意图；图3为基于球面图像的透视图像示意图。具体实施方式：下面对本专利技术的具体实施方式详细说明。如图1～3所示，一种基于深度学习模型的火焰识别方法，包括以下步骤：(1)通过背对背的两台鱼眼相机采集视频信息，然后读取采集的视频信息每一帧图像，接着将获取的鱼眼图像进行高斯滤波，得到滤波后的鱼眼图像；(2)校正步骤(1)得到鱼眼图像的内部参数，然后进入步骤(3)，内部参数包括切向误差、径向误差和光心误差；(3)校正鱼眼图像的外部参数，进入步骤(4)；(4)构建球面模型，将步骤(3)校正后的鱼眼图像投影到球面模型上，然后去除投影在球面模型上的重复区域，形成球面图像，然后进入步骤(5)；(5)通过去烟雾模型去除步骤(4)得到的球面图像中烟雾对火焰部分识别的干扰信息，然后进入步骤(6)；(6)采用改进Codebook方法获取球面图像上动态区域，然后进入步骤(7)；(7)将步骤(6)获取的动态区域部分生成透视图像；(8)正规化步骤(7)得到的透视图像，将透视图像作为已训练七层架构卷积神经网络的输入，识别动态区域是否为火焰，若动态区域为火焰，则进入步骤(9)，否则结束本次操作；(9)将识别结果传输到下位机，在下位机显示识别结果并产生报警信息。进一步地，当步骤(3)中的鱼眼图像转换为640×480像素的图时，若鱼眼图像上检测到角点数大于300时，步骤(3)包括以下步骤：(31)在球面模型上以检测的特征点为中心生成透视角度一定、大小确定的正规化图像块；(32)在相邻的两帧图像上的确定范围内计算特征点对的相关度值，(33)最终得到最佳匹配对，优化相机的相对姿势。进一步地，当步骤(3)中的鱼眼图像转换为640×480像素的图时，若鱼眼图像上检测到角点数少于300时，步骤(3)包括以下步骤：(31)利用图像上检测出的边和几何结构，在球面模型上得到消失点对，(32)以消失点对为基础得到图像上结构的变换关系，从而计算并优化相机的相对姿势，从而优化参数。进一步地，当步骤(3)中大视野图像的重复视野的角度大于15度时，步骤(3)包括以下步骤：(31)通过球面模型生成大角度的透视图像，(32)在透视图像重复视野上计算其相关度，从而反馈调整相机姿势，调整以后再次生成透视图像进行优化。图2为球面模型示意图。在计算过程中将鱼眼图像上每个像素点投影到球面模型上的方位角和仰角θ。如图2所示，空间点P投影到球面模型上的p点。根据投影点的位置可以计算出方位角和仰角θ。球面上任意一点计算三维空间的坐标(xp,yp,zp)。在处理过程中分别计算两幅鱼眼图像上的三维点。对于前图像直接计算投影到空间坐标(xp,yp,zp)，如公式(1)所示，对于后图像投影到球面的空间坐标变换如公式(2)所示，即将坐标逆时针旋转90度。由此可知，两个图像上得到重复的θ，的范围，如果得到重复θ，的范围，则只取其中一幅图像上的像素点进行投影。该方法能有效消除投影中存在重复区域的问题。如图3所示，基于球面图像的透视图像示意图。O为圆心，将球面上任意一点p为中心，生成固定长宽的透视图像块。P为透视图像块上的中心点，OpP共线。该球体的半径为rs,一般情况rs＝1，即为单位球体。ls为透视图像边界投影到球心与球面的交点到p点的弧长，φ是透视图像边界投影线与OpP线的夹角。如果透视图像大小固定，φ越大，透视图像的视野也越大，透视图像越靠近球面，反之，透视图像本文档来自技高网...

【技术保护点】
一种基于深度学习模型的火焰识别方法，其特征在于，包括以下步骤：(1)通过背对背的两台鱼眼相机采集视频信息，然后读取采集的视频信息每一帧图像，接着将获取的鱼眼图像进行高斯滤波，得到滤波后的鱼眼图像；(2)校正步骤(1)得到鱼眼图像的内部参数，然后进入步骤(3)，内部参数包括切向误差、径向误差和光心误差；(3)校正鱼眼图像的外部参数，进入步骤(4)；(4)构建球面模型，将步骤(3)校正后的鱼眼图像投影到球面模型上，然后去除投影在球面模型上的重复区域，形成球面图像，然后进入步骤(5)；(5)通过去烟雾模型去除步骤(4)得到的球面图像中烟雾对火焰部分识别的干扰信息，然后进入步骤(6)；(6)采用改进Codebook方法获取球面图像上动态区域，然后进入步骤(7)；(7)将步骤(6)获取的动态区域部分生成透视图像；(8)正规化步骤(7)得到的透视图像，将透视图像作为已训练七层架构卷积神经网络的输入，识别动态区域是否为火焰，若动态区域为火焰，则进入步骤(9)，否则结束本次操作；(9)将识别结果传输到下位机，在下位机显示识别结果并产生报警信息。

【技术特征摘要】
1.一种基于深度学习模型的火焰识别方法，其特征在于，包括以下步骤：(1)通过背对背的两台鱼眼相机采集视频信息，然后读取采集的视频信息每一帧图像，接着将获取的鱼眼图像进行高斯滤波，得到滤波后的鱼眼图像；(2)校正步骤(1)得到鱼眼图像的内部参数，然后进入步骤(3)，内部参数包括切向误差、径向误差和光心误差；(3)校正鱼眼图像的外部参数，进入步骤(4)；(4)构建球面模型，将步骤(3)校正后的鱼眼图像投影到球面模型上，然后去除投影在球面模型上的重复区域，形成球面图像，然后进入步骤(5)；(5)通过去烟雾模型去除步骤(4)得到的球面图像中烟雾对火焰部分识别的干扰信息，然后进入步骤(6)；(6)采用改进Codebook方法获取球面图像上动态区域，然后进入步骤(7)；(7)将步骤(6)获取的动态区域部分生成透视图像；(8)正规化步骤(7)得到的透视图像，将透视图像作为已训练七层架构卷积神经网络的输入，识别动态区域是否为火焰，若动态区域为火焰，则进入步骤(9)，否则结束本次操作；(9)将识别结果传输到下位机，在下位机显示识别结果并产生报警信息。2.根据权利要求1所述的一种基于深度学...

【专利技术属性】
技术研发人员：邓军，秦学斌，王伟峰，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西,61