一种基于卷积神经网络和支持向量机的火焰检测方法技术

本发明专利技术涉及一种基于卷积神经网络和支持向量机的火焰检测方法，该方法包括如下步骤：(1)获取监测视频中的每一帧图像并分别作为待检测的图片；(2)将待检测的图片输入至预先训练的特征检测模型并输出多个感兴趣的区域；(3)将每个感兴趣的区域分别作为一张特征图像输入至预先训练的基于卷积神经网络和支持向量机的分类模型，所述的分类模型滤除对特征图像进行分类确定火焰图像和非火焰图像；(4)根据所述的分类模型的分类结果确定待检测的图片中是否有火焰存在，若分类结果中包括至少一张火焰图像则待检测的图片中有火焰，否则待检测的图片中无火焰。与现有技术相比，本发明专利技术检测结果准确，检测速度快。

A flame detection method based on convolution neural network and support vector machine

The present invention relates to a flame detection method based on a convolution neural network and a support vector machine. The method comprises the following steps: (1) obtaining each frame image in the monitoring video and serving as a picture to be detected; (2) input the detected picture to a pre trained feature detection model and output a plurality of interested regions; (3 ) each region of interest is entered into a pre trained classification model based on a convolution neural network and a support vector machine, respectively, which filter the feature images to determine the flame image and the non flame image; (4) determine to be detected according to the classification results of the classified model. If there is a flame in the picture, if there is at least one flame image in the classification result, there is a flame in the picture to be detected, otherwise there is no flame in the picture to be detected. Compared with the prior art, the detection result is accurate and the detection speed is fast.

【技术实现步骤摘要】
一种基于卷积神经网络和支持向量机的火焰检测方法
本专利技术涉及一种火焰检测方法，尤其是涉及基于卷积神经网络和支持向量机的火焰检测方法。
技术介绍
火灾可以理解为因失控的大火而造成的灾难，其破坏程度不亚于泥石流、地震等自然灾害。火在人们的生活中确是无处不在的，也常常被人们忽视的，往往的一个不留神，辛辛苦苦成就的事业就可能付之东流，甚至会危害到自己或他人的生命。而大部分火灾往往是由不经意间小的火焰所造成的，“防为上，救次之，戒为下”。因此，现如今对火灾的防范也是人们所面临的重要问题。根据公安部消防局公布的2016年上半年火灾统计情况，不包括森林、草原、铁路、港航等火灾。1至6月份，全国共接报火灾17.2万起，亡911人，伤756人，已核直接财产损失19.2亿元，与去年上半年相比，四项数字分别下降16.7％、18.5％、7.1％和25.5％；其中，较大火灾38起，同比下降2.6％，未发生重大和特大火灾(去年同期发生特大火灾1起、重大火灾3起)。虽然各项数据都有所下降，但所造成的损失还是非常大的。随着计算机视觉技术的飞速发展，图像处理、识别等技术已经被应用到各个行业当中，基于计算机视觉的火焰本文档来自技高网...

【技术保护点】
一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，该方法包括如下步骤：(1)获取监测视频中的每一帧图像并分别作为待检测的图片；(2)将待检测的图片输入至预先训练的特征检测模型并输出多个感兴趣的区域；(3)将每个感兴趣的区域分别作为一张特征图像输入至预先训练的基于卷积神经网络和支持向量机的分类模型，所述的分类模型滤除对特征图像进行分类确定火焰图像和非火焰图像；(4)根据所述的分类模型的分类结果确定待检测的图片中是否有火焰存在，若分类结果中包括至少一张火焰图像则待检测的图片中有火焰，否则待检测的图片中无火焰。

【技术特征摘要】
2017.07.06 CN 20171054747751.一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，该方法包括如下步骤：(1)获取监测视频中的每一帧图像并分别作为待检测的图片；(2)将待检测的图片输入至预先训练的特征检测模型并输出多个感兴趣的区域；(3)将每个感兴趣的区域分别作为一张特征图像输入至预先训练的基于卷积神经网络和支持向量机的分类模型，所述的分类模型滤除对特征图像进行分类确定火焰图像和非火焰图像；(4)根据所述的分类模型的分类结果确定待检测的图片中是否有火焰存在，若分类结果中包括至少一张火焰图像则待检测的图片中有火焰，否则待检测的图片中无火焰。2.根据权利要求1所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，所述的特征检测模型为Haar特征检测模型。3.根据权利要求1所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，所述的基于卷积神经网络和支持向量机的分类模型包括卷积神经网络子模型和支持向量机分类子模型，所述的支持向量机分类子模型输入端连接卷积神经网络子模型输出端。4.根据权利要求3所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，所述的卷积神经网络子模型包括依次连接的输入层、第一卷积层、第二卷积层、第一子采样层、第三卷积层、第四卷积层和第二子采样层，所述的输入层用于输入待卷积分类的特征图像，所述的第二子采样层连接支持向量机分类子模型。5.根据权利要求1所述的一种基于卷积神经网络和支持向量机的火焰检测方法，其特征在于，所述的第一卷积层、第二卷积层、第三卷积层和第四卷积层的卷积核大小为3x3...

【专利技术属性】
技术研发人员：王志成，汪志衡，卫刚，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31