一种火源目标的识别方法和装置制造方法及图纸

本发明专利技术涉及一种火源目标的识别方法和装置，涉及图像检测技术领域。其中，本发明专利技术的火源目标识别方法基于Faster RCNN算法进行火源目标识别，包括：将待测图像输入特征提取网络，以得到所述待测图像的特征图；将所述特征图输入候选区域生成网络，以得到候选框，然后将所述候选框映射至所述特征图上，以得到感兴趣区ROI；基于最小外接矩形算法对所述ROI进行处理，以得到固定尺寸的候选特征图；将所述候选特征图输入分类与回归网络，以预测所述候选特征图是否包括火源目标，并对所述候选框进行位置调整。通过以上步骤，能够解决现有火源目标识别方法存在的检测速度慢、检测精度低、鲁棒性差的问题。

【技术实现步骤摘要】
一种火源目标的识别方法和装置
本专利技术涉及图像检测
，尤其涉及一种火源目标的识别方法和装置。
技术介绍
目标识别是指一个特殊目标(或一种类型的目标)从其它目标(或其它类型的目标)中被区分出来的过程。在消防领域，对图像进行火源目标识别，准确定位火源目标所在位置，便于后续跟踪、分析火灾情况。目前，对于火源目标的图像识别主要是根据火源目标所具有的特性，比如色谱特性、可见光和红外辐射特性、蔓延趋势情况等，来区分出火源或烟雾区。在现有技术中，主要包括以下两种火源目标检测方法：一是基于BP神经网络对人工选取的图像颜色特征、纹理特征和形状特征进行分析，以识别火源目标；另一种是先对图像进行分割，然后基于火源目标特性从图像中识别出火灾区域。本专利技术的专利技术人发现：第一种方法对人工选取的特征具有较强的依赖性，识别效果受人工选取的特征的影响较大；第二种方法虽然能识别出火源目标，但是存在处理时间长、复杂度高、鲁棒性差等问题。因此，针对以上不足，需要提供一种新的火源目标识别方法和装置。
技术实现思路
(一)要解决的技术问题本专利技术要解决的技术问题是解决现有火源目标识别方法存在的检测速度慢、检测精度低、鲁棒性差的问题。(二)技术方案为了解决上述技术问题，一方面，本专利技术提供了一种火源目标识别方法。本专利技术的火源目标识别方法基于FasterRCNN算法进行火源目标识别，包括：将待测图像输入特征提取网络，以得到所述待测图像的特征图；将所述特征图输入候选区域生成网络，以得到候选框，然后将所述候选框映射至所述特征图上，以得到感兴趣区ROI；基于最小外接矩形算法对所述ROI进行处理，以得到固定尺寸的候选特征图；将所述候选特征图输入分类与回归网络，以预测所述候选特征图是否包括火源目标，并对所述候选框进行位置调整。可选地，所述方法还包括：在执行所述将待测图像输入特征提取网络的步骤之前，对采集的彩色图像进行灰度处理，以得到所述待测图像。可选地，所述特征提取网络采用VGG16网络结构的一部分，包括：第一至第五卷积单元；其中，第一、二卷积单元各自包括两个卷积层；第三、四、五卷积单元各自包括三个卷积层；以及，在每个卷积层后设置的非线性单元和在相邻两个卷积单元之间设置的池化层。可选地，所述非线性单元采用LeakyReLu函数，其表达式为：其中，x为非线性单元的输入，f(x)为非线性单元的输出，α为常系数。为了解决上述技术问题，另一方面，本专利技术还提供了一种火源目标识别装置。本专利技术的火源目标识别装置基于FasterRCNN算法进行火源目标识别，包括：特征提取模块，用于将待测图像输入特征提取网络，以得到所述待测图像的特征图；ROI生成模块，用于将所述特征图输入候选区域生成网络，以得到候选框，然后将所述候选框映射至所述特征图上，以得到感兴趣区ROI；ROI处理模块，用于基于最小外接矩形算法对所述ROI进行处理，以得到固定尺寸的候选特征图；预测模块，用于将所述候选特征图输入分类与回归网络，以预测所述候选特征图是否包括火源目标，并对所述候选框进行位置调整。可选地，所述装置还包括：预处理模块，用于对采集的彩色图像进行灰度处理，以得到所述待测图像。可选地，所述特征提取网络采用VGG16网络结构的一部分，包括：第一至第五卷积单元；其中，第一、二卷积单元各自包括两个卷积层；第三、四、五卷积单元各自包括三个卷积层；以及，在每个卷积层后设置的非线性单元和在相邻两个卷积单元之间设置的池化层。可选地，所述非线性单元采用LeakyReLu函数，其表达式为：其中，x为非线性单元的输入，f(x)为非线性单元的输出，α为常系数。为了解决上述技术问题，再一方面，本专利技术还提供了一种电子设备。本专利技术的电子设备，包括：一个或多个处理器；以及，存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术的火源目标的识别方法。为了解决上述技术问题，又一方面，本专利技术还提供了一种计算机可读介质。本专利技术的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本专利技术的火源目标的识别方法。(三)有益效果本专利技术的上述技术方案具有如下优点：通过基于FasterR-CNN算法进行火源目标识别，提高了火源目标识别的检测速度和检测精度，减少少报和漏报的情况。通过在FasterR-CNN算法中，采用最小外接矩形算法对ROI进行处理，能够得到固定大小的候选特征图，能够减少背景信息、突出前景信息，提高火源目标识别的准确率。附图说明图1是本专利技术实施例一的火源目标的识别方法的流程图；图2是本专利技术实施例二的火源目标的识别方法的流程图；图3是本专利技术实施例二中的特征提取网络的结构示意图；图4是本专利技术实施例三的火源目标的识别装置的模块组成示意图；具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例一如图1所示，本专利技术实施例提供的火源目标的识别方法基于FasterRCNN算法进行火源目标识别，主要包括以下步骤：步骤S101、将待测图像输入特征提取网络，以得到所述待测图像的特征图。示例性地，所述特征提取网络可以为VGG16网络结构的一部分，包括：第一至第五卷积单元；其中，第一、二卷积单元各自包括两个卷积层；第三、四、五卷积单元各自包括三个卷积层；以及，在每个卷积层后设置的非线性单元和在相邻两个卷积单元之间设置的池化层。其中，卷积层的主要作用为提取待测图像的局部特征；非线性单元(或者称为激活函数)的主要作用为对特征数据加入非线性因素；池化层的主要作用为实现特征数据的降维、减小特征数据的空间大小等。另外，在具体实施时，所述特征提取网络还可以采用其他卷积神经网络结构，比如ZFNet等。步骤S102、将所述特征图输入候选区域生成网络，以得到候选框，然后将所述候选框映射至所述特征图上，以得到感兴趣区ROI。其中，所述候选区域生成网络(RPN)可包括：一个卷积层、两个并行的全连接层。在该步骤中，可先通过在所述特征图上面移动卷积层的n*n(比如3*3)滑窗，以生成256维或512维的全连接特征，然后将全连接特征输入两个并行的全连接层，以粗略地进行类别预测和边框回归，然后通过对两个并行的全连接层的预测结果进行汇总，以筛选出候选框。接下来，将得到的候选框映射至所述特征图上，以得到感兴趣区(ROI)。步骤S103、基于最小外接矩形算法对所述ROI进行处理，以得到固定尺寸的候选特征图。步骤S104、将所述候选特征图输入分类与回归网络，以预测所述候选特征图是否包括火源目标，并对所述候选框进行位置调整。在本专利技术实施例中，通过基于FasterR-CNN算法进行火源目标识别，提高了火源目标识别的检测速度和检测精度，减少少报和漏报的情况。通过在FasterR-CNN算法中，采用最小外接矩形算法对ROI进行处理，能够得到固定大小的候选特征图，能够减少背景信息、突出前景信息，提高火源目标识别的准确率。实施例二如图2所示，本专利技术实施例提供的本文档来自技高网...

【技术保护点】
1.一种火源目标的识别方法，其特征在于，所述方法基于Faster RCNN算法进行火源目标识别，包括：将待测图像输入特征提取网络，以得到所述待测图像的特征图；将所述特征图输入候选区域生成网络，以得到候选框，然后将所述候选框映射至所述特征图上，以得到感兴趣区ROI；基于最小外接矩形算法对所述ROI进行处理，以得到固定尺寸的候选特征图；将所述候选特征图输入分类与回归网络，以预测所述候选特征图是否包括火源目标，并对所述候选框进行位置调整。

【技术特征摘要】
1.一种火源目标的识别方法，其特征在于，所述方法基于FasterRCNN算法进行火源目标识别，包括：将待测图像输入特征提取网络，以得到所述待测图像的特征图；将所述特征图输入候选区域生成网络，以得到候选框，然后将所述候选框映射至所述特征图上，以得到感兴趣区ROI；基于最小外接矩形算法对所述ROI进行处理，以得到固定尺寸的候选特征图；将所述候选特征图输入分类与回归网络，以预测所述候选特征图是否包括火源目标，并对所述候选框进行位置调整。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在执行所述将待测图像输入特征提取网络的步骤之前，对采集的彩色图像进行灰度处理，以得到所述待测图像。3.根据权利要求1所述的方法，其特征在于，所述特征提取网络采用VGG16网络结构的一部分，包括：第一至第五卷积单元；其中，第一、二卷积单元各自包括两个卷积层；第三、四、五卷积单元各自包括三个卷积层；以及，在每个卷积层后设置的非线性单元和在相邻两个卷积单元之间设置的池化层。4.根据权利要求3所述的方法，其特征在于，所述非线性单元采用LeakyReLu函数，其表达式为：其中，x为非线性单元的输入，f(x)为非线性单元的输出，α为常系数。5.一种火源目标的识别装置，其特征在于，所述装置基于FasterRCNN算法进行火源目标识别，包括：特征提取模块，用于将待测图像输入特征提取网络，以得到所述待测图像的特征图；RO...

【专利技术属性】
技术研发人员：刘卓斌，蓝梦莹，王超，
申请(专利权)人：哈工大机器人岳阳军民融合研究院，
类型：发明
国别省市：湖南,43