【技术实现步骤摘要】
基于深度分离和目标感知的早期野火烟雾检测方法和装置
本专利技术涉及图像处理
，尤其涉及一种基于深度分离和目标感知的早期野火烟雾检测方法和装置。
技术介绍
在森林火灾检测中，烟雾发生于明火之前，早期火灾检测中，烟雾检测有非常重要的意义，而且森林火灾受复杂背景和气候，环境，海拔等多种因素的制约，烟雾实时检测往往难以实现。针对深度学习预训练模型需要大量数据集，但受小样本烟雾数据集以及烟雾本身特性的局限性，同时现实场景中烟雾目标可能是任意形式下的任意类型，场景不受限制，目标形式各样等诸多条件限制的限制，很难直接应用深度学习网络检测森林火灾烟雾对象。特定数据集往往是有限场景下的数据扩充，即使用数据采集设备对部分场景采集视频数据集，并对数据集采取加校验、高斯噪声、水平或垂直图像翻转、图像旋转、尺度缩放、裁剪、平移变换等的方法做数据增广，意味着应用特定图像数据集训练的深度特征不能完美的表征实时现实场景下的烟雾对象。由于小样本烟雾目标的特殊性，传统的图像处理方法以及模式识别方法在深林烟雾检测中表现出很高的误报率和极低的检测精度...
【技术保护点】
1.一种基于深度分离和目标感知的早期野火烟雾检测方法，其特征在于，其包括以下步骤：/n将样本图像和目标图像分别输入目标感知深度网络得到第一深度特征矩阵和第二深度特征矩阵；/n通过深度可分离网络将第一深度特征矩阵分离为第一分离特征矩阵和第二分离特征矩阵；/n将第一分离特征矩阵与第二深度特征矩阵进行卷积操作，得到区域响应矩阵；将所述第二分离特征矩阵与所述区域响应矩阵进行卷积操作，得到烟雾响应矩阵；/n获取烟雾响应矩阵的最大值，如果所述最大值小于预设阈值，则所述目标图像未检测到野火烟雾；如果所述最大值大于或等于预设阈值，则以所述最大值对应的目标图像位置为烟雾中心点，得到烟雾位置。/n
【技术特征摘要】
1.一种基于深度分离和目标感知的早期野火烟雾检测方法，其特征在于，其包括以下步骤：
将样本图像和目标图像分别输入目标感知深度网络得到第一深度特征矩阵和第二深度特征矩阵；
通过深度可分离网络将第一深度特征矩阵分离为第一分离特征矩阵和第二分离特征矩阵；
将第一分离特征矩阵与第二深度特征矩阵进行卷积操作，得到区域响应矩阵；将所述第二分离特征矩阵与所述区域响应矩阵进行卷积操作，得到烟雾响应矩阵；
获取烟雾响应矩阵的最大值，如果所述最大值小于预设阈值，则所述目标图像未检测到野火烟雾；如果所述最大值大于或等于预设阈值，则以所述最大值对应的目标图像位置为烟雾中心点，得到烟雾位置。
2.如权利要求1所述的基于深度分离和目标感知的早期野火烟雾检测方法，其特征在于，将样本图像输入目标感知深度网络得到第一深度特征矩阵；包括：
将样本图像输入预训练的VGG-16网络输出第一初始特征矩阵；第一初始特征矩阵通过训练好的目标感知网络输出第一深度特征矩阵，所述第一深度特征矩阵为M1×N1×(A1+A2)×B，其中，M1和N1分别为样本图像长和宽经过卷积池化后的结果值；A1为通道最优的深度特征；A2为尺度敏感的深度特征；B为构建的多个尺度。
3.如权利要求2所述的基于深度分离和目标感知的早期野火烟雾检测方法，其特征在于，将目标图像输入目标感知深度网络得到第一深度特征矩阵；包括：
将目标图像输入预训练的VGG-16网络输出第二初始特征矩阵；第二初始特征矩阵通过训练好的目标感知网络输出第二深度特征矩阵，所述第二深度特征矩阵为M2×N2×(A1+A2)，其中，M2和N2分别为目标图像长和宽经过卷积池化后的结果值。
4.如权利要求2所述的基于深度分离和目标感知的早期野火烟雾检测方法，其特征在于，通过深度可分离网络将第一深度特征矩阵分离为第一分离特征矩阵和第二分离特征矩阵，包括：
通过深度分离网络将卷积核分离为深度稀疏卷积核和逐点卷积核，将所述第一深度特征矩阵基于深度稀疏卷积核和逐点卷积核分别形成第一分离特征矩阵和第二分离特征矩阵，所述第一分离特征矩阵为M1×N1×1×B，所述第二分离特征矩阵为1×1×(A1+A2)×B。
5.如权利要求1-4任一项所述的基于深度分离和目标感知的早期野火烟雾检测方法，其特征在于，以所述最大值对应的目标图像位置为烟雾中心点，得到烟雾位置，包括：
设定预选框，将所述预选框的中点与所述烟雾中心点重叠；所述预选框选中的目标图像...
【专利技术属性】
技术研发人员：赵运基，张海波，张楠楠，周梦林，魏胜强，刘晓光，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。