基于视频图像目标检测的火灾检测方法、系统、终端以及存储介质技术方案

本申请涉及一种基于视频图像目标检测的火灾检测方法、系统、终端以及存储介质。包括：采用基于大气散射模型的数据增强算法将原始自然图像转换为灰霾图像及沙尘图像，生成用于训练模型的数据集；构建卷积神经网络模型LFNet，将数据集输入LFNet模型进行迭代训练，得到最优模型参数；卷积神经网络模型LFNet包括骨架特征提取模型、主要特征提取模型和变尺度特征融合模型；骨架特征提取模型通过三个不同尺度的卷积提取输入图像的主要特征；主要特征提取模型用于对主要特征进行进一步的特征提取，生成三组特征图；变尺度特征融合模型对三组特征图进行自适应融合，输出检测结果。本申请能够提高模型在沙尘和灰霾等异常天气下的鲁棒性，使模型获得更好的检测结果。

【技术实现步骤摘要】
基于视频图像目标检测的火灾检测方法、系统、终端以及存储介质
本申请属于火灾检测
，特别涉及一种基于视频图像目标检测的火灾检测方法、系统、终端以及存储介质。
技术介绍
火灾检测在安全监控中起着至关重要。目前，传统的火灾检测方法为基于图像先验的方法，该方法是基于图像的颜色和形状进行火灾检测，然而由于颜色和运动特征的鲁棒性和误码率往往受到预先设定的参数的影响，导致在复杂的环境中无法应用，且定位准确度易受区域影响。监测是一项繁琐而耗时的工作，尤其是在不确定的监视环境下，它在时间、空间甚至规模上都具有很大的不确定性。基于传感器的探测器在误码率和感知范围方面的性能有限，因此，它无法探测到远距离或小型火灾。近年来，随着深度学习技术的迅速发展，卷积神经网络(CNN)被应用于火灾探测。然而，现有基于深度学习的火灾检测方法还存在以下不足：一、基于深度学习的方法需要大量的遥感图像作为训练数据，由于真实遥感图像的稀缺性，模型的训练具有很大的挑战性。二、基于深度学习的火灾检测模型规模太大，不适合用于资源受限的设备。三、现有算法的复杂度太高，无法进行实时检测。四、抗干扰能力弱，容易受到灰霾、粉尘等恶劣监测环境的影响。五、大多数火灾检测算法只关注单一环境，因此，在不确定的环境中会出现较高的错误率。综上所述，现有的火灾检测方法在算法复杂度、应用场景范围、模型大小等方面都具有很大的改进空间。
技术实现思路
本申请提供了一种基于视频图像目标检测的火灾检测方法、系统、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。为了解决上述问题，本申请提供了如下技术方案：一种基于视频图像目标检测的火灾检测方法，包括：采用基于大气散射模型的数据增强算法将原始自然图像转换为灰霾图像及沙尘图像，生成用于训练模型的数据集；构建卷积神经网络模型LFNet，将所述数据集输入LFNet模型进行迭代训练，得到最优模型参数；所述卷积神经网络模型LFNet包括骨架特征提取模型、主要特征提取模型和变尺度特征融合模型；所述骨架特征提取模型通过三个不同尺度的卷积提取输入图像的主要特征；所述主要特征提取模型用于对所述主要特征进行进一步的特征提取，生成三组特征图；所述变尺度特征融合模型对所述三组特征图进行自适应融合，输出检测结果；将待检测火灾图像输入训练好的LFNet模型，通过LFNet模型输出待检测火灾图像的火灾定位区域以及火灾类型。本申请实施例采取的技术方案还包括：所述采用基于大气散射模型的数据增强算法将原始自然图像转换为灰霾图像及沙尘图像前包括：获取原始自然图像；所述原始自然图像包括没有火灾报警区域的非报警图像和真实的火灾报警图像。本申请实施例采取的技术方案还包括：所述采用基于大气散射模型的数据增强算法将原始自然图像转换为灰霾图像包括：所述大气散射模型分别采用至少两种传输速率分别模拟生成不同浓度的灰霾图像；所述灰霾图像成像公式为：I(x)＝J(x)t(x)+ɑ(1-t(x))上述公式中，I(x)是模拟出来的灰霾图像，J(x)是输入的无雾图像，ɑ是大气光值，t(x)是场景传输速率。本申请实施例采取的技术方案还包括：所述采用基于大气散射模型的数据增强算法将原始自然图像转换为沙尘图像包括：所述大气散射模型采用固定透射率和大气光值，结合三种颜色模拟生成不同浓度的沙尘图像；所述沙尘图像模拟公式为：D(x)＝J(x)t(x)+a(C(x)*(1-t(x)))上述公式中，D(x)为模拟出的沙尘图像，J(x)为输入的无雾图像，C(x)为颜色值。本申请实施例采取的技术方案还包括：所述将所述数据集输入LFNet模型进行迭代训练包括：所述骨架特征提取模型分别采用$3*3$、$5*5$和$7*7$尺度的卷积提取输入图像的特征，得到尺寸分别为$13*13$、$26*26$和$52*52$的特征图；所述主要特征提取模型对所述主要特征进行进一步的特征提取，生成大小分别为$52*52$、$26*26$、$13*13$的三组特征图；所述变尺度特征融合模型将所述三组特征图映射到不同的卷积核和步长进行卷积，并拼接所有相同大小的卷积，得到三组特征映射，利用基于信道的注意机制操作所述三组特征映射，得到大小分别为$13*13$、$26*26$和$52*52$的特征图，分别用于检测小、中、大型物体。本申请实施例采取的技术方案还包括：所述将数据集输入LFNet模型进行迭代训练还包括：分别选取均方误差和交叉熵作为损失函数进行模型优化。本申请实施例采取的技术方案还包括：所述损失函数具体为：统计火灾区域的路径的亮度、暗通道值和R通道数据，将所述统计数据视为燃烧直方图先验，写成CHP的公式：上述公式中，R()代表图像的R通道，SCP(x)是图像亮度与暗通道的差值；SCP(x)＝||v(x)-DCP(x)||上述公式中，v(x)是图像的亮度，DCP(x)是图像暗通道的值；LCHP＝||CHP(I)-CHP(R)||2上述公式中，CHP代表燃烧直方图先验，CHP(I)和CHP(R)分别代表目标检测算法选中的区域和标注的区域的CHP值；所述损失函数为将三个不同的损失函数进行加权求和：LCHP＝βLCE+γLMSE+δLCHP上述公式中，LCHP为最终的损失函数，LCE为交叉熵损失函数，LMSE为均方差损失函数，LCHP为燃烧直方图先验损失。本申请实施例采取的另一技术方案为：一种基于视频图像目标检测的火灾检测系统，包括：数据集构建模块：用于采用基于大气散射模型的数据增强算法将原始自然图像转换为灰霾图像及沙尘图像，生成用于训练模型的数据集；LFNet模型训练模块：用于构建卷积神经网络模型LFNet，将所述数据集输入LFNet模型进行迭代训练，得到最优模型参数；所述卷积神经网络模型LFNet包括骨架特征提取模型、主要特征提取模型和变尺度特征融合模型；所述骨架特征提取模型通过三个不同尺度的卷积提取输入图像的主要特征；所述主要特征提取模型用于对所述主要特征进行进一步的特征提取，生成三组特征图；所述变尺度特征融合模型对所述三组特征图进行自适应融合，输出检测结果；所述检测结果包括火灾图像的火灾定位区域以及火灾类型。本申请实施例采取的又一技术方案为：一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中，所述存储器存储有用于实现所述基于视频图像目标检测的火灾检测方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令以控制基于视频图像目标检测的火灾检测。本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述基于视频图像目标检测的火灾检测方法。相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的基于视频图像目标检测的火灾检测方法、本文档来自技高网...

【技术保护点】
1.一种基于视频图像目标检测的火灾检测方法，其特征在于，包括：/n采用基于大气散射模型的数据增强算法将原始自然图像转换为灰霾图像及沙尘图像，生成用于训练模型的数据集；/n构建卷积神经网络模型LFNet，将所述数据集输入LFNet模型进行迭代训练，得到最优模型参数；所述卷积神经网络模型LFNet包括骨架特征提取模型、主要特征提取模型和变尺度特征融合模型；所述骨架特征提取模型通过三个不同尺度的卷积提取输入图像的主要特征；所述主要特征提取模型用于对所述主要特征进行进一步的特征提取，生成三组特征图；所述变尺度特征融合模型对所述三组特征图进行自适应融合，输出检测结果；/n将待检测火灾图像输入训练好的LFNet模型，通过LFNet模型输出待检测火灾图像的火灾定位区域以及火灾类型。/n

【技术特征摘要】
1.一种基于视频图像目标检测的火灾检测方法，其特征在于，包括：
采用基于大气散射模型的数据增强算法将原始自然图像转换为灰霾图像及沙尘图像，生成用于训练模型的数据集；
构建卷积神经网络模型LFNet，将所述数据集输入LFNet模型进行迭代训练，得到最优模型参数；所述卷积神经网络模型LFNet包括骨架特征提取模型、主要特征提取模型和变尺度特征融合模型；所述骨架特征提取模型通过三个不同尺度的卷积提取输入图像的主要特征；所述主要特征提取模型用于对所述主要特征进行进一步的特征提取，生成三组特征图；所述变尺度特征融合模型对所述三组特征图进行自适应融合，输出检测结果；
将待检测火灾图像输入训练好的LFNet模型，通过LFNet模型输出待检测火灾图像的火灾定位区域以及火灾类型。


2.根据权利要求1所述的基于视频图像目标检测的火灾检测方法，其特征在于，所述采用基于大气散射模型的数据增强算法将原始自然图像转换为灰霾图像及沙尘图像前包括：
获取原始自然图像；所述原始自然图像包括没有火灾报警区域的非报警图像和真实的火灾报警图像。


3.根据权利要求1或2所述的基于视频图像目标检测的火灾检测方法，其特征在于，所述采用基于大气散射模型的数据增强算法将原始自然图像转换为灰霾图像包括：
所述大气散射模型分别采用至少两种传输速率分别模拟生成不同浓度的灰霾图像；所述灰霾图像成像公式为：
I(x)＝J(x)t(x)+ɑ(1-t(x))
上述公式中，I(x)是模拟出来的灰霾图像，J(x)是输入的无雾图像，ɑ是大气光值，t(x)是场景传输速率。


4.根据权利要求3所述的基于视频图像目标检测的火灾检测方法，其特征在于，所述采用基于大气散射模型的数据增强算法将原始自然图像转换为沙尘图像包括：
所述大气散射模型采用固定透射率和大气光值，结合三种颜色模拟生成不同浓度的沙尘图像；所述沙尘图像模拟公式为：
D(x)＝J(x)t(x)+a(C(x)*(1-t(x)))
上述公式中，D(x)为模拟出的沙尘图像，J(x)为输入的无雾图像，C(x)为颜色值。


5.根据权利要求1所述的基于视频图像目标检测的火灾检测方法，其特征在于，所述将所述数据集输入LFNet模型进行迭代训练包括：
所述骨架特征提取模型分别采用￥3＊3￥、￥5＊5￥和￥7＊7￥尺度的卷积提取输入图像的特征，得到尺寸分别为￥13＊13￥、￥26＊26￥和￥52＊52￥的特征图；所述主要特征提取模型对所述主要特征进行进一步的特征提取，生成大小分别为￥52＊52￥、￥26＊26￥、￥13＊13￥的三组特征图；所述变尺度特征融合模型将所述三组特征图映射到不同的卷积核和步长进行卷积，并拼接所有相同大小的卷积...

【专利技术属性】
技术研发人员：胡金星，王传胜，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44