一种社区监控场景下烟火检测方法技术

本发明专利技术涉及图像处理、深度学习技术领域，具体公开了一种社区监控场景下烟火检测方法，包括以下步骤：获得社区监控场景下的烟火视频流，解码获得烟火图像；将部分烟火图像输入生成对抗网络GAN中，生成大量社区环境下的烟火图像；对烟火图像标注烟火添加标签制作数据集，为后续检测模型有监督训练提供数据基础；对数据集做PCA白化预处理，减少图像的冗余信息，降低图像像素之间的关联强度；将处理后的数据集输入烟火检测网络模型SFD

【技术实现步骤摘要】
一种社区监控场景下烟火检测方法


[0001]本专利技术涉及图像处理、深度学习
，特别涉及一种社区监控场景下烟火检测方法。

技术介绍

[0002]随着科学技术、信息技术的快速发展，智能视频监控技术在民用、商业、国防等领域的广阔应用前景引起了许多国内外专家的重视，纷纷投入大量研发人员、资源条件以促进其应用发展。此外，科学技术的发展带动了社会的进步，智慧社区、智慧城市已不再是概念上的话题，同时也为视频监控技术的研究提供了强有力的研究试点平台。近几年来深度学习的发展也进一步带动了视频监控技术的革新。而卷积神经网络则是深度学习的典型代表，在图像处理、图像识别等方面都有着显著的成效。对于特征提取，卷积神经网络具有自动学习的优势，代替了繁杂的传统人工提取方法，减少了人工干预，提高了特征提取的精确度。卷积神经不仅在特征提取方面有显著成效，在图像识别等其他方面也起着不可替代的作用。
[0003]基于卷积神经网络的目标检测与识别技术目前已经得到广泛应用。Faster R-CNN是目标识别领域最有效的方法之一，其优势不仅在于把候选框提起部分放在GPU上运行，还把区域候选框的提取部分从网络嵌入到网络里边，经过卷积后的特征图可以用来获取区域候选框。类似的目标识别网络还有Mask-RCNN、YOLO、SSD等，虽然众多技术上在实验效果上准确度已达96％以上，但是其适用性严重依赖检测环境，由于天气、光照等客观原因，以及目标本身的不定性等外界因素影响了目标检测，从而降低了众多检测模型的准确度。这些算法并不能适应各种复杂环境的要求，目标检测与识别仍没有完整的体系，因此如何设计出针对特定环境提高目标检测与识别准确度的算法依然是目前的研究重点。
[0004]社区是人们生活聚集的地方，将烟火作为社区监控场景下目标检测与识别的对象具有很大的研究意义和应用价值。烟火的检测在检测精度与效率上都有着严格的要求，而社区环境背景复杂，增加了目标检测与识别的难度，如何基于卷积神经网络的烟火检测的精度和效率是目前需要解决的重点问题。

技术实现思路

[0005]为了解决社区环境中对烟火检测准确率和效率低的问题，本专利技术提出一种社区监控场景下烟火检测方法。该方法设计基于卷积神经网络的烟火检测模型SFD-CNN(Smog and Fire Detection-Convolution Nerual Network)，采集社区内烟火图像利用生成对抗网络GAN生成大量社区环境下的烟火图像集，并对数据集进行PCA白化预处理操作，提高了检测模型的适用性与实用性，预处理使得模型的检测精度进一步提高。实时监控GPU处理器中的GPU使用情况并根据调度策略进行调度，提高了模型运行速度，进一步提高了模型的检测效率。
[0006]为了解决上述技术问题，本专利技术的技术方案是：
[0007]一种社区监控场景下烟火检测方法，包括社区环境下采集烟火图像、标注烟火区域制作训练数据集、图像预处理、训练烟火检测网络模型、对待识别图像进行检测、将结果传递个终端、GPU资源调度，还包括以下步骤：
[0008]步骤1：获得社区监控场景下的烟火视频流，解码获得烟火图像；
[0009]步骤2：将部分烟火图像输入生成对抗网络GAN中，生成大量社区环境下的烟火图像。对烟火图像标注烟火添加标签制作数据集，为后续检测模型有监督训练提供数据基础；
[0010]步骤3：对数据集做白化预处理，减少图像的冗余信息，降低图像像素之间的关联强度；
[0011]步骤4：将处理后的数据集输入本专利技术设计的烟火检测网络模型SFD-CNN中进行训练学习，直至得到最后参数；
[0012]步骤5：利用训练好的SFD-CNN模型对待识别图形进行检测，是否有烟火迹象。并将结果传给安保端做进一步处理。
[0013]步骤6：采用GPU调度策略进行GPU调度；
[0014]步骤7：安装红外线烟火探测仪检测烟火迹象。
[0015]优选地，所述步骤1中，包括：在社区各处安装高清摄像头或者视频采集装置，选择需要监测的区域，获取该区域下所有的烟火视频流，并进行解码得到烟火图像集。
[0016]优选地，所述步骤2中，包括：烟火检测网络模型属于有监督训练，根据对步骤1中采集的稀少烟火图像，利用生成对抗网络GAN生成社区环境下烟火图像集，并对其进行区域标注，标注工具使用LabelImg，并添加smog、fire标签，为后续检测模型有监督训练提供数据基础。其中LabelImg是一个可视化的图像标定工具。其中生成对抗网络GAN具体包括：使用采集的部分烟火图像对生成器进行训练，产生越来越多的模拟烟火图像。并将图像作为输入对鉴别器进行训练，并预测图像是来自训练集还是由生成器网络创建，直到鉴别器对生成器产生的图像不再区分。此时利用生成器生成大量烟火图像以供烟火检测模型训练学习。
[0017]优选地，所述步骤3中，包括：为了进一步提高检测模型的检测精度，对输入图像做白化预处理操作，降低输入图像的冗余性，削弱图像像素之间的强相关性。白化分为PCA白化和ZCA白化，根据图像特点与检测需求采用PCA白化对图像进行预处理操作。PCA白化分为两步：pca进行数据降维，白化进行数据方差处理。具体操作：通过协方差矩阵对图像高纬特征向量做投影操作，得到新的低维向量。然后针对每一维的特征向量做标准差归一化处理。
[0018]优选地，所述步骤4中，包括：为解决社区内监控环境背景较为复杂其他模型不适用的问题，该方法结合卷积神经网络学习能力强的特点，设计了基于卷积神经网络的烟火检测网络模型SFD-CNN(Smog and Fire Detection-Convolution Nerual Network)，网络结构：第1，2层均包含conv、pool、norm，3、4层用了相同的conv，然后接连conv5、pool5，第6层是fc，使用softmax对结果进行二分类处理。训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述网络以预设的效率达到最优的检测效果。
[0019]优选地，所述步骤5中，包括：利用训练好的SFD-CNN模型对待识别图形进行检测，是否有烟火迹象。并将结果传给安保端做进一步处理。
[0020]优选地，所述步骤6中，包括：实时监控GPU处理集群中的GPU使用情况，采取适当的
调度策略对GPU进行实时调度。
[0021]优选地，所述步骤7中，包括：通常，烟火以红外线的方式辐射，而且在可见范围内很少察觉，在社区环境下安装红外线烟火探测仪能可靠的保证烟火的探测，满足了社区全天检测的需求。
[0022]采用上述技术方案，本专利技术提供的一种社区监控场景下烟火检测方法，具有以下有益效果：
[0023](1)使用生成对抗网络GAN解决社区环境下烟火数据少的问题。
[0024](2)采用PCA技术对图像数据降维，白化技术用于降低输入图像像素之间关联强度，从而提高了模型的检测精度；
[0025](3)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种社区监控场景下烟火检测方法，其特征在于：包括以下步骤：步骤1：获得社区监控场景下的烟火视频流，解码获得烟火图像；步骤2：将部分烟火图像输入生成对抗网络GAN中，生成大量社区环境下的烟火图像；对烟火图像标注烟火添加标签制作数据集，为后续检测模型有监督训练提供数据基础；步骤3：对数据集做PCA白化预处理，减少图像的冗余信息，降低图像像素之间的关联强度；步骤4：将处理后的数据集输入烟火检测网络模型SFD-CNN中进行训练学习，直至得到最后参数；步骤5：利用训练好的SFD-CNN模型对待识别图形进行检测，是否有烟火迹象；并将结果传给终端做进一步处理；步骤6：采用GPU调度策略进行GPU调度；步骤7：安装红外线烟火探测仪检测烟火迹象。2.根据权利要求1所述的社区监控场景下烟火检测方法，其特征在于：在所述步骤1中，还包括在社区各处安装高清摄像头或者视频采集装置，选择需要监测的区域，获取该区域下所有的烟火视频流，并进行解码得到烟火图像集。3.根据权利要求1所述的社区监控场景下烟火检测方法，其特征在于：在所述步骤2中，还包括烟火检测网络模型属于有监督训练，根据对步骤1中采集的稀少烟火图像，利用生成对抗网络GAN生成社区环境下烟火图像集，并对其进行区域标注，标注工具使用LabelImg，并添加smog、fire标签，为后续检测模型有监督训练提供数据基础；其中LabelImg是一个可视化的图像标定工具；其中生成对抗网络GAN具体包括：使用采集的部分烟火图像对生成器进行训练，产生越来越多的模拟烟火图像；并将图像作为输入对鉴别器进行训练，并预测图像是来自训练集还是由生成器网络创建，直到鉴别器对生成器产生的图像不再区分；此时利...

【专利技术属性】
技术研发人员：徐亮，张卫山，孙浩云，尹广楹，张大千，管洪清，
申请(专利权)人：青岛邃智信息科技有限公司，
类型：发明
国别省市：