System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术实施例涉及图像识别领域,特别涉及一种烟雾场景下的图像识别方法、装置及存储介质。
技术介绍
1、火灾现场不确定性和不可控性较多,在未明确是否存在受困人员的情况下进去救援容易造成不必要的人力、物力和财力的损失,降低火灾救援的成功机率。随着信息采集、数据处理和分析手段的综合发展,智慧消防基于智能化手段,辅助消防过程中的决策和救援,有效地减少火灾产生的机率,并降低火灾的损失。
2、其中,在实施救援时,明确何处存在受困人员以及受困人员的状态能够提高救援的效率和救援成功率,此时对火灾现场的图像进行受困人员的识别,对智慧消防的发展是关键环节之一。随着深度学习算法的快速发展,提出了大量的对象检测模型,然而火灾现场属于存在烟雾、无法识别上下文特征和其他关联特征的特殊场景,目前尚未存在针对该类特殊场景准确、高效识别受困人员的模型,无法满足智能、快速、准确定位火灾现场受困人员的需求。
3、mask rcnn是何恺明于2017年提出的,是一个非常灵活的框架,可以增加不同的分支完成不同的任务,可以完成目标分类、目标检测、语义分割、实例分割、人体姿势识别等多种任务。mask rcnn在提取roi区域时,通常时采用预设的锚点和不同尺寸比例的多个单元围绕锚点提取roi区域,锚点的位置和单元的尺寸均是随机预设的,无法与火灾现场受困人员的特征契合,在锚点和单元尺寸不适配的情况下,需要进行无用的多次roi区域提取、分类识别,整个过程计算量增大,受困人员识别的效率准确率低,识别时间长。
技术实现思路
1、本专利技术实施方式的目的在于为解决现有技术中存在的烟雾场景下的图像识别方法识别准确率低,识别时间长的技术问题,提供一种烟雾场景下的图像识别方法、装置和存储介质。
2、为解决上述技术问题,本专利技术的实施方式提供了一种烟雾场景下的图像识别方法,所述烟雾场景下的图像识别方法包括:
3、获得场景图像的多尺度特征图,所述场景图像中包括烟雾和待识别对象;
4、基于所述场景图像中的边缘信息确定目标尺度特征图中的候选特征区域;
5、其中,所述目标尺度特征图为所述多尺度特征图中的一张,所述目标尺度特征图由目标识别对象的类型对应的历史尺寸信息确定,所述候选特征区域中不包括所述烟雾的特征,所述目标识别对象为欲在烟雾场景下识别的目标对象;
6、基于roi尺寸和锚点在所述候选特征区域中确定候选roi区域;
7、其中,所述roi尺寸由所述目标识别对象的类型对应的历史尺寸信息确定,所述锚点为以间隔单元为单位在所述候选特征区域中确定的点,所述间隔单元基于所述目标识别对象的类型对应的历史尺寸信息确定,所述锚点与所述场景图像中的待识别对象相对应;
8、过滤所述候选roi区域,得到目标roi区域;
9、基于所述目标roi区域和所述多尺度特征图识别所述场景图像中的所述待识别对象。
10、优选的,所述基于所述场景图像中的边缘信息确定目标尺度特征图中的候选特征区域,包括:
11、检测所述场景图像的边缘信息,所述边缘信息至少包括烟雾的边界信息;
12、基于所述烟雾的边界信息确定所述待识别对象在所述场景图像中的候选区域;
13、基于所述候选区域从所述目标尺度特征图中确定候选特征区域。
14、优选的,基于所述场景图像中的边缘信息确定目标尺度特征图中的候选特征区域,包括:
15、获取所述目标识别对象的类型;
16、统计相同类型的已识别图像中目标识别对象的平均尺寸;
17、基于所述平均尺寸从所述多尺度特征图中匹配所述目标尺度特征图,其中,所述目标尺度特征图中一个特征块的尺寸大于等于所述平均尺寸。
18、优选的,所述基于roi尺寸和锚点在所述候选特征区域中确定候选roi区域,包括:
19、获取所述目标识别对象的类型;
20、从包含相同类型的对象的图像中确定相同类型对象的平均尺寸;
21、以所述相同类型对象的平均尺寸为所述roi尺寸。
22、优选的,所述基于roi尺寸和锚点在所述候选特征区域中确定候选roi区域,包括:
23、获取所述目标识别对象的类型;
24、统计相同类型的已识别图像中目标识别对象的平均尺寸,以作为间隔单元;
25、在所述候选特征区域中确定多个锚点,所述多个锚点的相邻锚点之间的距离为一个间隔单元;
26、以所述多个锚点的各个锚点为中心,以不同方向roi尺寸为窗口,获取所述候选roi区域,所述候选roi区域为多个,每个所述候选roi区域与一个锚点对应,一个锚点对应多个所述候选roi区域。
27、优选的,所述过滤所述候选roi区域,得到目标roi区域,包括:
28、所述候选roi区域为多个,对各个所述候选roi区域进行分类,获得各个所述候选roi区域的类别标签,所述类别标签至少包括背景、前景;
29、筛选所述类别标签为前景的候选roi区域为目标roi区域。
30、优选的,所述基于所述目标roi区域和所述多尺度特征图识别所述场景图像中的所述待识别对象,包括:
31、基于所述目标roi区域的边界确定目标边界框;
32、基于所述目标边界框从所述多尺度特征图中获取目标特征图;
33、对所述目标特征图进行分类,获得所述目标特征图的对象类别标签,所述对象类别标签至少包括目标识别对象;
34、若所述目标特征图的对象类别标签为所述目标识别对象,则识别出所述场景图像中包含所述目标识别对象;
35、与对所述目标特征图进行分类同时的,输出所述场景图像中所述目标识别对象的位置和姿态。
36、优选的,基于mask rcnn模型实现所述烟雾场景下的图像识别方法,所述maskrcnn模型至少包括roi区域提取模块、fast-rcnn模块和fcn模块,所述烟雾场景下的图像识别方法,还包括:训练mask rcnn模型;
37、所述训练mask rcnn模型包括:
38、获取烟雾场景下不同烟雾浓度的样本图像;
39、建立样本图像的信息集,所述信息集中至少包括各个样本图像中的烟雾边界、无烟雾遮挡情况下目标识别对象的尺寸、各个样本图像中无烟雾遮挡区域的背景、前景标签和所述前景标签所在区域对应的对象类别标签;
40、基于所述样本图像的信息集独立训练roi区域提取模块、fast-rcnn模块和fcn模块。
41、本专利技术第二方面提供一种烟雾场景下的图像识别装置,所述烟雾场景下的图像识别装置包括:
42、特征提取模块,用于获得场景图像的多尺度特征图,所述场景图像中包括烟雾和待识别对象;
43、区域选择模块,用于基于所述场景图像中的边缘信息确定目标尺度特征图中的候选特征区域;
44、其中,所述目标尺度特征图为所本文档来自技高网...
【技术保护点】
1.一种烟雾场景下的图像识别方法,其特征在于,所述烟雾场景下的图像识别方法包括:
2.根据权利要求1所述的烟雾场景下的图像识别方法,其特征在于,所述基于所述场景图像中的边缘信息确定目标尺度特征图中的候选特征区域,包括:
3.根据权利要求1所述的烟雾场景下的图像识别方法,其特征在于,基于所述场景图像中的边缘信息确定目标尺度特征图中的候选特征区域,包括:
4.根据权利要求1所述的烟雾场景下的图像识别方法,其特征在于,所述基于ROI尺寸和锚点在所述候选特征区域中确定候选ROI区域,包括:
5.根据权利要求1所述的烟雾场景下的图像识别方法,其特征在于,所述基于ROI尺寸和锚点在所述候选特征区域中确定候选ROI区域,包括:
6.根据权利要求1所述的烟雾场景下的图像识别方法,其特征在于,所述过滤所述候选ROI区域,得到目标ROI区域,包括:
7.根据权利要求1所述的烟雾场景下的图像识别方法,其特征在于,所述基于所述目标ROI区域和所述多尺度特征图识别所述场景图像中的所述待识别对象,包括:
8.根据权利要求1所
9.一种烟雾场景下的图像识别装置,其特征在于,所述烟雾场景下的图像识别装置包括:
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于所述程序被处理器执行时实现权利要求1-8中任一项所述烟雾场景下的图像识别方法步骤。
...【技术特征摘要】
1.一种烟雾场景下的图像识别方法,其特征在于,所述烟雾场景下的图像识别方法包括:
2.根据权利要求1所述的烟雾场景下的图像识别方法,其特征在于,所述基于所述场景图像中的边缘信息确定目标尺度特征图中的候选特征区域,包括:
3.根据权利要求1所述的烟雾场景下的图像识别方法,其特征在于,基于所述场景图像中的边缘信息确定目标尺度特征图中的候选特征区域,包括:
4.根据权利要求1所述的烟雾场景下的图像识别方法,其特征在于,所述基于roi尺寸和锚点在所述候选特征区域中确定候选roi区域,包括:
5.根据权利要求1所述的烟雾场景下的图像识别方法,其特征在于,所述基于roi尺寸和锚点在所述候选特征区域中确...
【专利技术属性】
技术研发人员:姚玉才,刘锦峰,陆静亚,
申请(专利权)人:南京深业智能化系统工程有限公司,
类型:发明
国别省市:
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。