一种基于弱监督学习的视频烟雾显著性目标检测方法技术

本发明专利技术涉及一种基于弱监督学习的视频烟雾显著性目标检测方法，包括：采集不同场景下的火灾烟雾视频数据，得到样本集；对样本集进行预处理，生成火灾烟雾视频的伪标签和光流数据；设计一个含有两个子网络的视频显著性目标检测模型，有效地处理目标的运动特征；设计一种考虑上下文信息的损失函数，以优化模型的训练过程。本发明专利技术可以在零标注数据下应用于不同的火灾烟雾视频检测场景中，能够更好地处理烟雾目标的显著性检测问题，并且在不同的背景条件下保持高效和准确的检测效果。

【技术实现步骤摘要】

本专利技术涉及火灾烟雾检测、视频显著性目标检测和弱监督学习领域，具体涉及一种基于弱监督学习的视频烟雾显著性目标检测方法。

技术介绍

1、由于多数火灾发生初期会呈现阴燃现象，此时烟雾将会先于火焰出现，并从大面积燃烧前的烟雾逐步发展至不易控制的火势状态，所以基于视频的烟雾检测方法逐渐成为视频火灾检测领域的重点研究方向。中国专利申请cn201010136306.1（嵌入式视频烟雾探测器及烟雾识别方法），提取图像的边缘特征、运动特征、纹理特征进行烟雾模式识别，但该方法主要基于帧间差分法进行烟雾区域监测，问题在于当烟雾运动速度不确定时，模型提取目标的能力有限；采用边缘、运动、纹理等传统特征描述目标其表示能力也较为有限。

2、视频显著性目标检测旨在发现视频中视觉上最显著的目标，并识别覆盖这些显著目标的所有像素，可用于许多高级应用，如视频对象分割、目标跟踪和视频理解。显著性检测大致可以分为两类，第一类为眼球注视预测，专注于预测视频中观看者的眼睛注视，这有助于从生物学角度理解人类视觉和认知系统的内在机制，第二种为显著性目标检测，需要从潜在杂乱的背景中分割出最重本文档来自技高网...

【技术保护点】

1.一种基于弱监督学习的视频烟雾显著性目标检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于弱监督学习的视频烟雾显著性目标检测方法，其特征在于，所述步骤S2包括：使用改进的混合高斯模型算法进行伪标签制作时，对于单个视频中的每一个像素点，改进的混合高斯模型算法维护每个像素点的多个高斯分布，以体现可能出现的颜色变化范围；对每个像素的背景模型进行实时更新，同时识别出那些不匹配背景模型的像素点，将其分类为前景；通过亮度阈值识别烟雾；结合连通阈面积阈值进一步消除由于环境噪声或小干扰引起的误检测。

3.根据权利要求1所述的基于弱监督学习的视频烟雾显著性目标检测...

【技术特征摘要】

1.一种基于弱监督学习的视频烟雾显著性目标检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于弱监督学习的视频烟雾显著性目标检测方法，其特征在于，所述步骤s2包括：使用改进的混合高斯模型算法进行伪标签制作时，对于单个视频中的每一个像素点，改进的混合高斯模型算法维护每个像素点的多个高斯分布，以体现可能出现的颜色变化范围；对每个像素的背景模型进行实时更新，同时识别出那些不匹配背景模型的像素点，将其分类为前景；通过亮度阈值识别烟雾；结合连通阈面积阈值进一步消除由于环境噪声或小干扰引起的误检测。

3.根据权利要求1所述的基于弱监督学习的视频烟雾显著性目标检测方法，其特征在于，所述步骤s2中的使用密集光流提取dual tv-l1光流算法获得光流数据包括：首先，将视频分解成一系列的单独帧，通过逐帧分析，从而详细追踪时间轴上的微小变化；从第二帧开始，计算每一帧相对于前一帧的像素运动，产生的光流向量反映了像素在两帧之间的移动；计算出的光流向量包含两个分量：水平分量和垂直分量的移动，再通过归一化处理，将这些光流分量转换为从视觉上能够辨认的格式，即伪彩色图像，表示出运动的强度和方向；最后，保留两张图像每个像素点的较大值，将两个方向的伪彩色图像合并成最终的光流rgb图片；

4.根据权利要求1所述的基于弱监督学习的视频烟雾显著性目标检测方法，其特征在于，所述步骤s3包括：

5.根据权利要求4所述的基于弱监督学习的视频烟雾显著性目标检测方法，其特征在于，所述空间金字塔池化模块通过五个并行层处理输入特征，包括一个1×1的点卷积层，三个具有不同空洞率的3×3空洞卷积层，以及一个全局平均池化层；这五个并行层的输出在深度维度上进行拼接，生成了最终的特征图；三个不同空洞率分别为12、24和36。

6.根据权利要求4所述的基于弱监督学习的视频烟雾显著性目标检测方法，其特征在于，所述解码器通过融合高层和低层特征来恢复特征图的空间尺寸，以准确预测具有清晰对象边界的高分辨率显著性图；空间金字塔池化模块的高层输出特征通过解码器中的一...

【专利技术属性】
技术研发人员：贾阳，毛紫旭，崔栖瑞，姚莹莹，江炜珏，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：