[发明专利]一种基于深度学习模型的火焰识别方法

权利要求书

1.一种基于深度学习模型的火焰识别方法，其特征在于，包括以下步骤：

(1)通过背对背的两台鱼眼相机采集视频信息，然后读取采集的视频信息每一帧图像，接着将获取的鱼眼图像进行高斯滤波，得到滤波后的鱼眼图像；

(2)校正步骤(1)得到鱼眼图像的内部参数，然后进入步骤(3)，内部参数包括切向误差、径向误差和光心误差；

(3)校正鱼眼图像的外部参数，进入步骤(4)；

(4)构建球面模型，将步骤(3)校正后的鱼眼图像投影到球面模型上，然后去除投影在球面模型上的重复区域，形成球面图像，然后进入步骤(5)；

(5)通过去烟雾模型去除步骤(4)得到的球面图像中烟雾对火焰部分识别的干扰信息，然后进入步骤(6)；

(6)采用改进Codebook方法获取球面图像上动态区域，然后进入步骤(7)；

(7)将步骤(6)获取的动态区域部分生成透视图像；

(8)正规化步骤(7)得到的透视图像，将透视图像作为已训练七层架构卷积神经网络的输入，识别动态区域是否为火焰，若动态区域为火焰，则进入步骤(9)，否则结束本次操作；

(9)将识别结果传输到下位机，在下位机显示识别结果并产生报警信息。

2.根据权利要求1所述的一种基于深度学习模型的火焰识别方法，其特征在于，当步骤(3)中的鱼眼图像转换为640×480像素的图时，若鱼眼图像上检测到角点数大于300，步骤(3)包括以下步骤：

(31)在球面模型上以检测的特征点为中心生成透视角度一定、大小确定的正规化图像块；

(32)在相邻的两帧图像上的确定范围内计算特征点对的相关度值，

(33)最终得到最佳匹配对，优化相机的相对姿势。

3.根据权利要求1所述的一种基于深度学习模型的火焰识别方法，其特征在于，当步骤(3)中的鱼眼图像转换为640×480像素的图时，若鱼眼图像上检测到角点数少于300，步骤(3)包括以下步骤：

(31)利用图像上检测出的边和几何结构，在球面模型上得到消失点对，

(32)以消失点对为基础得到图像上结构的变换关系，从而计算并优化相机的相对姿势，从而优化外部参数。

4.根据权利要求1所述的一种基于深度学习模型的火焰识别方法，其特征在于，当步骤(3)中校正鱼眼图像中大视野图像的重复视野的角度大于15度时，步骤(3)包括以下步骤：

(31)通过球面模型生成大角度的透视图像，

(32)在透视图像重复视野上计算其相关度，从而反馈调整相机姿势，调整以后再次生成透视图像进行优化。