[发明专利]一种利用深度学习分类模型实现烟雾检测的方法和系统

权利要求书

1.一种利用深度学习分类模型实现烟雾检测的方法，其特征在于，包括以下步骤：

(1)从视频流中获取一帧待去烟雾图像I；

(2)利用高斯混合模型对步骤(1)中得到的待去烟雾图像I进行处理，以得到该待去烟雾图像I的运动区域Region1；

(3)利用暗通道去雾算法对图像I进行处理，以得到无烟图像模型J；

(4)获取步骤(1)得到的待去烟雾图像I和步骤(3)得到的无烟图像模型J之间的差值图像P；

(5)对步骤(4)得到的差值图像P进行二值化处理，以得到疑似烟雾区域Region2；

(6)获取步骤(2)中得到的运动区域Region1和步骤(4)中得到的疑似烟雾区域Region2之间的交集区域；

(7)将步骤(6)中得到的交集区域输入训练好的深度学习分类模型中，以得到最终的烟雾识别结果，并根据该烟雾识别结果在待去烟雾图像I中标注烟雾区域。

2.根据权利要求1所述的方法，其特征在于，步骤(3)具体是采用以下公式：

其中x表示图像I中的任何一个像素点，A表示总体大气光强，t(x)表示图像I的透射率。

3.根据权利要求2所述的方法，其特征在于，透射率其中c表示图像I中的RGB颜色通道，Ω(x)表示以RGB颜色通道c中的以像素点x为中心的正方形区域，y表示正方形区域Ω(x)中的像素点，I^c(y)表示RGB通道c中的图像，A^c表示RGB颜色通道中的总体大气光强。

4.根据权利要求1至3中任意一项所述的方法，其特征在于，步骤(5)中的二值化处理过程具体是采用以下公式：

其中T表示二值化阈值，其取值范围是25到35之间。

5.根据权利要求4所述的方法，其特征在于，深度学习分类模型是通过以下过程生成的：

(a)从烟雾数据集中获取多个烟雾图像和非烟雾图像；

(b)利用卷积神经网络对步骤(a)中获取的所有图像中随机选择的m个图像进行训练，以得到卷积神经网络在烟雾测试集上的识别率，其中m的取值是200至500；

(c)针对步骤(a)中获取的所有图像，不断重复上述步骤(b)，直到卷积神经网络在烟雾测试集上的识别率达到最大值为止，从而得到训练好的卷积神经网络。

6.根据权利要求5所述的方法，其特征在于，

卷积神经网络采用十层结构；

第一层是输入层，其输入为32*32*3的像素矩阵；

第二层是第一卷积层，其接收来自输入层的32*32*3的像素矩阵，其中卷积核为3*3*32，该层使用全0填充，步长为1，该层输出矩阵大小为32*32*32；

第三层是第一池化层，池化窗口尺寸为2*2，长和宽的步长均为2，该层输出矩阵为16*16*32；

第四层是第二卷积层，卷积核尺寸为3*3*64，步长为1，该层使用全0填充，输出的矩阵为16*16*64；

第五层为第二池化层，池化窗口尺寸为2*2，步长为2，输出的矩阵大小为8*8*64；

第六层是第三卷积层，卷积核尺寸为3*3*128，步长为1，该层使用全0填充，输出的矩阵为8*8*128；

第七层为第三池化层，池化窗口尺寸为2*2，步长为2，输出的矩阵大小为4*4*128；

第八层为全连接层，其输出节点个数为512，用于对第三池化层的输出特征做一次非线性转换，以得到特征向量；

第九层为线性加权层，输出节点个数为2个，用于对全连接层的输出做线性加权，以得到类别得分向量S_i；

第十层为损失函数层。

7.根据权利要求6所述的方法，其特征在于，损失函数层所使用的损失函数包括交叉熵损失函数和得分聚类损失函数。