[发明专利]基于多通道卷积神经网络的室内火灾视频识别方法

权利要求书

1.基于多通道卷积神经网络的室内火灾视频识别方法，其特征在于，具体包括以下步骤：

步骤一、对视频中的图像进行火焰的区域分割，提取图像中疑似火焰目标，进而获得疑似火焰目标区域面积；

步骤二、对视频中的图像提取火焰颜色特征；

步骤三、根据疑似火焰目标区域面积对视频中的图像提取圆形度特征和面积变化特征；

步骤四、将火焰颜色特征、圆形度特征以及面积变化特征作为检测特征通道，设计卷积神经网络CNN模型；对各个通道图像特征进行识别训练；

步骤五、将从待识别视频中提取的火焰颜色特征、圆形度特征以及面积变化特征输入训练好的卷积神经网络中进行火灾识别。

2.根据权利要求1所述基于多通道卷积神经网络的室内火灾视频识别方法，其特征在于，步骤一中所述图像中疑似火焰目标的提取采用基于改进OTSU的火焰静态区域分割，具体包括以下过程：

步骤A1、计算图像中各灰度值的像素个数，保存至数组中，该数组下标对应拉伸灰度值，数组中元素分别保存图像中各灰度值对应的像素数；

步骤A2、计算图像背景平均灰度、背景像素数所占比例；

步骤A3、计算图像前景平均灰度、前景像素数所占比例；

步骤A4、遍历灰阶，寻找拉伸类间方差极大值；选择此时对应的前景与背景的分割阈值T进行火焰静态区域分割，得到图像中疑似火焰目标。

3.根据权利要求1所述基于多通道卷积神经网络的室内火灾视频识别方法，其特征在于，步骤一中所述图像中疑似火焰目标的提取采用基于连通性分析的火焰动态区域分割，具体包括以下过程：

步骤B1、计算当前帧图像F_i(x，y)与背景帧的差D(x，y)；

步骤B2、计算当前帧图像F_i(x，y)与前一帧图像F_i-1(x，y)之间的帧间差F_d(x，y)；i表示视屏中图像帧的序号；

步骤B3、求D(x，y)与F_d(x，y)的交集，得到运动目标粗糙运动区域；

步骤B4、利用数学形态学获得运动区域并去掉背景噪声，得到图像中疑似火焰目标。

4.根据权利要求1、2或3所述基于多通道卷积神经网络的室内火灾视频识别方法，其特征在于，步骤二中所述火焰颜色特征的具体提取条件包括：

R＞R_T (9)

R≥G＞B (10)

S≥(255-R)×S_T/R_T (11)

其中，R为视频中的图像的红色分量，G为视频中的图像的绿色分量，B为视频中的图像的蓝色分量；S为视频中的图像的饱和度；R_T为红色分量阈值，S_T为饱和度阈值；同时满足式(9)、式(10)、式(11)的图像火焰颜色特征值为1，否则火焰颜色特征值0。

5.根据权利要求4所述基于多通道卷积神经网络的室内火灾视频识别方法，其特征在于，步骤三中所述圆形度特征的具体计算公式为：

其中，C_i为圆形度，S_i表示第i帧图像中疑似火焰目标区域面积，i＝1，2，3，...，n；n表示视屏中图像帧的总数；L_i表示疑似火焰目标区域周长。

6.根据权利要求5所述基于多通道卷积神经网络的室内火灾视频识别方法，其特征在于，步骤三中所述面积变化特征为面积变化趋势，面积变化趋势为R(n)的具体计算为：

其中，表示n帧图像的疑似火焰目标区域面积的平均值；当R(n)＞1说明目标区域面积有增大趋势。

7.根据权利要求6所述基于多通道卷积神经网络的室内火灾视频识别方法，其特征在于，步骤四中所述卷积神经网络CNN模型包括火焰颜色特征通道、圆形度特征通道以及面积变化特征通道；

其中，火焰颜色特征通道包括输入层、卷积层、池化层、全连接层；圆形度特征通道和面积变化特征通道均包括输入层、隐含层、全连接层；三个通道数据最终通过输出层进行融合输出。