[发明专利]一种社区监控场景下烟火检测方法

说明书

本发明涉及图像处理、深度学习技术领域，具体公开了一种社区监控场景下烟火检测方法，包括以下步骤：获得社区监控场景下的烟火视频流，解码获得烟火图像；将部分烟火图像输入生成对抗网络GAN中，生成大量社区环境下的烟火图像；对烟火图像标注烟火添加标签制作数据集，为后续检测模型有监督训练提供数据基础；对数据集做PCA白化预处理，减少图像的冗余信息，降低图像像素之间的关联强度；将处理后的数据集输入烟火检测网络模型SFD‑CNN中进行训练学习，直至得到最后参数；利用训练好的SFD‑CNN模型对待识别图形进行检测，是否有烟火迹象等。本发明可有效提高社区环境下烟火的检测率与效率。

技术领域

本发明涉及图像处理、深度学习技术领域，特别涉及一种社区监控场景下烟火检测方法。

背景技术

随着科学技术、信息技术的快速发展，智能视频监控技术在民用、商业、国防等领域的广阔应用前景引起了许多国内外专家的重视，纷纷投入大量研发人员、资源条件以促进其应用发展。此外，科学技术的发展带动了社会的进步，智慧社区、智慧城市已不再是概念上的话题，同时也为视频监控技术的研究提供了强有力的研究试点平台。近几年来深度学习的发展也进一步带动了视频监控技术的革新。而卷积神经网络则是深度学习的典型代表，在图像处理、图像识别等方面都有着显著的成效。对于特征提取，卷积神经网络具有自动学习的优势，代替了繁杂的传统人工提取方法，减少了人工干预，提高了特征提取的精确度。卷积神经不仅在特征提取方面有显著成效，在图像识别等其他方面也起着不可替代的作用。

基于卷积神经网络的目标检测与识别技术目前已经得到广泛应用。Faster R-CNN是目标识别领域最有效的方法之一，其优势不仅在于把候选框提起部分放在GPU上运行，还把区域候选框的提取部分从网络嵌入到网络里边，经过卷积后的特征图可以用来获取区域候选框。类似的目标识别网络还有Mask-RCNN、YOLO、SSD等，虽然众多技术上在实验效果上准确度已达96％以上，但是其适用性严重依赖检测环境，由于天气、光照等客观原因，以及目标本身的不定性等外界因素影响了目标检测，从而降低了众多检测模型的准确度。这些算法并不能适应各种复杂环境的要求，目标检测与识别仍没有完整的体系，因此如何设计出针对特定环境提高目标检测与识别准确度的算法依然是目前的研究重点。

社区是人们生活聚集的地方，将烟火作为社区监控场景下目标检测与识别的对象具有很大的研究意义和应用价值。烟火的检测在检测精度与效率上都有着严格的要求，而社区环境背景复杂，增加了目标检测与识别的难度，如何基于卷积神经网络的烟火检测的精度和效率是目前需要解决的重点问题。

发明内容

为了解决社区环境中对烟火检测准确率和效率低的问题，本发明提出一种社区监控场景下烟火检测方法。该方法设计基于卷积神经网络的烟火检测模型SFD-CNN(Smog andFire Detection-Convolution Nerual Network)，采集社区内烟火图像利用生成对抗网络GAN生成大量社区环境下的烟火图像集，并对数据集进行PCA白化预处理操作，提高了检测模型的适用性与实用性，预处理使得模型的检测精度进一步提高。实时监控GPU处理器中的GPU使用情况并根据调度策略进行调度，提高了模型运行速度，进一步提高了模型的检测效率。

为了解决上述技术问题，本发明的技术方案是：

一种社区监控场景下烟火检测方法，包括社区环境下采集烟火图像、标注烟火区域制作训练数据集、图像预处理、训练烟火检测网络模型、对待识别图像进行检测、将结果传递个终端、GPU资源调度，还包括以下步骤：

步骤1：获得社区监控场景下的烟火视频流，解码获得烟火图像；

步骤2：将部分烟火图像输入生成对抗网络GAN中，生成大量社区环境下的烟火图像。对烟火图像标注烟火添加标签制作数据集，为后续检测模型有监督训练提供数据基础；

步骤3：对数据集做白化预处理，减少图像的冗余信息，降低图像像素之间的关联强度；