[发明专利]基于神经网络的烟雾判断方法及装置

说明书

本发明公开一种基于神经网络的烟雾判断方法及装置。该方法由低成本摄像机在视觉域中捕获的烟雾视频，并通过实施强大的分类器改进了烟雾检测，烟雾区域使用深度置信网络(DBN)进行分类，以获得所研究框架中出现烟雾和无烟雾的概率。DBN使用三个选定特征的组合：烟雾颜色、运动和图像能量。通过插入选择的特征向量进行分类，使用DBN直接获得烟雾和无烟雾的概率，开发方法简单，无需要大量数据就能获得良好的分类结果，并且训练过程的时间更少，对计算机GPU的要求更低即可获得良好的分类率，可以在提取烟雾特征运动、颜色和能量分析后，使用输入到简单架构中的特征向量轻松定位烟雾区域，能够比深度CNN分类器更容易、更快速地对烟雾区域进行分类。

技术领域

本发明涉及烟雾检测技术领域，尤其涉及一种基于神经网络的烟雾判断方法及装置。

背景技术

烟雾是火灾发生初期的重要标志之一，明火的出现往往意味着燃烧过程已经持续了一段时间，因此对烟雾进行检测，可以在火灾发生初期对燃烧点进行定位，为后续火灾治理工作提供相关重要信息。视频监控对于火灾的预防具有重要的意义，烟雾作为火灾出现的早期特征，一直以来是火灾预警研究的重要对象。

业内开发了大量算法来确保烟雾检测的可靠预测。尽管在烟雾检测方面取得了一些进展，但大多数算法仅在快速检测野火方面有效，从烟雾图像中提取的特征会导致误报，烟雾检测过程缓慢。传统的烟雾探测器并不理想地适合有效的烟雾探测，因为它们不指定烟雾的大小、位置或方向。与视频辅助烟雾探测相比，传统烟雾探测器提供的信息明显不足。提取视频中出现的烟雾信息是预防火灾的一个重要的研究热点。烟雾的形状、质地和颜色的复杂变化是识别给定视频图像中烟雾的重中之重。

现有的基于神经网络的烟雾判断方式主要有Alex-Net、VGG-Net、Res-Net、Dense-Net、DNCNN等，但大多数传统的烟雾检测算法都遵循模式识别过程，这个过程主要上包括特征提取和分类。提取候选区域后使用静态和动态烟雾特征执行烟雾识别和无烟区域分类，但这种烟雾检测不能满足高烟雾检测率的要求，并且处理时间长。由于最大池化操作，基于卷积神经网络的烟雾检测方法明显变慢。此外，如果计算机没有配备强大的图形处理单元，则训练阶段可能会花费大量时间。因此，有必要提出一种基于神经网络的烟雾判断方法及装置，以解决上述问题。

发明内容

本发明提供一种基于神经网络的烟雾判断方法及装置，以解决现有烟雾判断方法不能满足高烟雾检测率的要求，处理时间长的问题。

第一方面，本发明提供一种基于神经网络的烟雾判断方法，包括：

获取视频数据，所述视频数据中包括数个包含烟雾的视频和数个不包含烟雾的视频；

提取所述视频数据中的帧得到提取帧，将所述提取帧中的一部分作为训练集，用于拟合烟雾判断模型；

选择训练集中的运动帧并消除静态帧；计算所述运动帧的R、G、B分量之间的矩阵差异；

如果所述R、G、B分量之间矩阵差异全部小于预设实验阈值，则保留所述运动帧；

如果所述R、G、B分量之间矩阵差异不满足全部小于预设实验阈值，则剔除所述运动帧；

计算剩余运动帧和参考帧的能量比，所述参考帧为运动帧的烟雾出现前的背景帧；

在和参考帧的能量比小于1的运动帧中提取烟雾预测区域，将所述烟雾预测区域用矩形框定位；

将所述烟雾预测区插入到特征向量中，将所述特征向量提供给DBN网络，以使用DBN分类器对烟雾和无烟区域进行分类。

进一步地，获取视频数据的步骤中，所述视频数据使用Python和开源计算机视觉库Open CV实现。

进一步地，获取视频数据的步骤中，所述视频数据中包括20个包含烟雾的视频和8个不包含烟雾的视频。