[发明专利]一种基于机器学习监测视频图像烟雾的火情预警方法

说明书

本发明公开了一种基于机器学习监测视频图像烟雾的火情预警方法，其特征是，包括如下步骤：步骤1)收集并标记各种烟雾场景的图片数据集，其中非火情预警烟雾场景归为A类，火情预警烟雾场景归为B类；步骤2)上下文目标检测层非火灾预警烟雾场景训练：步骤3)上下文目标检测层火情预警烟雾场景训练，重复步骤2)，训练图片为B类火情预警烟雾图片；步骤4)疑似火情烟雾图片检测。本发明所达到的有益效果：解决了传统机器学习方法分类器无法准确区分所检测的烟雾是否为火灾导致的问题。本发明利用上下文目标检测的方法，判断烟雾所在区域的上下文关系，在提高火情预警率的前提下压低虚警、漏警率。

技术领域

本发明涉及一种基于机器学习监测视频图像烟雾的火情预警方法，属于视频图像处理技术领域。

背景技术

众所周知，在火灾发生的初期处于阴燃阶段或者火焰较小时就已经有烟雾产生，烟雾具有在范围较大的空间中信息传播速度快的特点。随着计算机视觉、数字图像处理、机器学习等技术的发展，人工智能摄像头的铺设，基于视频的火灾探测预警技术逐渐得到了研究和进展。基于视频图像的火灾探测预警技术是一种基于数字图像处理和分析的新型火灾探测预警方法，基于数字图像处理的火灾探测成本低、准确度高、信息量大。

目前视频烟雾检测方法根据烟雾的特性，可以分为烟雾的静态特征检测和动态特征检测。静态特征包括：烟雾颜色矩、高频能量以及运动区域的紧凑度等；动态特征值包括：烟雾的运动方向、运动速度以及运动区域面积的增长速度等。基于机器学习分类器，根据特征向量将烟雾与非烟雾区别开来，依据正负训练样本的特征数据构建2类支持分类器，即烟雾和非烟雾两类。但是，火灾烟雾也与雾霾(特别是浓雾和重霾)具有较高的相似性，且视频图像中的烟雾也未必一定意味着火灾的发生，因此如何智能地判定烟雾与火情的关系，从而在提高火情预警率的前提下压低虚警、漏警率是一个技术难题。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于机器学习监测视频图像烟雾的火情预警方法，解决了传统机器学习方法分类器无法准确区分所检测的烟雾是否为火灾导致的问题。

为了实现上述目标，本发明采用如下的技术方案：

一种基于机器学习监测视频图像烟雾的火情预警方法，其特征是，包括如下步骤：

步骤1)收集并标记各种烟雾场景的图片数据集，其中非火情预警烟雾场景归为A类，火情预警烟雾场景归为B类；

步骤2)上下文目标检测层非火灾预警烟雾场景训练：

21)将标注好的A类烟雾场景图片作为训练集；

22)获得所给图像的Gist特征；

23)对图片的场景进行划分；

24)单一基础目标检测；

25)子场景下的子树模型学习；

26)子树型模型参数的学习；

步骤3)上下文目标检测层火情预警烟雾场景训练，重复步骤2)，训练图片为B类火情预警烟雾图片；

步骤4)疑似火情烟雾图片检测：

41)进行场景选择；

42)利用单一基础检测器DPM获得每个目标的检测窗口和分值；

43)利用获得的基于上下文信息的多层目标检测模型推理出目标位置和目标出现的判断是否正确。

前述的一种基于机器学习监测视频图像烟雾的火情预警方法，其特征是，所述步骤1)中非火情预警烟雾场景归为A类，包括：燃放爆竹场景、汽车尾气排放场景、已有消防人员灭火场景、寺庙焚香冒烟场景、野炊生火冒烟场景和烟囱冒烟场景；火情预警烟雾场景归为B类，包括：建筑物失火场景、森林失火场景、仓库失火场景、厂房失火场景和田野失火场景。