[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

说明书

本发明公开了一种利用深度学习分类模型实现烟雾检测的方法，包括：从视频流中获取一帧待去烟雾图像，利用高斯混合模型对待去烟雾图像进行处理，以得到该待去烟雾图像的运动区域，利用暗通道去雾算法对图像进行处理，以得到无烟图像模型，获取待去烟雾图像和无烟图像模型之间的差值图像，对差值图像进行二值化处理，以得到疑似烟雾区域，获取运动区域和疑似烟雾区域之间的交集区域，将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中标注烟雾区域。本发明用轻量级的深度学习分类模型，达到较高的准确率和检测率，降低误检率，并可以实现实时检测的效果。

技术领域

本发明属于图像处理技术领域，更具体地，涉及一种利用深度学习分类模型实现烟雾检测的方法和系统。

背景技术

火灾是自然灾害和社会灾害中发生概率最高的灾害之一，对人类生活和生命构成严重威胁。火灾发生的前期往往伴随着大量烟雾的产生，如能及时准确地对烟雾进行检测，对火灾预警及扑救有着深远意义。

如今主要采用的视频烟雾检测方法是基于颜色特征、边缘检测、LBP算子、小波变换等的人工特征提取方法，但这些检测方法均存在一些不可忽略的问题：第一、由于烟雾的形状和颜色多变，这些方法所提取的特征泛化能力差，从而导致其准确率和检测率较低，误检率较高，应用场景有限；第二、这些方法往往需要将整幅图像作为输入，计算量大，实时性较差；第三、普通的深度学习分类模型为了得到更好识别效果，通常采用较为复杂的模型结构，从而导致模型参数量较多，算法计算量大。

发明内容

针对现有技术的以上缺陷或改进需求，本发明引入了深度学习算法，将特征表示和分类器联合优化，提供了一种利用深度学习分类模型实现烟雾检测的方法和系统，在训练分类模型时，加入本发明中提出的得分聚类损失函数，其目的在于，用轻量级的深度学习分类模型，达到较高的准确率和检测率，降低误检率，并可以实现实时检测的效果。

为实现上述目的，按照本发明的一个方面，提供了一种利用深度学习分类模型实现烟雾检测的方法，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。

优选地，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。

优选地，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。

优选地，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，优选为30。