[发明专利]一种基于深度学习图像火灾识别的安全预警管理系统

说明书

本发明公开了一种基于深度学习图像火灾识别的安全预警管理系统，从前到后依次包括系统管理模块、图像预处理模块、火灾识别模型模块、预警管理模块和可视化模块。火灾识别是基于CNN(卷积神经网络)及HSV算法的火灾识别；和/或，基于faster‑rcnn(目标检测)算法的火灾识别；和/或，基于CNN(卷积神经网络)及帧间差分算法的火灾识别，本发明通过前景检测技术做图像预处理，基于深度学习建模完成对火灾检测，同时，基于企业员工与实际经验建立人工模型，对火灾针对危害严重等级进行分类，实现分级预警。不仅实现火灾的高识别率、准确率，而且满足多路高并发时，系统整体响应时间较短。

技术领域

本发明涉及一种安全预警管理系统，尤其涉及一种基于深度学习图像火灾识别的安全预警管理系统。

背景技术

现有的火灾检测方法主要分为两大类：基于传统图像处理的火灾检测方法和基于深度网络的火灾检测方法。基于传统图像处理的火灾检测方法主要倾向于通过分析火灾的视觉特征如颜色特征、纹理特征、形状特征等静态特征来训练火灾分类器；而基于深度网络的火灾检测方法利用卷积神经网络模型来对视频帧中的图像直接做处理，节省了传统学习方法中对训练数据做预处理的大量前期工作，且由于卷积神经网络模型高效的“智能性”和“主动性”，使基于深度网络的目标检测方法与传统方法相比，有了更大的优势。

基于传统图像处理的火灾检测方法主要是从检测火灾图像的视觉特性如颜色特征、纹理特征、形状特征等信息出发，构建分类器。颜色信息是火灾检测的一个重要因素，现有的成熟的额颜色模型有RGB和YCbCr颜色模型，研究者对火灾颜色特征做了大量的研究。T.Celi，提出了一种自适应视频火灾检测算法，该算法将视频前景信息和颜色信息相结合来检测视频中的类火区域。首先进行自适应背景建模，然后提取图像的RGB颜色信息，构建统计颜色模型，采用形态学方法的腐蚀和膨胀操作去除噪音，最后采用连通成分标记算法进行火灾检测。该方法的实时性较强，但是由于只提取了颜色信息导致算法准确率不高。随后，Celik等人提出使用多项式在YCbCr颜色空间上对火灾颜色分布进行建模。这些颜色模型是通过对不同类别的火灾视频序列和火灾相关图片从 YCbCr色彩空间出发做统计学分析得到的。该模型对火灾检测的正确率有所提高。但没有结合火灾的动态特征，对类火静态目标误报率高。Lin提出了一种基于图像处理的智能火灾检测算法，该算法综合考虑了火灾的运动和静态特征。首先获取视频运动区域；其次，经过颜色全间模型获侍候选区域；再次，提取候选区域的面积、周长等形状特征排除一些类火物体的干扰；最后，采用不规则多边形、圆圈等形状特征进行火灾检测。该方法在提升性能、降低误检率上有突出贡献。但在距离远或火灾在图像占比小时，效果欠佳。Kosmas提出了一个实时火灾检测算法，利用各种时空特征对火灾行为进行建模，并利用动态纹理分析模型对候选图像块像素强度的时间演化进行建模。该方法采用的时空特征有：颜色概率信息，闪烁特征，小波分析，时空能量分析，动态纹理分析等，提取好火灾的时空信息特征后，采用SVM(支持向量机)分类器进行火灾检测，提升了算法的准确率和鲁棒性。但时间复杂度高，延时大。段锁林为了克服环境光照强度的影响，提出了一种有效提取火灾特征的算法，该算法首先采用了向量相关理论，然后利用神经网络对提取的特征进行分类，该方法在光照变化的复杂情况下取得了较好的分类结果。但也存在小目标识别率低和高并发下效果不佳。WangDC,CuiX,ParkE提出了使用随机测试和鲁棒性特征的自适应火灾检测算法，该算法首先构建YCbCr颜色空间模型；其次，采用近似中值法更新运动背景图像，两者相结合可以得到一些候选视频帧；然后，提取一些火灾特征，包括闪烁频率、面积、质心等，得到一组特征向量；最后采用机器学习算法中的随机森林算法进行火灾分类模型的构建，完成视频中的火灾检测。但是，该方法仍然受到一些外在条件的干扰，如：摄像头的分辨率、天气条件和环境因素等。Jin针对之前的基于运动信息和颜色模型的视频火灾检测方法的频繁误报进行改进，提出了一种基于逻辑回归和随机测试的实时火灾检测算法,实验表明，该算法在误报率上有显著成效，但对漏报率还有待改进。