[发明专利]一种基于实例分割的隧道烟雾检测方法

说明书

本发明公开了一种基于实例分割的隧道烟雾检测方法，可实现利用卷积神经网络进行实例分割，然后结合滤波方法实现高精度的烟雾检测，能够快速、准确地识别出烟雾，提高火灾情报的精度、缩短预报时间，减少财产损失和保障人的生命，在设计时能够很好的兼顾到烟雾的非刚体结构，对于烟雾区域的分割精准，本发明涉及隧道火灾检测技术领域。该基于实例分割的隧道烟雾检测方法，利用了实例分割方法，结合神经网络与传统图像滤波方法，实现了高准确性和与强鲁棒性的检测方法，可详细的得到烟雾边界信息，通过提出了一种特征融合方法，将深层，浅层及分割信息进行融合，增加了特征提取丰富性，增强了总体检测的鲁棒性。

技术领域

本发明涉及隧道火灾检测技术领域，具体为一种基于实例分割的隧道烟雾检测方法。

背景技术

火灾对人类社会造成的伤害无可估量，每年都有大量的生命财产因为火灾而蒙受了巨大损失，不同于室内火灾监控技术的成熟，户外火情由于各种因素的影响为实时预警带来了困难，随着科学技术的发展以及图像识别技术的快速普及，通过视频监控智能地进行火情监控将是未来火灾预警的重要手段，由于室外火情常常具有相当的隐蔽性，直接对火焰检测效果甚微，因此对火情发生前产生的大量烟雾进行检测成为了实现户外火情检测的有效方案。

现有技术的技术方案：

现有的烟雾检测方法大致分为两种：第一种主要使用传统的光流法、插帧法、背景建模法等运动检测算；第二种主要侧重于深度学习算法，使用卷积神经网络提取烟雾特征，然后进行目标检测，因此现有技术结合了深度学习和传统分析方法，使用了针对烟雾的图像分割方法，相对目标检测方法，实例分割可精确到物体的边缘，有更高的识别准确度以及更强的鲁棒性。

方案一基于传统图像处理方法的实现细节：

首先从视频流中获取一帧烟雾图像，利用高斯混合模型对烟雾图像进行处理，以得到该烟雾图像的运动区域，然后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，从而获取待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。

方案二基于卷积神经网络的实现细节：

首先通过从前端摄像头设备或者本地视频文件中读取视频流，然后使用图像预处理技术对获取到的视频图像进行预处理，主要包括裁剪，调整大小等。通过标注标签，将处理好的样本输入到深度学习检测模型中，最终通过训练好的检测模型得到最终的烟雾检测结果。

现有技术的缺陷：

方案一主要具有的缺陷：

由于烟雾的移动速度缓慢，帧间差异不明显，使用高斯背景建模难以分理出合适准确的背景模型，导致检测结果不稳定。

方案二主要具有的缺陷：

基于深度学习的目标检测方法对于结构化不明晰的目标检测效果有效，烟雾形态各异，网络难以提取出通用特点，检测难度大。

通用缺陷：

上述方法对于复杂背景下信息处理能力差，尤其在隧道当中，过往车辆所带来的光线变化对检测模型的干扰不可忽视，需要设计出对噪声适应能力强的目标模型。

为了快速、准确地识别出烟雾，提高火灾情报的精度、缩短预报时间，减少财产损失和保障人的生命，本发明实现了一种基于深度学习和统计分析的隧道烟雾检测方法，现有的烟雾检测方法在设计时不能很好的兼顾到烟雾的非刚体结构，对于烟雾区域的分割不够精准，因此本发明利用了实例分割方法，结合神经网络与传统图像滤波方法，实现了高准确性和与强鲁棒性的检测方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于实例分割的隧道烟雾检测方法，利用卷积神经网络进行实例分割，然后结合滤波方法实现高精度的烟雾检测。