[发明专利]基于静态解析特征的烟、火检测卷积网络、方法及电子设备

说明书

本发明涉及火灾检测技术领域，具体涉及一种基于静态解析特征的烟、火检测卷积网络、方法及电子设备，卷积网络包括颜色特征网络、纹理特征网络、边缘特征网络和解析特征融合网络，所述卷积网络将烟火图像解构成颜色、纹理、形状三种特征，重构流程检测烟雾，最终输入图像，输出检测结果。本发明比起RGB、YCbCr、CIE Lab、HSI、YUV、dark channel等简单的颜色模型，自动训练生成的颜色通道能覆盖更多的样本；比采用通用的卷积神经网络指向性明确，简单的网络具有更好的性能，轻型网络也意味着不大的数据依赖；比传统人工抽取特征的方法通用性更强，比通用卷积网络轻，并且准确度更高。

技术领域

本发明涉及火灾检测技术领域，具体涉及一种基于静态解析特征的烟、火检测卷积网络、方法及电子设备。

背景技术

火灾对人类生产生活造成巨大损害。火灾预警的时间越迟，人员伤亡就越大，财产损失越高。而烟雾作为火灾初期产生的重要特征，如果能通过视觉装置有效的捕捉到烟雾，就能在火情尚未扩大时提供及时、有效的预警，从而减小人员伤亡和财产损失。由于监控相机易于架设且存在普遍，因此开展基于视觉的烟雾检测/火灾研究具有重要的实际应用意义。

早期的烟雾识别多围绕颜色、纹理以及轮廓等静态特征展开。烟雾颜色随背景环境和燃烧材料的不同而变化很大，但许多类型的烟雾都呈现出灰色或浅蓝色。同时，烟雾通常会降低图像像素的色度通道值。因此有人建立了参考烟雾颜色模型，与参考模型像素颜色之间的距离作为特征。另一方面，烟雾有独特的纹理，通常采用灰度共生矩阵、局部二值模式两种方法提取纹理。灰度共生矩阵描述图像中像素对灰度值的空间关系，计算具有一定空间偏移量的像素灰度值对的频率；局部二值模式将给定像素的灰度值与其8个相邻像素的灰度值进行比较，得到8位二进制数，表示对应的局部图像块的纹理信息。另外，由于烟雾的运动和气流的变化，烟雾形状经常发生变化，但总是呈现为圆圈形状。

事实上，烟雾的确在颜色、纹理以及轮廓上具有与众不同的特点，从这些方面的确可以把烟雾从背景中区分出来。早期的研究将注意力放在颜色、纹理以及轮廓上的特征是正确的。从卷积神经网络摄取的特征来看，卷积神经网络也是依据这些信息来进行综合分析的。但是采用通用的卷积神经网络，网络会过于巨大，并且往往样本不充足，并不能发挥深度网络的长处。王正来、OleksiiMaksymi、YiZhao意识到颜色、纹理以及轮廓的作用，有意识地将这些信息结合到网络里，但是这些网络往往分成两个部分，第一个部分采用传统方法，第二个部分再采用卷积神经网络来进行判断。

既然颜色、纹理以及轮廓对识别烟雾有效，卷积网络能够自动从大量样本中抽取适应性强的特征，因此我们提出一种先生成颜色通道、再从颜色通道中生成纹理、形状等空间特征的烟雾识别网络，具有以下特点：(1)多层1x1卷积和通道注意力机制自动生成类间差异显著的颜色模式；(2)在颜色通道上建构抽取纹理、形状等空间特征；(3)综合多层次的颜色、纹理特征识别场景中的烟雾。这种方法具有以下优点。

发明内容

针对现有技术的不足，本发明公开了一种基于静态解析特征的烟、火检测卷积网络、方法及电子设备，用于解决上述技术缺陷。

本发明通过以下技术方案予以实现：

第一方面，本发明公开了一种基于静态解析特征的烟、火检测卷积网络，所述卷积网络包括颜色特征网络、纹理特征网络、边缘特征网络和解析特征融合网络，所述卷积网络将烟火图像解构成颜色、纹理、形状三种特征，重构流程检测烟雾，最终输入图像，输出检测结果。

更进一步的，所述颜色特征网络学习烟、火的颜色特征，通过多次1×1的非线性卷积学习到合适的颜色模式，且建模颜色通道之间的相互依赖关系，因此不受空间特征的影响，只操作颜色空间，采用1×1的卷积核卷积，然后非线性变换，即：