[发明专利]一种结合YOLOv3和光流法的车辆火灾识别方法

权利要求书

1.一种结合YOLOv3和光流法的车辆火灾识别方法，其特征在于，所述方法为：

制作训练样本集，使样本集内包括多种常见的目标；

训练权重模型，配置YOLOv3网络模型参数，将训练样本集代入，离线训练YOLOv3网络模型，生成权重模型；

进行单帧图像火焰检测，采集车辆实时图像输入权重模型，输出检测结果，判断是否存在真实火焰和干扰因素；

对连续图像序列进行火灾识别，通过光流法统计火焰区域的光流信息，统计疑似区域内火焰整体运动方向，判断火灾真实性。

2.如权利要求1所述的一种结合YOLOv3和光流法的车辆火灾识别方法，其特征在于，所述训练样本集内包括三类目标：真实火焰样本、显示器样本和光源样本；

所述真实火焰样本包括在实际应用环境下不同光线、角度、火源的采集的火焰图像，以及网络公开样本集，从中筛选火焰样本；

所述显示器样本由于一般车辆中都有显示器设备，若播放火灾安全宣传片，容易造成误报，对显示器现实的火焰样本进行采集；

所述光源样本包括多种车辆周边的光源类型，车灯光源、车内部照明灯光源、装饰灯光源均在光源样本内。

3.如权利要求2所述的一种结合YOLOv3和光流法的车辆火灾识别方法，其特征在于，所述真实火焰样本、显示器样本和光源样本通过labelImg软件进行样本标记，生成标注文件。

4.如权利要求1所述的一种结合YOLOv3和光流法的车辆火灾识别方法，其特征在于，所述训练权重模型的方法为：

通过对训练样本集采用k-means聚类算法得到9种尺度的先验框，可以检测大中小不同尺度的目标；

准备离线训练，配置YOLOv3网络模型参数，调整训练类别数、先验框、迭代次数；

利用标注文件和训练样本集，开始离线训练YOLOv3网络模型，生成权重模型。

5.如权利要求4所述的一种结合YOLOv3和光流法的车辆火灾识别方法，其特征在于，所述权重模型经过不断迭代，待误差损失收敛到最小值，从而得到最优权重模型。

6.如权利要求1所述的一种结合YOLOv3和光流法的车辆火灾识别方法，其特征在于，所述单帧图像火焰检测方法为：

通过摄像头采集车辆实时图像；

将采集的实时图像输入训练好的权重模型；

权重模型判断单帧图像内是否存在真实火焰、显示器显示的火焰或者光源；

排除干扰因素，输出检测分析结果。

7.如权利要求1所述的一种结合YOLOv3和光流法的车辆火灾识别方法，其特征在于，所述连续图像序列进行火灾识别方法为：

累计多帧检测到火焰的连续图像；

计算输入图像的光流场，然后对光流场进行阈值分割，形态学去噪，提取连通域；

统计火焰区域的光流信息，包括运动方向和运动速度；

受车辆上空调影响，火焰运动的方向会倾向同一方向，短时间内火焰运动幅度不大的特点，判断是否有火灾发生。