[发明专利]一种结合YOLOv3和光流法的车辆火灾识别方法

说明书

本发明公开了一种结合YOLOv3和光流法的车辆火灾识别方法，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。本发明解决了车辆火灾识别精度低、误差大的问题。

技术领域

本发明涉及图像识别技术领域，具体涉及一种结合YOLOv3和光流法的车辆火灾识别方法。

背景技术

近年来在轨道车辆中火灾事件频频发生，造成严重的人员伤亡和经济损失，因此火灾早期预警极为重要。目前广泛应用的火灾探测器主要是传统的感温探测器、感烟探测器等。感温探测器主要通过感温元件探测环境的温度，通过单个或多个阈值判断火灾的发生。感烟探测器通过探测环境中烟雾颗粒的浓度，超过一定阈值判定火警。这些探测器算法相对简单，在应用中存在一定的局限或误报情况。

图像最能无损的反映真实的信息，通过视频图像能够在火灾发生早期识别火灾，及时采取应对措施，保证人身财产安全。YOLOv3是深度学习领域的一种目标检测框架，因其多尺度特征检测、检测精度高、速度快的特点在目标检测应用中备受关注。客流密集、空间小是轨道车辆的特点，传统的运动目标检测方法受到客流干扰，当火灾发生时无法准确提取动态目标，同时特征提取的计算量也大大增加。YOLOv3网络框架一次搜索即可实现目标识别，不仅能够提取底层特征（颜色、纹理等），而且可以提取到深层特征，对于目标检测有很好的检测精度。但是在轨道车辆中，由于光源干扰、火灾安全宣传片等因素可能会影响YOLOv3的检测结果，导致精度下降。

发明内容

为此，本发明提供一种结合YOLOv3和光流法的车辆火灾识别方法，以解决车辆火灾识别精度低、误差大的问题。

为了实现上述目的，本发明提供如下技术方案：

本发明公开了一种结合YOLOv3和光流法的车辆火灾识别方法，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。

进一步地，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。

进一步地，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。

进一步地，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；