[发明专利]一种基于属性感知注意力汇集的工业烟排放识别方法

说明书

本发明公开了一种基于属性感知注意力汇集的工业烟排放识别方法，首先输入视频属性信息，采用属性信息解码模块进行解码得到多重属性特征图；然后将多重属性特征图和视频共同输入注意力汇集特征编码模块得到用于表征工业烟的多重特征；接下来利用多重监督信息对多重特征进行渐进解码得到烟密度图像序列；最后对烟密度图像序列进行分类得到烟识别结果。本发明综合利用二值类别信息、烟密度图像信息，视频属性信息等对输入图像的每个像素进行强监督，降低了工业烟排放识别的误报率和漏报率。

技术领域

本发明属于模式识别技术领域，具体涉及一种工业烟排放识别方法。

背景技术

目前，在实际应用中，烟排放识别仍然依赖于人工手动估计，费时费力。由于监 控视频具有响应速度快、远程控制、全时值守、节省人力等优点，目前基于智能监控 的烟排放识别方法已成为一种重要思路。基于该思路的方法可大致分为两类：

早期的方法通常首先从图像或视频中提取人工特征，然后对提取的特征进行分类以获得烟识别结果。然而，人工特征无法有效地描述语义信息。近年来，基于深度学 习的烟识别方法得到了广泛的应用，并取得了比早期方法更好的性能，因为深度模型 为烟识别提取了丰富的语义信息。

现有深度烟识别模型大致可分为基于图像的烟识别方法和基于视频的烟识别方法。 前者提取空间特征进行分类，主要关注如何通过设计各种网络结构和模块来学习最本质的烟特征表示。后者提取时空特征进行分类，主要通过分析随时间变化的连续帧来 描述烟的时序信息，得到烟的特征表示。基于视频的方法由于表征了烟的运动信息， 因此通常比基于图像的方法具有更好的性能。事实上，一些轻/小的真实烟和许多似烟 目标只有使用时空信息才能正确识别。

然而，由于烟的多样性和似烟目标(如雾、云、水汽)的不断干扰，现存的智能 工业烟排放识别方法仍面临检测率低和误报率高的问题。主要原因在于，现有的烟识 别深度模型只考虑二值类别信息(烟/非烟)或目标区域包围盒作为监督信息进行训练， 忽略了视频属性信息(例如摄像机安装位置信息，季节和天气等)，这些属性信息可以 为提高模型泛化能力提供重要的补充信息。二值分类标签具有局部语义特性，即二值 标签只对应图像中的一个小的局部区域，不能有效地指导模型训练过程。目前关于工 业烟排放的发明并不多，并且大部分存在漏报率和误报率偏高、环境适应性差等问题， 并没有真正从技术上和工程上解决烟排放识别的核心问题。

发明内容

为了克服现有技术的不足，本发明提供了一种基于属性感知注意力汇集的工业烟排放识别方法，首先输入视频属性信息，采用属性信息解码模块进行解码得到多重属 性特征图；然后将多重属性特征图和视频共同输入注意力汇集特征编码模块得到用于 表征工业烟的多重特征；接下来利用多重监督信息对多重特征进行渐进解码得到烟密 度图像序列；最后对烟密度图像序列进行分类得到烟识别结果。本发明综合利用二值 类别信息、烟密度图像信息，视频属性信息等对输入图像的每个像素进行强监督，降 低了工业烟排放识别的误报率和漏报率。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：输入视频属性信息，采用属性信息解码模块进行解码得到多重属性特征图；

步骤2：将多重属性特征图和视频共同输入注意力汇集特征编码模块得到用于表征工业烟的多重特征；

步骤3：利用多重监督信息对多重特征进行渐进解码得到烟密度图像序列；

步骤4：对烟密度图像序列进行分类得到烟识别结果。

进一步地，所述视频属性信息包括视频的拍摄位置编号、拍摄季节信息、拍摄天气信息，所述天气信息包括是否有雾、是否下雨、是否刮风。

进一步地，所述步骤1中采用属性信息解码模块进行解码得到多重属性特征图具体步骤如下：

步骤1-1：将视频属性信息转换为属性信息数值向量a，具体转换方法为：