[发明专利]基于可变形卷积构成的深度神经网络的烟火检测识别方法

说明书

本发明公开的属于烟火检测技术领域，具体为一种基于可变形卷积构成的深度神经网络的烟火检测识别方法，包括具体步骤下：步骤一：将采集的图像与现有的烟火图片进行对比，从而判断该图像中是否存在烟火，若是存在则直接进行报警处理，若是不存在则不做任何处理，若是因图像模糊而不好判断是否存在烟火时，则进行下一步处理，本发明通过可变形卷积构成的深度神经网络结构对不易判断的图像进行特征提取，并使图像特征与现有的烟火特征进行对比，从而判断图像特征中是否存在烟火，具有对图像进行细化的作用，通过对图像进行细化，不仅会降低烟火的识别难度，还会避免出现误测的现象。

技术领域

本发明涉及烟火检测技术领域，具体为一种基于可变形卷积构成的深度神经网络的烟火检测识别方法。

背景技术

火灾是一种会严重威胁人类生命和财产安全的灾害，一旦发生，往往损失巨大。因此对于火灾的防治一直是人类社会的一个重要课题。而对于烟火的尽早发现，无疑能极大的减少火灾造成的损失。随着人类在人工智能，尤其是计算机视觉方面取得的进展，通过计算机对图像中的特定物体识别成为了可能。然而火焰和烟雾不同于一般的物体，其形状颜色等视觉特征会不断变化，这使得对烟火的识别比一般的物体识别要更加困难，从而会容易出现误测的现象。

为此，我们提出一种基于可变形卷积构成的深度神经网络的烟火检测识别方法。

发明内容

鉴于上述和/或现有一种基于可变形卷积构成的深度神经网络的烟火检测识别方法中存在的问题，提出了本发明。

因此，本发明的目的是提供一种基于可变形卷积构成的深度神经网络的烟火检测识别方法，通过将不易判断的图像传递至可变形卷积构成的深度神经网络结构中，从而通过可变形卷积构成的深度神经网络结构中的卷积层对图像特征进行提取，提取后，再通过可变形卷积构成的深度神经网络结构中的池化层对图像特征进行优化，最后再由可变形卷积构成的深度神经网络结构中的输出层将图像特征与现有的烟火特征进行对比，从而判断图像特征中是否存在烟火，能够解决上述提出现有的烟火识别容易出现误测的问题。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种基于可变形卷积构成的深度神经网络的烟火检测识别方法，其包括具体步骤下：

步骤一：将采集的图像与现有的烟火图片进行对比，从而判断该图像中是否存在烟火，若是存在则直接进行报警处理，若是不存在则不做任何处理，若是因图像模糊而不好判断是否存在烟火时，则进行下一步处理；

步骤二：将图像传递至可变形卷积构成的深度神经网络结构中；

步骤三：通过可变形卷积构成的深度神经网络结构中的卷积层对图像特征进行提取，提取后，再通过可变形卷积构成的深度神经网络结构中的池化层对图像特征进行优化，最后再由可变形卷积构成的深度神经网络结构中的输出层将图像特征与现有的烟火特征进行对比，从而判断图像特征中是否存在烟火，若是存在则直接进行报警处理，若是不存在则不做任何处理。

作为本发明所述的一种基于可变形卷积构成的深度神经网络的烟火检测识别方法的一种优选方案，其中：所述可变形卷积构成的深度神经网络结构是由卷积层、池化层和输出层组成。

作为本发明所述的一种基于可变形卷积构成的深度神经网络的烟火检测识别方法的一种优选方案，其中：所述卷积层是提取一个局部区域特征的主要结构，不同的卷积核可以看作不同的特征提取器，其稀疏连接和共享权重机制能够有效降低参数数量和计算量，卷积层包含若干组参数可以学习的卷积核，当前层的卷积核对输入图像或者输入的特征图进行卷积运算，在经过激活函数得到新的特征图。

作为本发明所述的一种基于可变形卷积构成的深度神经网络的烟火检测识别方法的一种优选方案，其中：所述卷积运算的公式为：