一种基于可变卷积核的烟雾明火检测算法的制作方法

1.本发明涉及计算机视觉技术领域，具体为一种基于可变卷积核的烟雾明火检测算法。


背景技术：

2.随着大数据时代的到来和深度学习等技术的快速发展，人们可以在强大的计算机算力的支持下，利用复杂的神经网络模型挖掘和提取海量数据中的关键信息。尤其在大规模的火灾监控中，成千上万的传感器每天会产生大量的数据，数据可能会存在火灾类别标记缺失或者类别标记太过笼统的问题，即含有效火灾类别标签的数据在总数据中占比较小，从而对于卷积神经网络(cnn)这种有监督的深度学习算法而言，处理这类数据可能就无法取得较为理想的效果。
3.烟雾目标在不同视角下的透视变换存在一定的差异性，导致在深度学习算法中，采用固定尺寸(长宽比)的卷积核进行火焰检测会存在当目标尺寸变化时，会融入背景信息，导致检测不准的问题。
4.烟雾目标检测的难点在于光照变化、视角变化以及自身的形变，在用卷积神经网络进行目标检测时，导致检测效果不理想，因此传统的烟雾目标检测方法存在不准确的缺陷。


技术实现要素：

5.本发明要解决的技术问题是克服现有的缺陷，提供一种基于可变卷积核的烟雾明火检测算法，以解决上述技术背景中烟雾目标检测在于光照变化、视角变化以及自身的形变，在用卷积神经网络进行目标检测时，导致检测效果不理想的缺点。
6.为实现上述目的，本发明提供如下技术方案：一种基于可变卷积核的烟雾明火检测算法，包括以下步骤：
7.步骤1：对采集的图像进行预处理和图片归一化处理，将图像通过图像灰度化和图像去噪，得到处理后的图像，并通过实施插值缩放将图像数据转化为与 cnn兼容的形式；
8.步骤2：通过提取烟雾颜色特征确定烟雾区域，并提取处理后图像内含有目标特征的区域；
9.步骤3：将提取的目标特征区域图像数据进行扩大处理；
10.步骤4：将处理后的图像数据通过cnn进行烟雾检测。
11.优选的，所述步骤1中，对于一张彩色图像，将采集图像像素点的颜色由 (r,g,b)表示，通过浮点方法将其转化为灰度图，如公式(1)所示：
12.gray＝r
×
0.3 g
×
0.59 b
×
0.11
ꢀꢀ
(1)
13.通过公式(1)的方法求得gray值，并将图像中所有的像素点均统一替换成 gray，得到的灰度图。
14.优选的，所述步骤1中，通过均值滤波过滤图像中的噪音，保留原始图像信息；均值
滤波及对于某一像素点用一片图像区域内的各个像素的均值代替，先定一个尺寸固定的核，内核中心对应图像像素点的值并通过将内核对应图像中所有像素点的均值替换，所示公式(2)表示均值滤波，公式(2)所示如下：
[0015][0016]
g(x,y)是使用均值滤波后的像素值，f(x,y)是其邻域像素点，m为该内核对应图像中包含当前像素点在内的像素的总个数。
[0017]
优选的，所述步骤1中，图像数据还通过min
‑
max归一化方法消除光照影响，其中归一化是逐像素点进行计算，如公式(3)所示：
[0018][0019]
式中：x
x
是原始像素强度值；x
y
是归一化后的值；x
max
和x
min
分别表示一张图片里的像素最大值和最小值。
[0020]
优选的，所述步骤2中，通过使用rgb颜色模型来提取烟雾颜色特征，通过原始图像使用烟雾颜色模型分割出含有烟雾的图像区域，其中烟雾rgb像素应该满足公式(4)，公式(4)如下：
[0021][0022]
式中：m(x,y)表示分割的颜色二值化；r是r通道坐标为(x,y)的值；对应的g为g通道坐标为(x,y)的值；b为b通道坐标为(x,y)的值。
[0023]
与现有技术相比，本发明提供了一种基于可变卷积核的烟雾明火检测算法，具备以下有益效果：
[0024]
本发明中，通过对图片进行图像灰度化便于消除因为物料震动、光影变化或者摄像设备自身原因而产生的一些噪声，恢复真实图像信息，再通过图像去噪，保留原始图像信息，再通过归一法任意缩放烟雾的大小，不会改变烟雾故意的特征，便于增强烟雾图像的故意特征，通过使用烟雾颜色特征模型提取含有烟雾的区域图像，提高了算法的计算速度，避免了对烟雾目标检测时受到光照变化、视角变化以及自身的形变的影响，使卷积神经网络进行目标检测时，提高了检测效果。
附图说明
[0025]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制，在附图中：
[0026]
图1为本发明提出的基于可变卷积核的烟雾明火检测算法流程图结构示意图。
具体实施方式
[0027]
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例和附图，进一步阐述本发明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例，都属于本发明的保护范围。
[0028]
请参阅图1，一种基于可变卷积核的烟雾明火检测算法，包括以下步骤：
[0029]
步骤1：对采集的图像进行预处理和图片归一化处理，将图像通过图像灰度化和图像去噪，得到处理后的图像，并通过实施插值缩放将图像数据转化为与 cnn兼容的形式；对于一张彩色图像，将采集图像像素点的颜色由(r,g,b)表示，通过浮点方法将其转化为灰度图，如公式(1)所示：
[0030]
gray＝r
×
0.3 g
×
0.59 b
×
0.11
ꢀꢀ
(1)
[0031]
通过公式(1)的方法求得gray值，并将图像中所有的像素点均统一替换成 gray，得到的灰度图；还可以通过移位方法公式(1.1)、平均值法公式(1.2) 和仅取rgb其中一种颜色公式(1.3)：
[0032]
gray＝(r
×
28 g
×
151 b
×
77)＞＞8
ꢀꢀ
(1.1)
[0033]
gray＝(r g b)/3
ꢀꢀ
(1.2)
[0034]
gray＝r or g or b
ꢀꢀ
(1.3)
[0035]
通过均值滤波过滤图像中的噪音，保留原始图像信息；均值滤波及对于某一像素点用一片图像区域内的各个像素的均值代替，先定一个尺寸固定的核，内核中心对应图像像素点的值并通过将内核对应图像中所有像素点的均值替换，所示公式(2)表示均值滤波，公式(2)所示如下：
[0036][0037]
g(x,y)是使用均值滤波后的像素值，f(x,y)是其邻域像素点，m为该内核对应图像中包含当前像素点在内的像素的总个数；
[0038]
缩放通常有2种方式：
①
保持区域的宽高比,然后将像素填充到所需的大小；
②
不管区域的宽高比，扭曲所有的像素到所需大小；由于烟雾的形状不固定，颜色、纹理等特征在同一图像中相对均匀，且任意缩放不会改变烟雾的固有特征，所以，这里选择第2种简单的缩放形式；获得内部特征可以提高算法性能，所以，这里采用图像预处理的方法减少图像方差并增强图像固有特征；图像数据还通过min
‑
max归一化方法消除光照影响，其中归一化是逐像素点进行计算，如公式(3)所示：
[0039][0040]
式中：x
x
是原始像素强度值；x
y
是归一化后的值；x
max
和x
min
分别表示一张图片里的像素最大值和最小值。
[0041]
步骤2：通过提取烟雾颜色特征确定烟雾区域，并提取处理后图像内含有目标特征的区域；通过使用rgb颜色模型来提取烟雾颜色特征，通过原始图像使用烟雾颜色模型分割出含有烟雾的图像区域，其中烟雾rgb像素应该满足公式 (4)，公式(4)如下：
[0042][0043]
式中：m(x,y)表示分割的颜色二值化；r是r通道坐标为(x,y)的值；对应的 g为g通道坐标为(x,y)的值；b为b通道坐标为(x,y)的值。
[0044]
步骤3：将提取的目标特征区域图像数据进行扩大处理；烟雾产生的早期阶段或其他运动物体特别小的时候，提取的区域将很小；如果仍然直接将它输人神经网络进行训练，
由于烟雾区域太小，很容易使训练效果不理想，再将神经网络进行测试很容易引起误报或者漏报的结果；当然大多数其他烟雾检测算法选择在区域较小时忽略，并等到烟雾扩散到足够大小时进行处理；考虑到早期发现火灾的重要性，以原始区域为中心，以固定长度r为半径进行扩大；因为烟雾是向四面八方扩散的，所以使用圆作为扩大图形。
[0045]
步骤4：将处理后的图像数据通过cnn进行烟雾检测，cnnc采用经典 alexnet网络结构构建网格，本网格包含8个卷积层，4个池化层，2个全连接层和 1个输出层，输入层：网络输入的数据是经过前面图像预处理后的图像，标准尺寸为128x128，对于彩色图像通常包含3个颜色通道，所以输人图像的总大小为 128
×
128
×
3；(2)卷积层：卷积层是为了学习输人图像的特征表示，这个层由不同的卷积内核表示，并且不同的卷积内核计算不同的特征图，也就是说卷积内核的数量决定了特征图的数量，卷积核的尺寸也决定了输出特征图的尺寸； (3)池化层：由于内存的限制，对于分类层来说，卷积层提取的特征维度太高，此外高维度的特征增加了过拟合的风险，为了解决这个问题，引入了池化层； (4)全连接层：全连接层通常是包含连接在深度神经网络末端的一个或多个完全连接的层，提高了算法的计算速度，避免了对烟雾目标检测时受到光照变化、视角变化以及自身的形变的影响，使卷积神经网络进行目标检测时，提高了检测效果。
[0046]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。