基于卷积神经网络的火焰检测方法及装置与流程

技术特征：

1.基于卷积神经网络的火焰检测方法，其特征在于，该方法包括：

第一步骤，选取标签的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的模型；

第二步骤，提取彩色的场景图像中的疑似火焰点，将疑似火焰点作为前景点，获取二值图像；

第三步骤，采用连通区域法对二值图像进行连通区域处理，获取一系列的连通区域；

第四步骤，对连通区域进行筛选，获取候选区域；及

第五步骤，利用训练好的模型对候选区域进行识别，输出识别结果。

2.如权利要求1所述的方法，其特征在于，所述第一步骤包括：

样本选取步骤，选取Th_fire个标签的灰度火焰图像作为正样本图像，选取Th_nfire个标签的灰度非火焰图像作为负样本图像；

初步训练步骤，利用卷积神经网络对正样本图像和负样本图像进行特征训练，获得初步训练的模型；

二次训练步骤，选取Th_Test个无标签的灰度图像，根据初步训练的模型对无标签的灰度图像进行反复训练，直至模型收敛，该收敛的模型即为训练好的模型。

3.如权利要求2所述的方法，其特征在于，所述二次训练步骤包括：

训练特征提取步骤，根据初步训练的模型提取Th_Test个无标签的灰度图像的特征；

训练分类判定步骤，分别计算该无标签的灰度图像的特征与火焰类别的相似度Simi₁、非火焰类别特征的相似度Simi₂，若Simi₁＞Simi₂，则判定为火焰类别，否则判定为非火焰类别；

反复训练步骤，计算判定结果与真实结果的误差，利用反向传播算法来训练模型，重复训练特征提取步骤和训练分类判定步骤，直至该模型收敛，收敛的模型即为训练好的模型。

4.如权利要求2和3所述的方法，所述Tg_fire≥100，Th_nfire≥0，Th_Test≥100。

5.如权利要求2所述的方法，其特征在于，所述卷积神经网络包括：Th_Conc个卷积层、Th_Pool个池化层、Th_Full个全连接层；

其中，第i个卷积层包括Th_CK_i个卷积核，卷积核的大小为CKS_i*CKS_i、步长为Th_CS_i，i＝1，2，…，Th_Conc；第j个池化层的核的大小为PKS_j*PKS_j、步长为Th_PS_j，j＝1，2，…，Th_Pool；所述全连接层的最后一层全连接层输出的神经元的数量为2；

所述Th_Con∈[2,22]，Th_Pool∈[2,16]，Th_Full∈[1,4]。Th_CK_i∈[4,512]，CKS_i∈[3,11]，Th_CS_i∈[1,2]，PKS_j∈[2,4]，Th_PK_j∈[2,4]。

6.如权利要求1所述的方法，其特征在于，所述第二步骤包括：

RGB颜色空间判定步骤，统计场景图像中像素点(x,y)的R分量值R(x,y)、G分量值G(x，y)、B分量值B(x，y)，若同时满足和则将该像素点标记为保留点，否则将该像素点标记为背景点，并将该像素点的各分量值都设为0；

HIS颜色空间判定步骤，将场景图像转换到HIS颜色空间，统计场景图像中保留点的(x,y)的H分量值H(x,y)、S分量值S(x,y)、I分量值I(x,y)，若同时满足0≤H(x,y)≤λ₄、λ₅≤S(x,y)≤1以及λ₆≤I(x,y)≤255，则认为该保留点为疑似火焰点，并将疑似火焰点标记为前景点，否则将该像素点标记为背景点，并将该像素点的各分量值都设为0；

其中，λ₁∈[0.3,0.5]，λ₂∈[0.7,0.9]，λ₃∈[0.4,0.6]，λ₄∈[50,70]，λ₅∈[0.15,0.25]，λ₆∈[80,120]。

7.如权利要求1所述的方法，其特征在于，所述第四步骤包括：计算每一个连通区域的面积，若连通区域的面积小于Th_CR，则将该连通区域内的所有前景点设为背景点，否则将该连通区域标记为候选区域；

其中，Th_CR∈[20,40]。

8.如权利要求1所述的方法，其特征在于，所述第五步骤进一步包括：

检测特征提取步骤，根据训练好的模型提取候选区域的特征；

检测分类判定步骤，分别计算该候选区域的特征与火焰类别的相似度Simi₁、非火焰类别特征的相似度Simi₂，若Simi₁＞Simi₂，则判定为火焰类别，否则判定为非火焰类别，输出判定结果。

9.基于卷积神经网络的火焰检测装置，其特征在于，该装置包括：

火焰识别模型训练模块，用于选取标签的样本图像，利用卷积神经网络对样本图像进行训练，获取训练好的模型；

二值图像获取模块，用于提取彩色的场景图像中的疑似火焰点，将疑似火焰点作为前景点，获取二值图像；

连通区域获取模块，用于采用连通区域法对二值图像进行连通区域处理，获取一系列的连通区域；

候选区域获取模块，用于对连通区域进行筛选，获取候选区域；及

候选区域识别模块，用于利用训练好的模型对候选区域进行识别，输出识别结果。

10.如权利要求9所述的装置，其特征在于，所述火焰识别模型训练模块包括：样本选取模块，用于选取Th_fire个标签的灰度火焰图像作为正样本图像，选取Th_nfire个标签的灰度非火焰图像作为负样本图像；

初步训练模块，用于利用卷积神经网络对正样本图像和负样本图像进行特征训练，获得初步训练的模型；

二次训练模块，用于选取Th_Test个无标签的灰度图像，根据初步训练的模型对无标签的灰度图像进行反复训练，直至模型收敛，该收敛的模型即为训练好的模型。

11.如权利要求10所述的装置，其特征在于，所述二次训练模块进一步包括：训练特征提取模块，用于根据初步训练的模型提取Th_Test个无标签的灰度图像的特征；

训练分类判定模块，用于分别计算该无标签的灰度图像的特征与火焰类别的相似度Simi₁、非火焰类别特征的相似度Simi₂，若Simi₁＞Simi₂，则判定为火焰类别，否则判定为非火焰类别；

反复训练模块，用于计算判定结果与真实结果的误差，利用反向传播算法来训练模型，重复训练特征提取模块和训练分类判定模块，直至该模型收敛，收敛的模型即为训练好的模型。

12.如权利要求10和11所述的装置，所述Tg_fire≥100，Th_nfire≥0，Th_Test≥100。

13.如权利要求10所述的装置，其特征在于，所述卷积神经网络包括：Th_Conc个卷积层、Th_Pool个池化层、Th_Full个全连接层；

其中，第i个卷积层包括Th_CK_i个卷积核，卷积核的大小为CKS_i*CKS_i、步长为Th_CS_i，i＝1，2，…，Th_Conc；第j个池化层的核的大小为PKS_j*PKS_j、步长为Th_PS_j，j＝1，2，…，Th_Pool；所述全连接层的最后一层全连接层输出的神经元的数量为2；

所述Th_Con∈[2,22]，Th_Pool∈[2,16]，Th_Full∈[1,4]。Th_CK_i∈[4,512]，CKS_i∈[3,11]，Th_CS_i∈[1,2]，PKS_j∈[2,4]，Th_PK_j∈[2,4]。

14.如权利要求9所述的装置，其特征在于，所述二值图像获取模块包括：

RGB颜色空间判定模块，用于统计场景图像中像素点(x,y)的R分量值R(x,y)、G分量值G(x，y)、B分量值B(x，y)，若同时满足和则将该像素点标记为保留点，否则将该像素点标记为背景点，并将该像素点的各分量值都设为0；

HIS颜色空间判定模块，用于将场景图像转换到HIS颜色空间，统计场景图像中保留点的(x,y)的H分量值H(x,y)、S分量值S(x,y)、I分量值I(x,y)，若同时满足0≤H(x,y)≤λ₄、λ₅≤S(x,y)≤1以及λ₆≤I(x,y)≤255，则认为该保留点为疑似火焰点，并将疑似火焰点标记为前景点，否则将该像素点标记为背景点，并将该像素点的各分量值都设为0；

其中，λ₁∈[0.3,0.5]，λ₂∈[0.7,0.9]，λ₃∈[0.4,0.6]，λ₄∈[50,70]，λ₅∈[0.15,0.25]，λ₆∈[80,120]。

15.如权利要求9所述的装置，其特征在于，所述候选区域获取模块进一步包括：计算每一个连通区域的面积，若连通区域的面积小于Th_CR，则将该连通区域内的所有前景点设为背景点，否则将该连通区域标记为候选区域；

其中，Th_CR∈[20,40]。

16.如权利要求9所述的装置，其特征在于，所述候选区域识别模块进一步包括：检测特征提取模块，用于根据训练好的模型提取候选区域的特征；

检测分类判定模块，用于分别计算该候选区域的特征与火焰类别的相似度Simi₁、非火焰类别特征的相似度Simi₂，若Simi₁＞Simi₂，则判定为火焰类别，否则判定为非火焰类别，输出判定结果。