技术领域

本发明涉及火焰检测技术领域，更具体涉及一种利用卷积神经网络的火焰图像序列分类方法及装置。

背景技术

日常生活中随处可见对火的使用，然而火的意外产生或者不正当的使用都很可能产生火灾，对自然环境或人类的生命财产造成巨大的伤害。及时有效的检测出火焰在很大程度上可以减少甚至避免这些伤害。

目前，常用的火灾检测方法有基于温度传感器或烟雾传感器的火灾检测方法，但是，该方法时效性低，使用场景有限。为了提高检测的时效性，基于图像处理的火焰检测方法得到了广泛的应用。基于图像处理的火焰检测方法的原理为：先人工设计特征来表示火焰的动态特征，然后将这些动态特征输入到图像监控设备中，当图像监控设备工作时，会获得大量的图像，图像监控设备根据获得的图像中的特征与动态特征的相似度，判断是否发生了火灾。通常情况下，上述的动态特征为像素点的运动特征。

但是，在实际应用中，如果图像监控设备所监控的环境中存在大量的运动物体时，图像监控设备获得的图像中会包含大量的运动像素，过多的运动像素会可能会对图像监控设备的特征对比过程产生干扰，会对火焰区域识别的准确率不高，，导致误检情况的发生。

发明内容

本发明所要解决的技术问题在于提供了一种利用卷积神经网络的火焰图像序列分类方法及装置，以降低误检情况发生的概率。

本发明是通过以下技术方案解决上述技术问题的：

本发明实施例提供了一种利用卷积神经网络的火焰图像序列分类方法，所述方法包括：

获取前景图像序列，并针对每一所述前景图像序列，获取与所述前景图像序列对应的综合光流图；

获取第一训练集和第一测试集，其中，所述第一训练集和所述第一测试集均为所述综合光流图中至少一个综合光流图集合；

针对所述第一训练集中的每一综合光流图，获取所述综合光流图是否对应于真实火焰的图像序列的类别标签；

利用所述第一训练集中的每一综合光流图，训练预设的第一卷积神经网络模型；

利用所述第一测试集中的综合光流图测试训练好的第一卷积神经网络模型，获取第一测试结果；

判断所述第一测试结果是否大于第一预设阈值；若是，将所述训练好的第一卷积神经网络模型作为目标第一卷积神经网络模型；若否，调整训练好的第一卷积神经网络模型的训练参数，并返回执行所述利用所述第一训练集中的每一综合光流图训练预设的第一卷积神经网络模型的步骤；

利用所述目标第一卷积神经网络对与待分类图像序列对应的综合光流图进行分类。

可选的，在本发明实施例的一种具体实施方式中，所述获取前景图像序列，包括：

获取第二训练集和第二测试集，并针对所述第二训练集中的每一图像，获取所述图像对应的场景类别标签、火焰区域的类别标签和非火焰区域的类别标签；其中，所述第二训练集和所述第二测试集均为图像的集合；

利用所述第二训练集中的每一图像训练预设的第二卷积神经网络模型；

利用所述第二测试集中的图像测试训练好的第二卷积神经网络模型，获取第二测试结果；

判断所述第二测试结果是否大于第二预设阈值；若是，将所述训练好的第二卷积神经网络模型作为目标第二卷积神经网络模型；若否，调整训练好的第二卷积神经网络模型的训练参数，并返回执行所述利用所述第二训练集中的每一图像训练预设的第二卷积神经网络模型的步骤；

利用所述目标第二卷积神经网络模型检测待分类图像序列，得到对应的前景图像序列。

可选的，在本发明实施例的一种具体实施方式中，在获取所述图像对应的场景类别标签、火焰区域的类别标签和非火焰区域的类别标签之前，所述方法还包括：

利用图像增强算法对所述第二训练集中的图像进行图像增强处理。

可选的，在本发明实施例的一种具体实施方式中，在获取所述图像对应的场景类别标签、火焰区域的类别标签和非火焰区域的类别标签之前，所述方法还包括：

对第二训练集中的图像序列进行预处理，所述预处理包括：颜色直方图均衡化处理、亮度和对比度变换处理、水平镜像翻转处理、高斯模糊处理和添加随机噪声处理。

可选的，在本发明实施例的一种具体实施方式中，所述获取与所述前景图像序列对应的综合光流图，包括：

根据所述前景图像序列中相邻两张前景图像中包含的光流特征，利用稠密光流算法获取所述相邻两张前景图像的光流图；并将所述光流图叠加后得到与所述前景图像序列对应的综合光流图。

可选的，在本发明实施例的一种具体实施方式中，所述第一测试结果包括：

利用所述第一卷积神经网络模型对所述第一测试集的综合光流图进行分类的准确率。

本发明实施例还提供了一种利用卷积神经网络的火焰图像序列分类装置，所述装置包括：第一获取模块、第二获取模块、第三获取模块、训练模块、测试模块、判断模块和检测模块，其中，

所述第一获取模块，用于获取前景图像序列，并针对每一所述前景图像序列，获取与所述前景图像序列对应的综合光流图；

所述第二获取模块，用于获取第一训练集和第一测试集，其中，所述第一训练集和所述第一测试集均为所述综合光流图中至少一个综合光流图集合；

所述第三获取模块，用于针对所述第一训练集中的每一综合光流图，获取所述综合光流图是否对应于真实火焰的图像序列的类别标签；

所述训练模块，用于利用所述第一训练集中的每一综合光流图，训练预设的第一卷积神经网络模型；

所述测试模块，用于利用所述第一测试集中的综合光流图测试训练好的第一卷积神经网络模型，获取第一测试结果；

所述判断模块，用于判断所述第一测试结果是否大于第一预设阈值；若是，将所述训练好的第一卷积神经网络模型作为目标第一卷积神经网络模型；若否，调整训练好的第一卷积神经网络模型的训练参数，并返回执行所述利用所述第一训练集中的每一综合光流图训练预设的第一卷积神经网络模型的步骤；

所述检测模块，用于利用所述目标第一卷积神经网络对与待分类图像序列对应的综合光流图进行分类。

可选的，在本发明实施例的一种具体实施方式中，所述第一获取模块，具体用于：

获取第二训练集和第二测试集，并针对所述第二训练集中的每一图像，获取所述图像对应的场景类别标签、火焰区域的类别标签和非火焰区域的类别标签；其中，所述第二训练集和所述第二测试集均为图像的集合；

利用所述第二训练集中的每一图像训练预设的第二卷积神经网络模型；

利用所述第二测试集中的图像测试训练好的第二卷积神经网络模型，获取第二测试结果；

判断所述第二测试结果是否大于第二预设阈值；若是，将所述训练好的第二卷积神经网络模型作为目标第二卷积神经网络模型；若否，调整训练好的第二卷积神经网络模型的训练参数，并返回执行所述利用所述第二训练集中的每一图像训练预设的第二卷积神经网络模型的步骤；

利用所述目标第二卷积神经网络模型检测待分类图像序列，得到对应的前景图像序列。

可选的，在本发明实施例的一种具体实施方式中，所述第一获取模块，具体用于：

根据所述前景图像序列中相邻两张前景图像中包含的光流特征，利用稠密光流算法获取所述相邻两张前景图像的光流图；并将所述光流图叠加后得到与所述前景图像序列对应的综合光流图。

可选的，在本发明实施例的一种具体实施方式中，所述第一测试结果包括：

利用所述第一卷积神经网络模型对所述第一测试集的综合光流图进行分类的准确率。

本发明相比现有技术具有以下优点：

应用本发明实施例，用前景图像序列生成的综合光流图对卷积神经网络进行训练。由于只计算了前景图像序列中的运动区域的运动信息，避免了背景变化对综合光流图的干扰，可以精确的表达火焰的动态特性，进而降低了对火焰区域检测的误检率。