一種自學(xué)習(xí)的視頻火災(zāi)探測方法
【專利摘要】本發(fā)明公開了一種自學(xué)習(xí)的視頻火災(zāi)探測方法，該方法的技術(shù)方案包括：收集一批煙火圖像，去除背景并加注標(biāo)簽，作為種子數(shù)據(jù)集；利用種子數(shù)據(jù)和采集的視頻自動生成針對特定應(yīng)用環(huán)境的數(shù)據(jù)樣本；通過在線學(xué)習(xí)算法在這些樣本上訓(xùn)練得到火焰和煙霧檢測器；前端將獲取的疑似火災(zāi)圖像發(fā)送給檢測服務(wù)器來判斷是否發(fā)生火災(zāi)；在運(yùn)行過程中，檢測服務(wù)器不斷獲取新樣本來在線更新檢測器。本發(fā)明較現(xiàn)有技術(shù)具有以下優(yōu)點(diǎn)：能用于各類場景，能自適應(yīng)的提升性能，降低誤報；疑似區(qū)域提取與火災(zāi)識別分離，火災(zāi)識別可以遠(yuǎn)程化，甚至部署在云端，這使得整個系統(tǒng)的升級和維護(hù)更方便。
【專利說明】
一種自學(xué)習(xí)的視頻火災(zāi)探測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及火災(zāi)探測、視頻監(jiān)控領(lǐng)域，特別是涉及火災(zāi)探測及視頻監(jiān)控領(lǐng)域中一 種自學(xué)習(xí)的視頻火災(zāi)探測方法。
【背景技術(shù)】
[0002] 基于視頻圖像處理技術(shù)的圖像型火災(zāi)探測器能夠在火災(zāi)發(fā)生的早期發(fā)現(xiàn)火災(zāi)，并 且能直觀反應(yīng)現(xiàn)場情況，有利于火災(zāi)的早發(fā)現(xiàn)早撲滅，特別是在室外及室內(nèi)高大空間等應(yīng) 用場合具有顯著優(yōu)勢，愈來愈受到重視，應(yīng)用需求旺盛。
[0003] 圖像型火災(zāi)探測器的核心是圖像分析算法，要求能準(zhǔn)確識別火焰和煙霧，不漏報， 少誤報。圖像型火災(zāi)探測系統(tǒng)一般采用前端攝像頭采集數(shù)據(jù)傳輸?shù)胶笈_服務(wù)器進(jìn)行火災(zāi)識 別的架構(gòu)。后臺服務(wù)器對于輸入的視頻流進(jìn)行一序列圖像處理和分析，一體化完成火災(zāi)的 檢測和報警。這需要大量的訓(xùn)練樣本(而這在實(shí)際中代價很高)才能學(xué)習(xí)到一個較為可靠的 識別器。在實(shí)際應(yīng)用中，由于應(yīng)用環(huán)境的開放性，系統(tǒng)將面臨多種多樣的應(yīng)用場合和干擾。 要獲得一個能裝配到多種場合的圖像火災(zāi)探測器是極其困難的，即使部署時針對特定場合 配置好了識別模塊參數(shù)，在運(yùn)行過程中，由于季節(jié)、天氣、堆放物等因素，設(shè)備要處理的環(huán)境 也發(fā)生了變化，也會逐漸導(dǎo)致誤報問題突出，系統(tǒng)維護(hù)困難。

【發(fā)明內(nèi)容】

[0004] 為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供一種自學(xué)習(xí)的視頻火災(zāi)探測方法，該 方法在運(yùn)行過程中自行學(xué)習(xí)和適應(yīng)對應(yīng)的場景。
[0005] 本發(fā)明所采用的技術(shù)方案如下:一種自學(xué)習(xí)的視頻火災(zāi)探測方法，包括步驟如下：
[0006] 步驟一、收集一批煙火圖像，去除背景并加注標(biāo)簽，作為種子數(shù)據(jù)集；
[0007] 步驟二、利用種子數(shù)據(jù)和采集的視頻自動生成針對特定應(yīng)用環(huán)境的數(shù)據(jù)樣本；
[0008] 步驟三、訓(xùn)練過程:通過在線學(xué)習(xí)算法在這些樣本上訓(xùn)練出煙火檢測器；
[0009] 步驟四、檢測過程:前端將獲取的疑似火災(zāi)圖像發(fā)送給檢測服務(wù)器來判斷是否發(fā) 生火災(zāi)；
[0010] 步驟五、在運(yùn)行過程中，檢測服務(wù)器不斷的截取場景圖像作為新的樣本在線更新 檢測器，以適應(yīng)場景的變化。
[0011] 其中，步驟一所述種子數(shù)據(jù)集，其圖像為縮放到固定大小mxn的圖像塊，其中煙霧 或火焰區(qū)域是原圖像值，非煙火區(qū)域的像素值全部為〇,標(biāo)簽分別為'smoke'，'fire'，一張 圖像最多有兩個標(biāo)簽。
[0012] 其中，步驟二所述樣本生成方法包括：
[0013] 從監(jiān)控視頻流中定時或隨機(jī)截取一些幀，從這些幀中隨機(jī)裁剪出一些圖像塊，圖 像塊滿足：1)最小邊長不小于限值L_(例如60)，2)長邊與短邊之比不大于比值ratio(例如 3);然后縮放到與種子圖像同樣大小，歸入負(fù)樣本集；
[0014] 從負(fù)樣本集和種子集中分別隨機(jī)選取一張圖像，按照下列方法采用不同的α進(jìn)行1 ~3次疊加融合： Γ 1 .、 f(1 - a)I(x,y) + aS(s,y) if S(x,y) > 0
[0015] M(.r,>〇= v \ γ ^ (. / (x, y) otherwise
[0016] label(M) = label(S)
[0017] 其中ae (0.6,1.0)，用來模擬煙的濃度，I為負(fù)樣本，S為種子樣本，M為融合得到的 煙火圖像，是對場景中發(fā)生火災(zāi)的一種模擬，將用于訓(xùn)練針對該場景的火焰和煙霧檢測器， label為圖像的標(biāo)簽。
[0018] 其中，步驟三所述訓(xùn)練過程，包括：
[0019] 從負(fù)樣本集中隨機(jī)挑選出一個子集聯(lián)合火焰樣本集訓(xùn)練一個火焰檢測器Df，從負(fù) 樣本集中隨機(jī)挑出一個子集聯(lián)合煙霧樣本集訓(xùn)練一個煙霧檢測器D s，如圖2;
[0020] 圖像特征提取采用基于人類視覺感知機(jī)理的多層模型，如圖3,每一張圖像用一個 d維特征向量描述;學(xué)習(xí)方法采用增量學(xué)習(xí)算法。例如online boosting或onl ine svm或增 量神經(jīng)網(wǎng)絡(luò)等。
[0021] 其中，步驟四所述檢測過程，包括：
[0022] 前端處理(嵌入式智能相機(jī)或者處理服務(wù)器）負(fù)責(zé)提取并跟蹤疑似區(qū)域，可以采用 成熟的運(yùn)動目標(biāo)提取或者顏色篩選；
[0023] 前端以固定時間間隔t，將提取的疑似區(qū)域圖像發(fā)送給檢測服務(wù)器；
[0024] 檢測端調(diào)用對應(yīng)的火焰和煙霧檢測器，對接收到的圖像進(jìn)行檢測，如果兩者之一 輸出為正響應(yīng)，這說明有對應(yīng)的異常情況發(fā)生，向中心控制平臺發(fā)送報警信號，否則發(fā)送正 常信號。
[0025] 其中，步驟五所述系統(tǒng)更新過程，包括：
[0026] 在系統(tǒng)運(yùn)行過程中，將持續(xù)的提供一些新的樣本給檢測服務(wù)器，用于更新檢測器， 更新樣本分為負(fù)樣本集，火焰集和煙霧集；
[0027]定時地將收集到的負(fù)樣本集和火焰集輸入學(xué)習(xí)算法，更新火焰檢測器，將負(fù)樣本 集和煙霧集輸入學(xué)習(xí)算法，更新煙霧檢測器。
[0028] 其中，所述的更新檢測器，更新樣本來源可分為4類：
[0029] 1)從視頻流中截取的隨機(jī)圖像，賦予普通權(quán)重，歸入負(fù)樣本集，它們可以讓模型適 應(yīng)變化了的場景；
[0030] 2)被檢測服務(wù)器判斷為正常且響應(yīng)值很高或經(jīng)人工確認(rèn)的非火災(zāi)圖像，賦予普通 權(quán)重，歸類為負(fù)樣本，它們可以讓模型更好的處理干擾模式；
[0031] 3)被檢測服務(wù)器判斷為異常，且響應(yīng)值很高或者經(jīng)過人工確認(rèn)的火災(zāi)圖像，與第 一類圖片采用與與第一類圖片進(jìn)行疊加融合處理，生成一批火災(zāi)圖像，賦予普通權(quán)重，按標(biāo) 簽歸入火焰集或煙霧集，它們有助于模型學(xué)習(xí)該場景下的火災(zāi)模式；
[0032] 4)經(jīng)人工確認(rèn)被檢測服務(wù)器誤判的圖像，按照實(shí)際的類別歸入樣本集，并賦予其 高倍的權(quán)重，他們將有利于模型進(jìn)行糾錯，避免后續(xù)的誤判。
[0033] 與現(xiàn)有技術(shù)相比，本發(fā)明的方法不是賦予系統(tǒng)一體化的視頻分析算法，而是一組 數(shù)據(jù)和一個學(xué)習(xí)方法，讓它根據(jù)初始數(shù)據(jù)和實(shí)際的場景視頻，在運(yùn)行過程中自行學(xué)習(xí)和適 應(yīng)對應(yīng)的場景。這能有效的解決算法不能適應(yīng)應(yīng)用環(huán)境的問題，顯著降低誤報的發(fā)生，提高 報警的準(zhǔn)確性。此外基于該方法的系統(tǒng)維護(hù)和升級也更為方便。
【附圖說明】
[0034]為了更清楚的說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖做一些簡單的介紹。顯而易見，下面描述中的附圖是本發(fā) 明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根 據(jù)這些附圖獲得其他附圖。
[0035]圖1為本發(fā)明實(shí)施例提供的自學(xué)習(xí)視頻火災(zāi)探測方法流程圖；
[0036] 圖2為本發(fā)明實(shí)施例提供的樣本生成方法及檢測器訓(xùn)練流程圖；
[0037] 圖3為本發(fā)明實(shí)采用的圖像特征提取方法示意圖；
[0038] 圖4為本發(fā)明用于更新模型的四種數(shù)據(jù)來源。
【具體實(shí)施方式】
[0039]為使本發(fā)明實(shí)施的目的，技術(shù)方案及優(yōu)點(diǎn)更加清楚，以下將結(jié)合本發(fā)明實(shí)施例中 的附圖，對本發(fā)明實(shí)施中的技術(shù)方案進(jìn)行詳細(xì)、完整的描述。顯然，所描述的實(shí)施例是本發(fā) 明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒 有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0040]圖1為本發(fā)明自學(xué)習(xí)的視頻火災(zāi)探測方法實(shí)施例的流程圖。如圖1所示，本實(shí)施例 的方法包括：
[0041 ]步驟1、收集一批煙火圖像，去除背景并加注標(biāo)簽，作為種子數(shù)據(jù)集；
[0042] 圖像要么包含煙霧，要么包含火焰，且為煙火區(qū)域的外接矩形或者稍大，經(jīng)背景消 除處理后，煙火區(qū)域像素點(diǎn)保持原像素值，非煙火區(qū)域RGB三個通道全部為0,最后縮放到統(tǒng) 一大小，例如60X60像素。
[0043] 步驟2、利用種子數(shù)據(jù)和采集的視頻自動生成針對特定應(yīng)用環(huán)境的數(shù)據(jù)樣本；
[0044] 步驟3、通過在線學(xué)習(xí)算法在這些樣本上訓(xùn)練得到火焰和煙霧檢測器；
[0045] 步驟4、檢測過程，前端將獲取的疑似火災(zāi)圖像發(fā)送給檢測服務(wù)器來判斷是否發(fā)生 火災(zāi)；
[0046] 步驟5、系統(tǒng)更新，在運(yùn)行過程中，不斷獲取新樣本來在線更新檢測器。
[0047] 具體步驟如下：
[0048] 步驟一、收集一批煙火圖像，去除背景并加注標(biāo)簽，作為種子數(shù)據(jù)集。
[0049] 種子集中的圖像從網(wǎng)絡(luò)或?qū)嶋H的火災(zāi)錄像中截取，去除背景而只保留煙和火的區(qū) 域，并打上相應(yīng)的標(biāo)簽。種子集越大越好，多樣性越豐富越好，這樣訓(xùn)練出來的火災(zāi)檢測模 型的可靠性也更高。種子集圖像最終被縮放到一個固定的大小m X η。
[0050] 步驟二、利用種子數(shù)據(jù)和采集的視頻自動生成針對特定應(yīng)用環(huán)境的數(shù)據(jù)樣本。
[0051] 安裝視頻探測點(diǎn)之后，從實(shí)際的視頻流中抽取一部分幀，可以以一個固定間隔定 時抽取或者隨機(jī)抽取，然后從截取的視頻幀中裁剪出一些符合大小及長寬比要求的圖像 塊。最后將這些圖像塊縮放到與種子圖像一樣大小，歸入負(fù)樣本集。
[0052] 然后從種子集和負(fù)樣本集隨機(jī)選擇一張圖像，采用公式（1)的疊加融合方法生成 一張正樣本圖片，模擬畫面對應(yīng)的區(qū)域發(fā)生火災(zāi)的情況。
[0053]步驟三、訓(xùn)練過程，通過在線學(xué)習(xí)算法在這些樣本上訓(xùn)練出煙火檢測器。
[0054] 準(zhǔn)備一組火焰圖像作正樣本和一組負(fù)樣本圖像組成訓(xùn)練集，正負(fù)樣本規(guī)模基本相 當(dāng)，數(shù)量可以從幾百到幾萬。然后提取d維的C2特征，每個樣本用一個特征向量表示；
[0055] 采用在線學(xué)習(xí)算法，在訓(xùn)練集上學(xué)習(xí)出一個火焰檢測器，專門用于檢測圖像中是 否包含火焰；
[0056] 同樣的，對于煙霧也采用相同的方法訓(xùn)練一個煙霧檢測器；
[0057]步驟四、檢測過程，前端將獲取的疑似火災(zāi)圖像發(fā)送給檢測服務(wù)器來判斷是否發(fā) 生火災(zāi);此系統(tǒng)中，疑似火災(zāi)圖像的提取和火災(zāi)判斷是分離的，前端可以根據(jù)應(yīng)用的不同采 用不同的方法進(jìn)行抽取，例如針對固定攝像頭可以采用運(yùn)動區(qū)域提取，對于森林中的巡檢 攝像頭可以根據(jù)色彩進(jìn)行提取。檢測服務(wù)器接收統(tǒng)一規(guī)格的圖像，分別調(diào)用火焰和煙霧檢 測器進(jìn)行檢測，當(dāng)兩個檢測器均輸出負(fù)響應(yīng)時認(rèn)為沒有火災(zāi)發(fā)生，否則表示有火災(zāi)異常，發(fā) 出報警信號。智能判決模塊只負(fù)責(zé)對輸入的圖像塊進(jìn)行分析，判斷是否包含火焰或者煙霧； 其作為一個服務(wù)，既可以部署在監(jiān)控中心也可以部署在云端。
[0058]步驟五、在運(yùn)行過程中，系統(tǒng)不斷的截取場景圖像作為新的樣本在線更新檢測器， 以適應(yīng)場景的變化。樣本獲取模塊，采集場景數(shù)據(jù)，自動生成一批針對該場景的訓(xùn)練樣本；
[0059] 在實(shí)際應(yīng)用中，環(huán)境會隨著時間、季節(jié)、天氣等因素發(fā)生變化，傳統(tǒng)方法的模型可 能會逐漸變得不再適應(yīng)，或者只能適應(yīng)部分情況，也不能隨著數(shù)據(jù)量的增加而變的更加健 壯和穩(wěn)定。本發(fā)明提出的方法在檢測的同時，不斷地利用新的數(shù)據(jù)來更新和提升模型的性 能，使得模型能夠適應(yīng)環(huán)境的變化，并且隨著運(yùn)行時間越長數(shù)據(jù)越多，其檢測的穩(wěn)定性和可 靠性也越來越高。
[0060] 圖2為本發(fā)明實(shí)施例提供的樣本生成方法及煙霧檢測器訓(xùn)練流程圖，如圖2所示， 以煙霧檢測器的訓(xùn)練為例進(jìn)行說明，火焰的處理方法與之相同。
[0061] 由于訓(xùn)練需要大量的當(dāng)前環(huán)境下的樣本，才能獲得比較可靠的檢測器，但在實(shí)際 情況中，火災(zāi)的正樣本非常難以收集，點(diǎn)火試驗的代價與風(fēng)險也比較大。因此本發(fā)明采用一 種合成的方法來模擬當(dāng)前環(huán)境下的火災(zāi)。首先隨機(jī)的從事先準(zhǔn)備好的種子集和負(fù)樣本集中 各挑出一張圖像，然后在煙霧區(qū)域以隨機(jī)的比例進(jìn)行線性疊加，將煙霧嵌入到當(dāng)前環(huán)境的 背景上，生成煙霧圖像樣本。這樣生成的樣本有利于學(xué)習(xí)出對環(huán)境背景不敏感的檢測器，而 疊加的比例還可以模擬不同的煙霧濃度。
[0062]在合成訓(xùn)練樣本的基礎(chǔ)上，將一組負(fù)樣本和一組正樣本輸入到學(xué)習(xí)模塊中，得到 煙霧檢測器。圖中采用了online adaboost學(xué)習(xí)算法，adaboost是機(jī)器學(xué)習(xí)領(lǐng)域的著名算 法，其通過不斷的迭代，將一些弱分類器組合起來，最終構(gòu)成一個強(qiáng)分類器。Online adaboost是其增量學(xué)習(xí)的變種，之所以采用在線學(xué)習(xí)方法是為了方便進(jìn)行模型更新（步驟 5)，在運(yùn)行過程中可以將新的樣本投入到學(xué)習(xí)框架中，以提高其對環(huán)境的適應(yīng)性和識別性 能。采用哪一種學(xué)習(xí)方法不是本發(fā)明的限制特征，此處同樣可以采用其他在線學(xué)習(xí)方法，例 如online svm，增量神經(jīng)網(wǎng)絡(luò)等。
[0063]圖3為本發(fā)明實(shí)采用的圖像特征提取方法示意圖，如圖3所示，該特征是T.Serre等 人在CVPR2005提出的基于人類視覺感知機(jī)理提出的特征提取模型，簡稱為C2特征。特征提 取模型共分為五層：圖像層、三個中間層和特征層。每一層都由上一層通過一族濾波器得到 (模板卷積或者最大值抽取）。
[0064]圖像層是一個圖5層像金字塔，最底層是大小為60X60的輸入圖像，之上每一層尺 寸都是下一層的
圖像層經(jīng)
四個方向的Gabor濾波器濾波后得到S1層。采用一 個2層棱臺模板對S1層進(jìn)行局部最大值濾波之后得到C1層。然后采用d個模板對C1層進(jìn)行卷 積得到S2層，因此S2層由d個小金字塔組成。最后對S2層的每一個金字塔進(jìn)行全局最大值濾 波，得到最終的C2層，即一個d維的特征向量。本發(fā)明就用這個特征向量來對一張圖像進(jìn)行 特征表達(dá)。
[0065] 圖4為本發(fā)明用于更新模型的四種數(shù)據(jù)來源，如圖4所示，系統(tǒng)將利用這四類數(shù)據(jù) 進(jìn)行自我提升。
[0066] 在實(shí)際應(yīng)用中，由于兩個方面的因素，系統(tǒng)需要對模型進(jìn)行更新。一方面，即使同 一個攝像頭的視頻，其環(huán)境也不是長期不變的，因此之前針對該場景訓(xùn)練的檢測器可能逐 漸變得不適應(yīng)，從而導(dǎo)致誤報發(fā)生。另一方面，從理論上講，誤報和漏報是不可避免的，人們 希望系統(tǒng)能自動學(xué)習(xí)，對曾經(jīng)發(fā)生的誤報和漏報進(jìn)行學(xué)習(xí)，改進(jìn)模型，避免以后同類情況下 繼續(xù)出錯。
[0067] 第1類為從視頻流中抽取的背景圖像，第2類為被正確識別為非火災(zāi)的疑似圖像， 第3類為被正確識別為火災(zāi)的疑似圖像，第4類是經(jīng)人工確認(rèn)為誤報和漏報的疑似圖像。其 中第1，2類和4類中的誤報被標(biāo)記為負(fù)樣本，第3類和第4類中的漏報標(biāo)記為正樣本。圖中箭 頭上的數(shù)字表示樣本權(quán)重，w>l。第3類已經(jīng)能正常識別，并不直接用于繼續(xù)訓(xùn)練，而是采用 圖2中一樣的樣本生成方法，用它和第1類負(fù)樣本生成新的樣本用于訓(xùn)練。
[0068] 以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精 神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項】
1. 一種自學(xué)習(xí)的視頻火災(zāi)探測方法，其特征在于，包括步驟如下： 步驟一、收集一批煙火圖像，去除背景并加注標(biāo)簽，作為種子數(shù)據(jù)集； 步驟二、利用種子數(shù)據(jù)和采集的視頻自動生成針對特定應(yīng)用環(huán)境的數(shù)據(jù)樣本； 步驟Ξ、訓(xùn)練過程:通過在線學(xué)習(xí)算法在運(yùn)些樣本上訓(xùn)練出煙火檢測器； 步驟四、檢測過程:前端將獲取的疑似火災(zāi)圖像發(fā)送給檢測服務(wù)器來判斷是否發(fā)生火 災(zāi)； 步驟五、在運(yùn)行過程中，檢測服務(wù)器不斷的截取場景圖像作為新的樣本在線更新檢測 器，W適應(yīng)場景的變化。2. 根據(jù)權(quán)利要求1所述的一種自學(xué)習(xí)的視頻火災(zāi)探測方法，其特征在于:步驟一所述種 子數(shù)據(jù)集，其圖像為縮放到固定大小mXn的圖像塊，其中煙霧或火焰區(qū)域是原圖像值，非煙 火區(qū)域的像素值全部為0,標(biāo)簽分別為'smoke'，'fire'，一張圖像最多有兩個標(biāo)簽。3. 根據(jù)權(quán)利要求1所述的一種自學(xué)習(xí)的視頻火災(zāi)探測方法，其特征在于，步驟二所述樣 本生成方法包括： 從監(jiān)控視頻流中定時或隨機(jī)截取一些帖，從運(yùn)些帖中隨機(jī)裁剪出一些圖像塊，圖像塊 滿足：1)最小邊長不小于限值Lmin，2)長邊與短邊之比不大于比值ratio;然后縮放到與種子 圖像同樣大小，歸入負(fù)樣本集； 從負(fù)樣本集和種子集中分別隨機(jī)選取一張圖像，按照下列方法采用不同的α進(jìn)行1~3 次疊加融合：label(M) = label(S) 其中ae (0.6,1.0)，用來模擬煙的濃度，I為負(fù)樣本，S為種子樣本，Μ為融合得到的煙火 圖像，是對場景中發(fā)生火災(zāi)的一種模擬，將用于訓(xùn)練針對該場景的火焰和煙霧檢測器， label為圖像的標(biāo)簽。4. 根據(jù)權(quán)利要求1所述一種自學(xué)習(xí)的視頻火災(zāi)探測方法，其特征在于，步驟Ξ所述訓(xùn)練 過程，包括： 從負(fù)樣本集中隨機(jī)挑選出一個子集聯(lián)合火焰樣本集訓(xùn)練一個火焰檢測器化，從負(fù)樣本 集中隨機(jī)挑出一個子集聯(lián)合煙霧樣本集訓(xùn)練一個煙霧檢測器Ds， 圖像特征提取采用基于人類視覺感知機(jī)理的多層模型，每一張圖像用一個d維特征向 量描述;學(xué)習(xí)方法采用增量學(xué)習(xí)算法。5. 根據(jù)權(quán)利要求1所述一種自學(xué)習(xí)的視頻火災(zāi)探測方法，其特征在于，步驟四所述檢測 過程，包括： 前端處理負(fù)責(zé)提取并跟蹤疑似區(qū)域，可W采用成熟的運(yùn)動目標(biāo)提取或者顏色篩選，前 端處理為嵌入式智能相機(jī)或者處理服務(wù)器； 前端W固定時間間隔t，將提取的疑似區(qū)域圖像發(fā)送給檢測服務(wù)器； 檢測端調(diào)用對應(yīng)的火焰和煙霧檢測器，對接收到的圖像進(jìn)行檢測，如果兩者之一輸出 為正響應(yīng)，運(yùn)說明有對應(yīng)的異常情況發(fā)生，向中屯、控制平臺發(fā)送報警信號，否則發(fā)送正常信 號。6. 根據(jù)權(quán)利要求1所述一種自學(xué)習(xí)的視頻火災(zāi)探測方法，其特征在于，步驟五所述系統(tǒng) 更新過程，包括： 在系統(tǒng)運(yùn)行過程中，將持續(xù)的提供一些新的樣本給檢測服務(wù)器，用于更新檢測器，更新 樣本分為負(fù)樣本集，火焰集和煙霧集； 定時地將收集到的負(fù)樣本集和火焰集輸入學(xué)習(xí)算法，更新火焰檢測器，將負(fù)樣本集和 煙霧集輸入學(xué)習(xí)算法，更新煙霧檢測器。7.根據(jù)權(quán)利要求1或6所述一種自學(xué)習(xí)的視頻火災(zāi)探測方法，其特征在于，所述的更新 檢測器，更新的樣本來源可分為4類： 1) 從視頻流中截取的隨機(jī)圖像，賦予普通權(quán)重，歸入負(fù)樣本集，它們可W讓模型適應(yīng)變 化了的場景； 2) 被檢測服務(wù)器判斷為正常且響應(yīng)值很高或經(jīng)人工確認(rèn)的非火災(zāi)圖像，賦予普通權(quán) 重，歸類為負(fù)樣本，它們可W讓模型更好的處理干擾模式； 3) 被檢測服務(wù)器判斷為異常，且響應(yīng)值很高或者經(jīng)過人工確認(rèn)的火災(zāi)圖像，與第一類 圖片采用與第一類圖片進(jìn)行疊加融合處理，生成一批火災(zāi)圖像，賦予普通權(quán)重，按標(biāo)簽歸入 火焰集或煙霧集，它們有助于模型學(xué)習(xí)該場景下的火災(zāi)模式； 4) 經(jīng)人工確認(rèn)被檢測服務(wù)器誤判的圖像，按照實(shí)際的類別歸入樣本集，并賦予其高倍 的權(quán)重，他們將有利于模型進(jìn)行糾錯，避免后續(xù)的誤判。
【文檔編號】G08B17/10GK106097346SQ201610418420
【公開日】2016年11月9日
【申請日】2016年6月13日 公開號201610418420.0, CN 106097346 A, CN 106097346A, CN 201610418420, CN-A-106097346, CN106097346 A, CN106097346A, CN201610418420, CN201610418420.0
【發(fā)明人】張啟興, 張永明, 周維, 林高華, 賈陽, 徐高
【申請人】中國科學(xué)技術(shù)大學(xué)