本發(fā)明涉及信息識別，尤其涉及一種煙霧火焰識別方法和裝置。

背景技術：

1、隨著計算機視覺技術的發(fā)展，煙霧和火焰的自動識別已經(jīng)成為公共安全領域的重要研究課題之一。傳統(tǒng)的煙霧和火焰識別方法多依賴于圖像處理技術和模式識別算法，但由于煙霧和火焰在自然環(huán)境中表現(xiàn)出的高度復雜性和多樣性，這些傳統(tǒng)方法往往難以滿足實際應用需求。近年來，深度學習技術因其強大的特征提取能力和優(yōu)秀的分類性能，在圖像識別領域取得了顯著成就，并逐漸應用于煙霧和火焰的識別中。

2、現(xiàn)有的煙霧和火焰識別方法大多采用深度學習模型直接從相機設備采集的原始視頻或圖像數(shù)據(jù)中進行識別。通過攝像頭等設備采集待檢測區(qū)域的視頻或圖像，并對其進行簡單的預處理，如縮放、裁剪、色彩空間轉(zhuǎn)換等，以便于后續(xù)的深度學習模型處理。使用采集到的數(shù)據(jù)構建訓練數(shù)據(jù)集，這些數(shù)據(jù)集通常包含大量的正樣本（包含煙霧或火焰的圖像）和負樣本（不包含煙霧或火焰的圖像）。利用構建好的數(shù)據(jù)集對深度學習模型進行訓練，模型學習從圖像中提取與煙霧或火焰相關的特征，并據(jù)此進行分類。將新的視頻或圖像輸入訓練好的模型中，輸出預測結果，即識別出圖像中是否存在煙霧或火焰。

3、然而，現(xiàn)有的煙霧和火焰識別方法存在以下不足：

4、數(shù)據(jù)量龐大：直接使用原始視頻或圖像數(shù)據(jù)進行訓練會導致數(shù)據(jù)集規(guī)模巨大，這不僅增加了存儲成本，也延長了模型訓練時間，降低了系統(tǒng)的響應速度；

5、識別精度不高：由于未對數(shù)據(jù)進行有效的篩選和特征提取，導致模型在面對復雜背景時容易受到干擾，識別精度不高，特別是在光照條件變化較大或背景復雜的環(huán)境中，識別效果較差；

6、計算資源消耗大：處理大規(guī)模數(shù)據(jù)集需要大量的計算資源，對于實時性要求高的應用場合，這樣的方法難以滿足需求。

技術實現(xiàn)思路

1、為了解決上述技術問題，本發(fā)明提供了一種煙霧火焰識別方法和裝置，以實現(xiàn)深度學習模型數(shù)據(jù)集的篩選。

2、本發(fā)明提供了一種煙霧火焰識別方法，包括：

3、步驟100，采集待檢測區(qū)域的視頻并對視頻預處理，利用背景差分算法從預處理后視頻的視頻幀中提取運動區(qū)域，在運動區(qū)域應用顏色過濾器，以識別潛在煙霧區(qū)域和潛在火焰區(qū)域；

4、步驟200，構建預設顏色特征模板，計算潛在煙霧區(qū)域的顏色特征向量和潛在火焰區(qū)域的顏色特征向量，判斷潛在煙霧區(qū)域的顏色特征向量，是否與預設顏色特征模板匹配，若是，則執(zhí)行步驟300，若否，則結束處理潛在煙霧區(qū)域；判斷潛在火焰區(qū)域的顏色特征向量，是否與預設顏色特征模板匹配，若是，則執(zhí)行步驟300，若否，則結束處理潛在火焰區(qū)域；

5、步驟300，計算潛在煙霧區(qū)域的運動矢量和潛在火焰區(qū)域像素點的運動矢量，根據(jù)潛在煙霧區(qū)域像素點的運動矢量，判斷潛在煙霧區(qū)域是否存在連續(xù)運動模式，若是，則將潛在煙霧區(qū)域確定為疑似煙霧保留子區(qū)域，若否，則結束處理潛在煙霧區(qū)域；根據(jù)潛在火焰區(qū)域像素點的運動矢量，判斷潛在火焰區(qū)域是否存在連續(xù)運動模式，若是，則將潛在火焰區(qū)域確定為疑似火焰保留子區(qū)域；若否，則結束處理潛在火焰區(qū)域；

6、步驟400，對疑似煙霧保留子區(qū)域、疑似火焰保留子區(qū)域分別計算紋理特征參數(shù)和顏色特征向量，根據(jù)疑似煙霧保留子區(qū)域的紋理特征參數(shù)和顏色特征向量，確定疑似煙霧保留子區(qū)域是否包含符合煙霧的特征，若是，則執(zhí)行步驟500，若否，則結束處理疑似煙霧保留子區(qū)域；根據(jù)疑似火焰保留子區(qū)域的紋理特征參數(shù)和顏色特征向量，確定疑似火焰保留子區(qū)域是否包含符合火焰的特征，若是，則執(zhí)行步驟500，若否，則結束處理疑似火焰保留子區(qū)域；

7、步驟500，分別在疑似煙霧保留子區(qū)域、疑似火焰保留子區(qū)域邊緣構建煙霧子區(qū)域和火焰子區(qū)域，并分別對煙霧子區(qū)域和火焰子區(qū)域計算顏色特征向量和紋理特征參數(shù)；判斷煙霧子區(qū)域的顏色特征向量、紋理特征參數(shù)，與疑似煙霧保留子區(qū)域的顏色特征向量、紋理特征參數(shù)是否均相同，若是，則將煙霧子區(qū)域確定為煙霧保留子區(qū)域；若否，則結束處理煙霧子區(qū)域；判斷火焰子區(qū)域的顏色特征向量、紋理特征參數(shù)，與疑似火焰保留子區(qū)域的顏色特征向量、紋理特征參數(shù)是否均相同，若是，則將火焰子區(qū)域確定為火焰保留子區(qū)域；若否，則結束處理火焰子區(qū)域；

8、步驟600，將步驟300確定的疑似煙霧保留子區(qū)域、疑似火焰保留子區(qū)域，步驟500確定的煙霧保留子區(qū)域、火焰保留子區(qū)域組成深度學習模型的數(shù)據(jù)集，用于對火焰、煙霧進行識別。

9、進一步地，連續(xù)運動模式的判斷，具體包括以下步驟：

10、步驟310，利用sobel算子計算視頻幀的梯度；

11、步驟320，根據(jù)相鄰兩個視頻幀計算時間梯度；

12、步驟330，根據(jù)視頻幀的梯度、時間梯度構建光流算法，計算像素點的運動矢量；

13、步驟340，將相鄰兩個視頻幀進行配對組成一對相鄰幀，根據(jù)像素點的運動矢量，獲取每一對相鄰幀之間的運動矢量；

14、步驟350，計算多組相鄰幀之間的平均運動矢量；

15、步驟360，根據(jù)每一對相鄰幀之間的運動矢量、平均運動矢量，計算運動模式指標值；

16、步驟370，根據(jù)運動模式指標值判斷潛在煙霧區(qū)域和潛在火焰區(qū)域是否存在連續(xù)運動模式。

17、進一步地，根據(jù)運動模式指標值判斷潛在煙霧區(qū)域和潛在火焰區(qū)域是否存在連續(xù)運動模式，具體包括：

18、步驟371，構建第一閾值和第二閾值；

19、步驟372，計算每一對相鄰幀之間的運動矢量的方向角；

20、步驟373，根據(jù)方向角計算平均方向角；

21、步驟374，根據(jù)方向角和平均方向角計算方向角標準差；

22、步驟375，將運動模式指標值與第一閾值比較，將方向角標準差與第二閾值比較，當運動模式指標值大于第一閾值，且方向角標準差大于第二閾值時，煙霧區(qū)域、火焰區(qū)域存在連續(xù)運動模式；當運動模式指標值小于等于第一閾值，或方向角標準差小于等于第二閾值時，煙霧區(qū)域、火焰區(qū)域存在非連續(xù)運動模式。

23、進一步地，疑似煙霧保留子區(qū)域的顏色特征向量或疑似火焰保留子區(qū)域的顏色特征向量，通過第一公式計算得到：

24、；

25、代表疑似煙霧保留子區(qū)域的顏色特征向量或疑似火焰保留子區(qū)域的顏色特征向量，r、g、b代表視頻幀中疑似煙霧保留子區(qū)域像素點的紅色、綠色、藍色強度值，或視頻幀中疑似火焰保留子區(qū)域像素點的紅色、綠色、藍色強度值，、、分別代表權重系數(shù)。

26、進一步地，煙霧子區(qū)域的顏色特征向量或火焰子區(qū)域的顏色特征向量通過第一公式計算得到。

27、進一步地，時間梯度的計算公式為：

28、；

29、式中，代表第t幀視頻幀與第t+1幀視頻幀之間的時間梯度，表示位置和第t幀處的視頻幀強度值，代表在同一位置和第t+1幀的視頻幀強度值。

30、進一步地，光流算法的關系式為：

31、；

32、式中，、分別代表視頻幀的梯度，具體地，代表視頻幀在水平方向上的梯度，代表視頻幀在垂直方向上的梯度，（u，v）代表像素點的運動矢量，代表第t幀視頻幀與第t+1幀視頻幀之間的時間梯度。

33、進一步地，運動模式指標值的計算公式為：

34、；

35、式中，代表運動模式指標值，t代表相鄰幀的最大幀數(shù)，代表第t幀到第t+1幀之間像素點運動矢量，代表平均運動矢量。

36、本發(fā)明還提供了一種煙霧火焰識別裝置，用于執(zhí)行上述的一種煙霧火焰識別方法，包括以下模塊：

37、潛在區(qū)域識別模塊：用于在運動區(qū)域應用顏色過濾器，以識別潛在煙霧區(qū)域和潛在火焰區(qū)域；

38、顏色特征向量匹配模塊：與潛在區(qū)域識別模塊連接，用于構建預設顏色特征模板，計算潛在煙霧區(qū)域的顏色特征向量和潛在火焰區(qū)域的顏色特征向量，判斷潛在煙霧區(qū)域的顏色特征向量，是否與預設顏色特征模板匹配，若是，則執(zhí)行步驟300，若否，則結束處理潛在煙霧區(qū)域；判斷潛在火焰區(qū)域的顏色特征向量，是否與預設顏色特征模板匹配，若是，則執(zhí)行步驟300，若否，則結束處理潛在火焰區(qū)域；

39、疑似保留子區(qū)域確定模塊：與顏色特征向量匹配模塊連接，用于計算潛在煙霧區(qū)域的運動矢量和潛在火焰區(qū)域像素點的運動矢量，根據(jù)潛在煙霧區(qū)域像素點的運動矢量，判斷潛在煙霧區(qū)域是否存在連續(xù)運動模式，若是，則將潛在煙霧區(qū)域確定為疑似煙霧保留子區(qū)域，若否，則結束處理潛在煙霧區(qū)域；根據(jù)潛在火焰區(qū)域像素點的運動矢量，判斷潛在火焰區(qū)域是否存在連續(xù)運動模式，若是，則將潛在火焰區(qū)域確定為疑似火焰保留子區(qū)域；若否，則結束處理潛在火焰區(qū)域；

40、符合特征確定模塊：與疑似保留子區(qū)域確定模塊連接，用于對疑似煙霧保留子區(qū)域、疑似火焰保留子區(qū)域分別計算紋理特征參數(shù)和顏色特征向量，根據(jù)疑似煙霧保留子區(qū)域的紋理特征參數(shù)和顏色特征向量，確定疑似煙霧保留子區(qū)域是否包含符合煙霧的特征，若是，則對疑似煙霧保留子區(qū)域進行處理，若否，則結束處理疑似煙霧保留子區(qū)域；根據(jù)疑似火焰保留子區(qū)域的紋理特征參數(shù)和顏色特征向量，確定疑似火焰保留子區(qū)域是否包含符合火焰的特征，若是，則對疑似火焰保留子區(qū)域進行處理，若否，則結束處理疑似火焰保留子區(qū)域；

41、保留子區(qū)域確定模塊：與符合特征確定模塊連接，用于分別在疑似煙霧保留子區(qū)域、疑似火焰保留子區(qū)域邊緣構建煙霧子區(qū)域和火焰子區(qū)域，并分別對煙霧子區(qū)域和火焰子區(qū)域計算顏色特征向量和紋理特征參數(shù)；判斷煙霧子區(qū)域的顏色特征向量、紋理特征參數(shù)，與疑似煙霧保留子區(qū)域的顏色特征向量、紋理特征參數(shù)是否均相同，若是，則將煙霧子區(qū)域確定為煙霧保留子區(qū)域；若否，則結束處理煙霧子區(qū)域；判斷火焰子區(qū)域的顏色特征向量、紋理特征參數(shù)，與疑似火焰保留子區(qū)域的顏色特征向量、紋理特征參數(shù)是均否相同，若是，則將火焰子區(qū)域確定為火焰保留子區(qū)域；若否，則結束處理火焰子區(qū)域；

42、識別模塊：與保留子區(qū)域確定模塊、疑似保留子區(qū)域確定模塊連接，用于將疑似煙霧保留子區(qū)域、疑似火焰保留子區(qū)域，煙霧保留子區(qū)域、火焰保留子區(qū)域組成深度學習模型的數(shù)據(jù)集，對火焰、煙霧進行識別。

43、本發(fā)明實施例具有以下技術效果：

44、通過逐步篩選出疑似煙霧保留子區(qū)域、疑似火焰保留子區(qū)域、煙霧保留子區(qū)域、火焰保留子區(qū)域作為深度學習模型的數(shù)據(jù)集，旨在減少數(shù)據(jù)量、提高識別精度，并優(yōu)化計算資源的使用。該方法通過對視頻幀進行預處理、背景差分、顏色過濾等步驟，提取出潛在煙霧和火焰區(qū)域，并進一步分析這些區(qū)域的顏色特征、紋理特征以及運動模式，最終將經(jīng)過篩選的有效區(qū)域用于深度學習模型的訓練和識別，以提高系統(tǒng)的整體性能。