本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別涉及一種火災(zāi)煙霧檢測(cè)方法及裝置。

背景技術(shù)：

火災(zāi)嚴(yán)重威脅著人類的財(cái)產(chǎn)和生命安全，對(duì)火災(zāi)及時(shí)進(jìn)行預(yù)測(cè)報(bào)警能夠使人們防患于未然，從而使火災(zāi)對(duì)人民群眾的危害降到最低。傳統(tǒng)的煙霧報(bào)警器通常使用感溫、感光等手段，一般需要安裝在著火點(diǎn)附近；此外，感溫傳感器檢測(cè)到溫度上升并進(jìn)行報(bào)警時(shí)，通?；馂?zāi)已經(jīng)發(fā)生，火勢(shì)已經(jīng)蔓延，為人們預(yù)留的時(shí)間比較短，同時(shí)傳統(tǒng)的監(jiān)督學(xué)習(xí)為火災(zāi)煙霧檢測(cè)訓(xùn)練出來(lái)的分類判別模型盡管已經(jīng)初見(jiàn)成效，但其誤檢率高、實(shí)時(shí)性差的問(wèn)題至今仍未解決。

技術(shù)實(shí)現(xiàn)要素：

鑒于上述問(wèn)題，本發(fā)明提供了一種火災(zāi)煙霧檢測(cè)方法及裝置。

本發(fā)明提供的火災(zāi)煙霧檢測(cè)方法，包括以下步驟：

根據(jù)預(yù)設(shè)的圖像基準(zhǔn)集對(duì)將預(yù)先建立的圖像訓(xùn)練集中的每幅圖像進(jìn)行正包標(biāo)記或反包標(biāo)記，得到正包訓(xùn)練集和反包訓(xùn)練集；

根據(jù)所述正包訓(xùn)練集和反包訓(xùn)練集采用預(yù)設(shè)的多示例學(xué)習(xí)算法對(duì)預(yù)設(shè)的分類模型進(jìn)行訓(xùn)練，得到正反包分類判別模型；

獲取測(cè)試圖像，提取所述測(cè)試圖像的特征向量，將測(cè)試圖像的特征向量輸入到所述正反包分類判別模型中，對(duì)所述測(cè)試圖像進(jìn)行正包檢測(cè)。

本發(fā)明還提供了一種火災(zāi)煙霧檢測(cè)裝置，包括：標(biāo)記模塊、模型訓(xùn)練模塊、及檢測(cè)模塊：

所述標(biāo)記模塊，用于根據(jù)預(yù)設(shè)的圖像基準(zhǔn)集對(duì)將預(yù)先建立的圖像訓(xùn)練集中的每幅圖像進(jìn)行正包標(biāo)記或反包標(biāo)記，得到正包訓(xùn)練集和反包訓(xùn)練集；

所述模型訓(xùn)練模塊，用于根據(jù)所述正包訓(xùn)練集和反包訓(xùn)練集采用預(yù)設(shè)的多示例學(xué)習(xí)算法對(duì)預(yù)設(shè)的分類模型進(jìn)行訓(xùn)練，得到正反包分類判別模型；

所述檢測(cè)模塊，用于獲取測(cè)試圖像，提取所述測(cè)試圖像的特征向量，將測(cè)試圖像的特征向量輸入到所述正反包分類判別模型中，對(duì)所述測(cè)試圖像進(jìn)行正包檢測(cè)。

本發(fā)明有益效果如下：

本發(fā)明實(shí)施例利用了多示例學(xué)習(xí)的方法檢測(cè)監(jiān)控視頻中的火災(zāi)煙霧區(qū)域，有效解決了傳統(tǒng)檢測(cè)方法誤檢率高實(shí)時(shí)性差的問(wèn)題,同時(shí)視頻智能監(jiān)控火災(zāi)煙霧檢測(cè)裝置不僅無(wú)安裝位置的要求，而且通過(guò)檢測(cè)火災(zāi)煙霧進(jìn)行預(yù)警，煙霧通常發(fā)生在火災(zāi)的初期，因此能夠?yàn)槿藗兌惚芑蛘邠錅绱蠡馉?zhēng)取更多的時(shí)間。

附圖說(shuō)明

圖1是本發(fā)明方法實(shí)施例的火災(zāi)煙霧檢測(cè)方法的流程圖；

圖2是本發(fā)明裝置實(shí)施例的火災(zāi)煙霧檢測(cè)裝置的結(jié)構(gòu)示意圖；

圖3是本發(fā)明實(shí)例1智能視頻監(jiān)控火災(zāi)煙霧檢測(cè)方法中的訓(xùn)練流程圖；

圖4是本發(fā)明實(shí)例1智能視頻監(jiān)控火災(zāi)煙霧檢測(cè)方法中的測(cè)試流程圖。

具體實(shí)施方式

下面將參照附圖更詳細(xì)地描述本公開(kāi)的示例性實(shí)施例。雖然附圖中顯示了本公開(kāi)的示例性實(shí)施例，然而應(yīng)當(dāng)理解，可以以各種形式實(shí)現(xiàn)本公開(kāi)而不應(yīng)被這里闡述的實(shí)施例所限制。相反，提供這些實(shí)施例是為了能夠更透徹地理解本公開(kāi)，并且能夠?qū)⒈竟_(kāi)的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。

為了解決現(xiàn)有技術(shù)中傳統(tǒng)的煙霧報(bào)警器為人們預(yù)留的時(shí)間短、同時(shí)現(xiàn)有的分類判別模型誤檢率高、實(shí)時(shí)性差的問(wèn)題，本發(fā)明提供了一種火災(zāi)煙霧檢測(cè)方法及裝置，以下結(jié)合附圖以及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不限定本發(fā)明。

近年來(lái)，機(jī)器學(xué)習(xí)的熱潮使人工智能更加普及化。多示例學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一種，因其與傳統(tǒng)監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)的不同，具有獨(dú)特的性質(zhì)和廣泛的應(yīng)用前景，屬于以往機(jī)器學(xué)習(xí)研究的一個(gè)盲區(qū)，在國(guó)際機(jī)器學(xué)習(xí)界引起了極大的反響，被認(rèn)為是一種新的學(xué)習(xí)框架。

根據(jù)本發(fā)明的方法實(shí)施例，提供了一種火災(zāi)煙霧檢測(cè)方法，圖1是本發(fā)明方法實(shí)施例的火災(zāi)煙霧檢測(cè)方法的流程圖，如圖1所示，根據(jù)本發(fā)明方法實(shí)施例的火災(zāi)煙霧檢測(cè)方法包括如下處理：

步驟101，根據(jù)預(yù)設(shè)的圖像基準(zhǔn)集對(duì)將預(yù)先建立的圖像訓(xùn)練集中的每幅圖像進(jìn)行正包標(biāo)記或反包標(biāo)記，得到正包訓(xùn)練集和反包訓(xùn)練集。

具體的，可以采用如下方法得到預(yù)先建立的圖像訓(xùn)練集：通過(guò)網(wǎng)絡(luò)爬蟲(chóng)技術(shù)從百度谷歌等大型網(wǎng)站上收集火災(zāi)煙霧正樣本圖片，為保證訓(xùn)練集圖像的高質(zhì)量性，對(duì)收集到的圖片進(jìn)行人工目標(biāo)區(qū)域截取。負(fù)樣本是部分ecssd圖像庫(kù)和esp-imageset中的非火災(zāi)非煙霧圖像。通過(guò)人工篩選，得到優(yōu)化后的典型圖像訓(xùn)練集。

根據(jù)預(yù)設(shè)的圖像基準(zhǔn)集對(duì)將預(yù)先建立的圖像訓(xùn)練集中的每幅圖像進(jìn)行正包標(biāo)記或反包標(biāo)記，具體的，將有火災(zāi)煙霧區(qū)域的圖像標(biāo)記為正包，將完全沒(méi)有火災(zāi)煙霧區(qū)域的圖像標(biāo)記為反包。

步驟102，根據(jù)所述正包訓(xùn)練集和反包訓(xùn)練集采用預(yù)設(shè)的多示例學(xué)習(xí)算法對(duì)預(yù)設(shè)的分類模型進(jìn)行訓(xùn)練，得到正反包分類判別模型。

具體的，步驟102根據(jù)正包訓(xùn)練集和反包訓(xùn)練集采用預(yù)設(shè)的多示例學(xué)習(xí)算法對(duì)預(yù)設(shè)的分類模型進(jìn)行訓(xùn)練，得到正反包分類判別模型，具體包括：

將所述正包訓(xùn)練集和反包訓(xùn)練集中的每幅圖像劃分成多個(gè)圖像區(qū)域，每幅圖像為一個(gè)包，每個(gè)圖像區(qū)域?yàn)橐粋€(gè)示例；

對(duì)每個(gè)示例進(jìn)行特征提取，得到每個(gè)示例的特征向量；

根據(jù)每個(gè)包中各示例的特征向量得到該包的特征向量，根據(jù)各包的特征向量和與對(duì)應(yīng)的正包標(biāo)記或反包標(biāo)記，采用預(yù)設(shè)的多示例學(xué)習(xí)算法對(duì)預(yù)設(shè)的分類模型進(jìn)行訓(xùn)練，得到正反包分類判別模型。

更加具體的，將所述正包訓(xùn)練集和反包訓(xùn)練集中的每幅圖像劃分成多個(gè)圖像區(qū)域，包括：

將所述正包訓(xùn)練集和反包訓(xùn)練集中的每幅圖像使用預(yù)設(shè)的mean-shift分割方法劃分成多個(gè)圖像區(qū)域。

具體的，mean-shift圖像分割算法是從特征空間中某點(diǎn)出發(fā)，沿著mean-shift梯度方向移動(dòng)到新的位置，并以該點(diǎn)為新的起點(diǎn)，繼續(xù)進(jìn)行適量移動(dòng)，直至收斂。mean-shift梯度方向計(jì)算公式如下：

假設(shè)d維特征空間中n個(gè)采樣點(diǎn)集合s＝{xi,i＝1,2,...,n}，在空間中任選一點(diǎn)x，它的核概率密度估計(jì)為：

其中，k(x)為核函數(shù)，kh(x)＝|h|^-1/2k(h^-1/2x)，h為對(duì)稱正定的d×d帶寬矩陣。通常情況下，采用滿足k(x)＝ck,dk(||x||²)的單變量對(duì)稱核函數(shù)，k(x)為k(x)的輪廓函數(shù)，其中x≥0。ck,d是歸一化常數(shù)，使得k(x)積分為1。h選用對(duì)角矩陣或者將其定義為h＝h²i，其中i為單位矩陣。

則x點(diǎn)的核密度估計(jì)可以寫(xiě)成如下形式：

引入輪廓函數(shù)后可改寫(xiě)為：

由于mean-shift算法最終會(huì)收斂到概率密度最大的地方，為了獲得上述函數(shù)的最大值，需要對(duì)其求導(dǎo)：

令g(x)＝-k’(x)，則可以得到如下式子：

如果采用高斯核函數(shù)，根據(jù)式子(3)，上式第一項(xiàng)表示為：

第二項(xiàng)相當(dāng)于mean-shift向量：

則公式(5)可表示為：

由此轉(zhuǎn)換可得mean-shift梯度向量為：

更加具體的，所述對(duì)每個(gè)示例進(jìn)行特征提取，得到每個(gè)示例的特征向量，包括：

分別提取每個(gè)示例的特征；所述特征包括如下特征中的一個(gè)或多個(gè)：顏色特征、紋理特征和小波統(tǒng)計(jì)特征；

針對(duì)每個(gè)示例，將提取的特征進(jìn)行拼接得到該示例的特征向量。

更加具體的，所述顏色特征包含每個(gè)圖像區(qū)域所包含像素點(diǎn)的平均rgb,lab,hsv顏色值以及相應(yīng)的顏色空間直方圖；所述紋理特征包括圖像區(qū)域的lbp、lmfilter分布特征；所述小波統(tǒng)計(jì)特征包括圖像區(qū)域的二維離散小波特征。

具體的，所述預(yù)設(shè)的多示例學(xué)習(xí)算法包括：基于多示例學(xué)習(xí)的ec-svm算法。

進(jìn)一步的，所述根據(jù)每個(gè)包中各示例的特征向量得到該包的特征向量，包括：

計(jì)算所述正包訓(xùn)練集中各示例為正示例的置信度；

將所述正包訓(xùn)練集中的各示例按照置信度大小進(jìn)行排序，從所述正包訓(xùn)練集中按照置信度由大到小選取若干個(gè)正示例組成正示例集合；

計(jì)算所述正包訓(xùn)練集和所述反包訓(xùn)練集中的各包與所述正示例集合中的各示例之間的距離，將這組值作為各包的特征向量。

更加具體的，包括以下步驟：

(1)利用公式6計(jì)算所述正包訓(xùn)練集中包bg中示例bgh為正示例的置信度ec(bgh)；

在式(6)中，為所述正包訓(xùn)練集中的第i個(gè)正包，為所述反包訓(xùn)練集中的第i個(gè)反包；

采用預(yù)設(shè)的noisy-or模型對(duì)公式1中的和進(jìn)行例化，得到其中，為正包中的第j個(gè)示例；為反包中的第j個(gè)示例；pr(bgh|bij)＝exp{-∑k(bijk-bghk)²/δ²}，δ是縮放參數(shù)，bijk代表示例bij的第k個(gè)特征值，bghk代表示例bgh的第k個(gè)特征值；

(2)將所述正包訓(xùn)練集中的各示例按照置信度大小進(jìn)行排序，從所述正包訓(xùn)練集中選取置信度最大的k個(gè)示例組成正示例集合，所述正示例集合是一個(gè)完全由正示例組成的包；

(3)計(jì)算所述正包訓(xùn)練集合和所述反包訓(xùn)練集中的各包與所述正示例集合中的各示例之間的距離，將這組值作為每個(gè)包的特征向量；例如計(jì)算所述正包訓(xùn)練集合和所述反包訓(xùn)練集的包bi中各示例與所述正示例集合之間的距離，將這組值作為每個(gè)包的特征向量其中，e*表示正示例集合，|e^*|表示正示例集合中示例的個(gè)數(shù)，d(e,bi)表示正示例集合中的各示例同包bi之間的距離。

步驟103，獲取測(cè)試圖像，提取所述測(cè)試圖像的特征向量，將測(cè)試圖像的特征向量輸入到所述正反包分類判別模型中，對(duì)所述測(cè)試圖像進(jìn)行正包檢測(cè)。

具體的，所述獲取測(cè)試圖像，提取所述測(cè)試圖像的特征向量，包括：

獲取測(cè)試圖像，利用預(yù)設(shè)的高斯混合模型將所述測(cè)試圖像中的背景與運(yùn)動(dòng)區(qū)域分離開(kāi)來(lái)，提取出所述測(cè)試圖像中的運(yùn)動(dòng)區(qū)域；

根據(jù)所述運(yùn)動(dòng)區(qū)域中測(cè)試圖像的顏色特征和紋理特征篩選出所述運(yùn)動(dòng)區(qū)域中的火災(zāi)煙霧疑似區(qū)域；

根據(jù)所述運(yùn)動(dòng)區(qū)域中測(cè)試圖像的小波變換特征去除所述火災(zāi)煙霧疑似區(qū)域中的非火災(zāi)煙霧區(qū)域，得到測(cè)試圖像的特征向量。

更加具體的，高斯混合模型屬于圖像背景更新方法中的一種，它是對(duì)圖像中每個(gè)像素點(diǎn)xi,t用k個(gè)高斯分布表示所構(gòu)成的模型。其函數(shù)表達(dá)式如下：

其中，k為高斯分布的個(gè)數(shù)，一般取值為3到5，k值越大，模型越能表示復(fù)雜的場(chǎng)景，但計(jì)算量也將大幅增加；ωi,t、μi,t、σi,t分別為第i個(gè)高斯分布的權(quán)重、均值和協(xié)方差矩陣。

在背景提取與更新中，k個(gè)高斯分布按照優(yōu)先級(jí)λi,t＝ωi,t/σi,t從高到低排序(ωi,t，σi,t為各高斯分布的權(quán)值和方差),取前b個(gè)高斯分布聯(lián)合生成背景：

其中，t1為背景選取閾值(0＜t1＜1)，t1的大小決定背景中混合高斯分布的個(gè)數(shù)，一般t1值越大，選取的高斯分布個(gè)數(shù)越多，文中取t1＝0.75。

在模型匹配過(guò)程中，高斯分布權(quán)重按照下式進(jìn)行更新：

ωi,t＝(1-α)ωi,t-1+αmi,t

其中，α為權(quán)值的更新速率；mi,t在匹配的分布中取1，其余分布取0。對(duì)匹配的高斯分布的均值和方差按照下面兩式更新，不匹配的高斯分布保持不變。

μi,t＝(1-β)μi,t-1+βxi,t(7)

β＝αη(xi,t|μi,t,σi,t)(9)

其中，α是權(quán)值更新速率，β是方差更新速率，α通過(guò)式(9)決定β的大小，它們決定這背景模型的更新速度，對(duì)高斯混合模型背景更新的研究就是根據(jù)背景變化情況不斷調(diào)整更新速率α和β的大小。

若xi,t與k個(gè)高斯分布中屬于背景中的某個(gè)高斯分布匹配，則該像素點(diǎn)為背景點(diǎn)；否則該像素點(diǎn)被檢測(cè)為前景點(diǎn)，即運(yùn)動(dòng)目標(biāo)像素點(diǎn)。

本發(fā)明方法實(shí)施例智能視頻監(jiān)控火災(zāi)煙霧檢測(cè)方法的另一實(shí)施例，還包括以下步驟：當(dāng)所述測(cè)試圖像為正包時(shí)，進(jìn)行報(bào)警，并通過(guò)預(yù)設(shè)的多樣性密度算法將所述測(cè)試圖像中的正示例標(biāo)注出來(lái)，所述正示例為所述測(cè)試圖像中著火的具體位置。

具體的，通過(guò)預(yù)設(shè)的多樣性密度算法將所述測(cè)試圖像中的正示例標(biāo)注出來(lái)包括以下步驟：

在測(cè)試圖像的正包中，通過(guò)式(10)找到多樣性密度最大的點(diǎn)，判定所述多樣性密度最大的點(diǎn)為測(cè)試圖像中的正示例；

在式(10)中，為測(cè)試樣本正包集合中的第i個(gè)正包，為中的第j個(gè)示例，為示例特征向量中第k個(gè)屬性的值，為測(cè)試樣本反包集合中的第i個(gè)反包的第j個(gè)示例的第k個(gè)屬性的值；c是所有可能的正示例集合其中c∈c；

采用預(yù)設(shè)的noisy-or模型對(duì)式(10)中的和進(jìn)行例化，得到其中sk是第k個(gè)特征的縮放系數(shù)。

與本發(fā)明的方法實(shí)施例相對(duì)應(yīng)，本發(fā)明提供了一種火災(zāi)煙霧檢測(cè)裝置，圖2是本發(fā)明裝置實(shí)施例的火災(zāi)煙霧檢測(cè)裝置的結(jié)構(gòu)示意圖，如圖2所示，根據(jù)本發(fā)明裝置實(shí)施例的火災(zāi)煙霧檢測(cè)裝置包括：標(biāo)記模塊20、模型訓(xùn)練模塊22、及檢測(cè)模塊24；以下對(duì)本發(fā)明實(shí)施例的各個(gè)模塊進(jìn)行詳細(xì)的說(shuō)明。

所述標(biāo)記模塊20，用于根據(jù)預(yù)設(shè)的圖像基準(zhǔn)集對(duì)將預(yù)先建立的圖像訓(xùn)練集中的每幅圖像進(jìn)行正包標(biāo)記或反包標(biāo)記，得到正包訓(xùn)練集和反包訓(xùn)練集。

所述模型訓(xùn)練模塊22，用于根據(jù)所述正包訓(xùn)練集和反包訓(xùn)練集采用預(yù)設(shè)的多示例學(xué)習(xí)算法對(duì)預(yù)設(shè)的分類模型進(jìn)行訓(xùn)練，得到正反包分類判別模型。

具體的，所述模型訓(xùn)練模塊22具體用于：

將所述正包訓(xùn)練集和反包訓(xùn)練集中的每幅圖像劃分成多個(gè)圖像區(qū)域，每幅圖像為一個(gè)包，每個(gè)圖像區(qū)域?yàn)橐粋€(gè)示例；

對(duì)每個(gè)示例進(jìn)行特征提取，得到每個(gè)示例的特征向量；

根據(jù)每個(gè)包中各示例的特征向量得到該包的特征向量，根據(jù)各包的特征向量和與對(duì)應(yīng)的正包標(biāo)記或反包標(biāo)記，采用預(yù)設(shè)的多示例學(xué)習(xí)算法對(duì)預(yù)設(shè)的分類模型進(jìn)行訓(xùn)練，得到正反包分類判別模型。

進(jìn)一步的，所述模型訓(xùn)練模塊22具體用于：

將所述正包訓(xùn)練集和反包訓(xùn)練集中的每幅圖像使用預(yù)設(shè)的mean-shift分割方法劃分成多個(gè)圖像區(qū)域。

進(jìn)一步的，所述模型訓(xùn)練模塊22具體用于：

分別提取每個(gè)示例的特征；所述特征包括如下特征中的一個(gè)或多個(gè)：顏色特征、紋理特征和小波統(tǒng)計(jì)特征；

針對(duì)每個(gè)示例，將提取的特征進(jìn)行拼接得到該示例的特征向量。

具體的，所述預(yù)設(shè)的多示例學(xué)習(xí)算法包括：基于多示例學(xué)習(xí)的ec-svm算法。

當(dāng)預(yù)設(shè)的多示例學(xué)習(xí)算法為基于多示例學(xué)習(xí)的ec-svm算法時(shí)，所述模型訓(xùn)練模塊具體的用于：

計(jì)算所述正包訓(xùn)練集中所有包中的各示例為正示例的置信度；

將所述正包訓(xùn)練集中的各示例按照置信度大小進(jìn)行排序，從所述正包訓(xùn)練集中按照置信度由大到小選取k個(gè)正示例組成正示例集合；

計(jì)算所述正包訓(xùn)練集合和所述反包訓(xùn)練集中的各包與所述正示例集合中的各示例之間的距離，將這組值作為每個(gè)包的特征向量。

所述檢測(cè)模塊24，用于獲取測(cè)試圖像，提取所述測(cè)試圖像的特征向量，將測(cè)試圖像的特征向量輸入到所述正反包分類判別模型中，對(duì)所述測(cè)試圖像進(jìn)行正包檢測(cè)。

具體的，所述檢測(cè)模塊24具體用于：

利用預(yù)設(shè)的高斯混合模型將所述測(cè)試圖像中的背景與運(yùn)動(dòng)區(qū)域分離開(kāi)來(lái)，提取出所述測(cè)試圖像中的運(yùn)動(dòng)區(qū)域；

根據(jù)所述運(yùn)動(dòng)區(qū)域中測(cè)試圖像的顏色特征和紋理特征篩選出所述運(yùn)動(dòng)區(qū)域中的火災(zāi)煙霧疑似區(qū)域；

根據(jù)所述運(yùn)動(dòng)區(qū)域中測(cè)試圖像的小波變換特征去除所述火災(zāi)煙霧疑似區(qū)域中的非火災(zāi)煙霧區(qū)域，得到待輸入圖像的特征向量。

本發(fā)明裝置實(shí)施例火災(zāi)煙霧檢測(cè)方法的另一實(shí)施例，還包括正示例標(biāo)注模塊：

所述正示例標(biāo)注模塊，用于當(dāng)檢測(cè)出所述測(cè)試圖像為正包時(shí)，通過(guò)預(yù)設(shè)的多樣性密度算法對(duì)所述測(cè)試圖像中的正示例進(jìn)行標(biāo)注。

本發(fā)明裝置實(shí)施例火災(zāi)煙霧檢測(cè)方法的另一實(shí)施例，還包括報(bào)警模塊：

所述報(bào)警模塊，用于當(dāng)檢測(cè)出所述測(cè)試圖像為正包時(shí)，進(jìn)行報(bào)警。

下面結(jié)合圖3和圖4詳細(xì)給出本發(fā)明提供的基于多示例學(xué)習(xí)的視頻智能監(jiān)控火災(zāi)煙霧檢測(cè)系統(tǒng)的主要運(yùn)行流程，整個(gè)系統(tǒng)可分為訓(xùn)練流程和測(cè)試流程。

圖3為本發(fā)明實(shí)例1智能視頻監(jiān)控火災(zāi)煙霧檢測(cè)方法中的訓(xùn)練流程圖。如圖3所示，對(duì)于大量的訓(xùn)練樣本圖像，首先利用本發(fā)明中使用的rutgers大學(xué)開(kāi)發(fā)的基于固定帶寬mean-shift算法的edison軟件來(lái)劃分圖像區(qū)域，同時(shí)對(duì)每個(gè)圖像區(qū)域提取顏色特征、紋理特征和小波統(tǒng)計(jì)特征。然后，對(duì)圖像正反包標(biāo)簽進(jìn)行標(biāo)識(shí)，每一張訓(xùn)練圖像被看成一個(gè)包，有火災(zāi)煙霧區(qū)域的標(biāo)記為正包，完全沒(méi)有火災(zāi)煙霧區(qū)域的標(biāo)記為反包。最后將提取到的火災(zāi)煙霧特征和正反包標(biāo)記輸入到ec-svm訓(xùn)練器中，訓(xùn)練輸出火災(zāi)煙霧檢測(cè)分類判別模型。

圖4是本發(fā)明實(shí)例1智能視頻監(jiān)控火災(zāi)煙霧檢測(cè)方法中的測(cè)試流程圖，如圖4所示，對(duì)于輸入的測(cè)試視頻，首先采用一秒提取3幀的策略提取視頻幀圖像，并利用高斯混合模型提取出圖像中的運(yùn)動(dòng)區(qū)域。然后，用基于固定帶寬mean-shift算法的edison軟件來(lái)劃分圖像運(yùn)動(dòng)區(qū)域并提取顏色特征和紋理特征。最后，利用訓(xùn)練好的火災(zāi)煙霧檢測(cè)分類判別模型對(duì)待測(cè)試的視頻幀圖像進(jìn)行分類，以判斷待測(cè)試視頻是否發(fā)生了火災(zāi)，并用多樣性密度算法標(biāo)識(shí)出具體起火區(qū)域。

綜上所述，本發(fā)明實(shí)施例提供的基于多示例學(xué)習(xí)的智能視頻監(jiān)控火災(zāi)煙霧檢測(cè)方法具有如下的優(yōu)點(diǎn)：

1、本發(fā)明所用的mean-shift圖像分割算法和利用高斯混合模型提取圖像中運(yùn)動(dòng)區(qū)域的算法，充分利用了火災(zāi)煙霧的動(dòng)態(tài)特征，大大縮小了分類訓(xùn)練器的訓(xùn)練過(guò)程。

2、本發(fā)明所用的ec-svm算法，有實(shí)現(xiàn)簡(jiǎn)單，訓(xùn)練速度快的特點(diǎn)，便于在實(shí)際環(huán)境下應(yīng)用。

3、本發(fā)明所用的多樣性密度算法，與傳統(tǒng)的監(jiān)督學(xué)習(xí)算法相比，預(yù)測(cè)精度更高，運(yùn)行速度更快，且對(duì)訓(xùn)練樣本分割后的圖像標(biāo)簽無(wú)硬性要求。

4、本系統(tǒng)的所有模塊都是完全自動(dòng)的，不需要人工干預(yù)，因此能夠非常容易獨(dú)立運(yùn)行或作為一個(gè)子模塊嵌入到各類運(yùn)動(dòng)目標(biāo)檢測(cè)系統(tǒng)中去，具有廣泛的應(yīng)用前景。

以上所述僅為本發(fā)明的實(shí)施例而已，并不用于限制本發(fā)明，對(duì)于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，本發(fā)明可以有各種更改和變化。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、改進(jìn)等，均應(yīng)包含在本發(fā)明的權(quán)利要求范圍之內(nèi)。