一種基于改進的ViBe算法與輕量化卷積網絡的火焰檢測方法，步驟為：利用改進的ViBe前景檢測算法進行火焰的前景檢測；利用構建的輕量化卷積神經網絡進一步判斷ViBe前景檢測算法檢測出來的疑似火焰區域是否為火焰對象，其中，構建基于SE注意力機制的輕量化的火焰檢測卷積神經網絡。本發明采用ViBe前景檢測算法，用于疑似火焰前景目標的檢測，消除動態背景噪聲點，去除跟火焰顏色相似但不具有閃爍特征的干擾對象；與現有的目標檢測深度卷積網絡相比，本發明提高了火焰檢測的速度；在輕量化火焰檢測卷積網絡中嵌入SE注意力機制，在提高火焰檢測精度的同時，也保證了火焰檢測的速度。

技術領域

本發明屬于視頻檢測技術領域，具體是一種基于改進的ViBe算法與輕量化卷積網絡的火焰檢測方法

背景技術

視頻火災檢測一般包含兩個步驟：運動前景檢測和火焰識別。然而現實中因復雜環境中存在許多干擾，如背景擾動(搖晃的樹葉、噴泉等)，光線變化，陰影干擾等，給現有的前景檢測算法帶來了考驗。一旦檢測到前景，便需要進行火焰識別步驟。傳統圖像處理的火災識別通過提取火焰區域的幾何、紋理、閃爍頻率等特征并設計分類器識別火焰，特征選擇是否合理直接影響火焰識別準確率。將深度學習技術應用于圖像識別領域，可在很大程度上避免特征提取過程中的盲目性，且可提取到更多更深層次的特征，極大地提高了火災圖像識別的準確率。現有的用于火焰圖像分割的深度卷積網絡模型，復雜度高，訓練困難，檢測速度慢。且這些模型所使用的公共數據集中沒有包含火焰對象，很難應用于實時的火焰區域檢測任務。

發明內容

本發明提供了一種基于監控視頻的火焰區域檢測方法，主要內容包括兩個內容，分別是改進ViBe前景檢測算法和基于Squeeze-and-Excitation(SE)注意力機制的輕量化的火焰檢測卷積神經網絡的構建。

改進ViBe前景檢測算法用于疑似火焰區域的檢測；輕量化火焰檢測卷積神經網絡用于判斷ViBe算法檢測出來的疑似火焰區域是否為火焰對象，進而去除跟火焰視覺特征相似的干擾對象。

具體步驟如下：

步驟1,利用改進的ViBe前景檢測算法進行火焰的前景檢測，具體步驟為：

步驟1.1，以輸入火焰視頻的第一幀建立初始化背景模型；

步驟1.2，對后續輸入的火焰視頻幀，運用火焰像素判別規則判斷當前視頻幀中是否存在火焰像素，實現對疑似火焰區域的檢測。

步驟1.3,運用背景模型更新機制對火焰區域的背景模型進行更新；

步驟2，利用構建的輕量化卷積神經網絡進一步判斷ViBe前景檢測算法檢測出來的疑似火焰區域是否為火焰對象，具體步驟為：

步驟2.1將ViBe前景檢測算法檢測出來的疑似火焰區域劃分為16×16的小塊；

步驟2.2構建一個輕量化的火焰區域檢測卷積神經網絡；

步驟2.3將Squeeze-and-Excitation(SE)注意力機制模塊嵌入到步驟2.2建立的火焰區域檢測卷積神經網絡中，構建基于Squeeze-and-Excitation(SE)注意力機制的輕量化的火焰檢測卷積神經網絡；

步驟2.4訓練火焰檢測卷積神經網絡，統計16×16的疑似火焰圖像塊中火焰像素的數目，如果一個16×16的小圖像塊中的火焰像素數目大于等于一半，則該16×16的小圖像塊被判斷為火焰區域，否則為背景區域。

本發明的有益效果在于：

(1)根據火焰的外焰閃爍程度大而內部閃爍程度小的特點，提出改進的ViBe前景檢測算法，該算法建立了閃爍像素檢測和自適應閾值背景更新的新策略，用于疑似火焰前景目標的檢測，消除動態背景噪聲點，去除跟火焰顏色相似但不具有閃爍特征的干擾對象；