一种基于深度学习的消防通道占用检测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的消防通道占用检测方法及系统，该方法包括：S1：确定训练用的样本数据，训练消防通道特征提取模型M_R；S2：应用特征提取模型M_R对待检测的图像帧P依次进行消防通道占用检测；S3：统计任一分段视频数据的连续图像帧中，存在消防通道被占用的图像帧数目占总图像帧数目的百分比；S4：根据预设的报警阈值IL_Threshold对IL_Ratio进行比对检测。本发明专利技术利用特征提取算法来训练特征提取模型，基于深度学习特征相似度比对来进行消防通道的占用检测，极大的降低了消防通道占用误报率；通过在基准图库中增加不同的消防通道空闲基准项，灵活设定消防通道占用基准项，不需要重新训练特征提取模型，提升了对不同应用场景的适用性。同应用场景的适用性。同应用场景的适用性。

【技术实现步骤摘要】
一种基于深度学习的消防通道占用检测方法及系统


[0001]本专利技术涉及计算机视觉
，尤其涉及一种基于深度学习的消防通道占用检测方法及系统。

技术介绍

[0002]随着图像识别和视频分析技术在越来越多场景下使用，消防智慧化是未来消防领域发展的大趋势。智慧消防体系的建设，可以实现全区域大范围，集约化精准防控，警情信息快速响应，周边资源快速调配，实现防患、灭早，能最大限度的减少灾害损失与伤亡。而保证消防通道的畅通是智慧消防体系建设重要的一环，因为一旦发生火灾，消防通道是消防车辆通行的基本保证，是生命通道，绝不能被占用。
[0003]目前消防通道被占用的检测分析主要有以下两种方法：
[0004]1)通过布设通过红外、超声波等方法的传感器去探测消防通道内障碍物，探测到障碍物时则发出报警。但由于实时探测会因为车人短时间多次通过的情况形成频繁误报，因此在真实场景下不太会考虑使用。
[0005]2)基于监控图片与基准图片差分比对的方法，但这种方法容易受到光线(如白天、夜晚)、天气(如晴天、下雨、下雪、雾霾等)、小物体目标(如宠物、皮球、儿童玩具等)的影响而产生一系列误报，无法满足鲁棒性的要求。

技术实现思路

[0006]为了克服现有技术中相关产品的不足，本专利技术提出一种基于深度学习的消防通道占用检测方法及系统。
[0007]本专利技术提供了一种基于深度学习的消防通道占用检测方法，包括如下步骤：
[0008]S1：确定训练用的样本数据，训练消防通道特征提取模型M_R；<br/>[0009]S2：响应检测请求，获取监控装置内的视频数据，所述视频数据包含有连续的待检测的图像帧P，应用特征提取模型M_R对待检测的图像帧P依次进行消防通道占用检测；
[0010]S3：对检测的视频数据设定分段，统计任一分段视频数据的连续图像帧中，存在消防通道被占用的图像帧数目占总图像帧数目的百分比为IL_Ratio；
[0011]S4：根据预设的报警阈值IL_Threshold对IL_Ratio进行比对检测，如果IL_Ratio大于等于设定的报警阈值IL_Threshold，则触发消防通道被占用消息报警。
[0012]在本专利技术的某些实施方式中，步骤S1中，所述训练消防通道特征提取模型M_R具体包括：
[0013]定义标签类别集为L_S＝{R1，...，R
m
}，类别数目为m，R1表示消防通道空闲，R2，...，R
m
分别表示消防通道被m
‑
1类消防通道被占用类别；
[0014]采集m类的样本图片集，生成对应的m类的样本标签集，选取一种提取特征的CNN网络模型算法进行模型训练，得到特征提取算法ALG_R的模型M_R。
[0015]在本专利技术的某些实施方式中，步骤S2中，所述应用特征提取模型M_R对待检测的图
像帧P依次进行消防通道占用检测具体包括：
[0016]设定基准图库Base＝{BI1，...，BI
k
}，基准项数目为k；基准库类别集Base_Lbls＝{L1，...，L
t
},L1，...，L
t
表示t个基准项类别；基准项BI＝(BI_Img，BI_Lbl，BI_F)，BI_Img表示基准项图片，是根据消防通道检测区域所在的Box框裁剪得到的子图，BI_Lbl表示类别，BI_Lbl∈Base_Lbls；
[0017]生成基准图库特征集Base_F，对于基准图库Base中的每一个基准项BI对应的基准项图片BI_Img，通过特征提取算法ALG_R和模型M_R，提取得到对应的基准项特征BI_F，并最终生成基准图库特征集Base_F＝{BI_F1，...，BI_F
k
|BI_F
i
＝BI
i
.BI_F，对于i＝1，...，k}；
[0018]对待检测的图像帧P，根据设定的消防通道检测区域所在的Box框截取目标通道子图Obj_P；
[0019]生成目标通道子图特征Obj_F，对于目标通道子图Obj_P，应用特征提取算法ALG_R和特征提取模型M_R得到子图特征Obj_F；
[0020]对于目标通道子图特征Obj_F，其类别Obj_Lbl为距离基准图库特征集Base_F中最小基准项特征所对应的基准项类别BI_Lbl，并确认待检测的图像帧P中消防通道是否被占用。
[0021]在本专利技术的某些实施方式中，所述类别Obj_Lbl与基准图库特征集Base_F中最小基准项特征所对应的基准项类别BI_Lbl的距离采用1
‑
余弦相似度度量，其中，余弦相似度为Obj_Sim，对应的两个向量分别为A和B，A
i
、B
i
分别为向量A和向量B的各分量，则向量A和向量B的余弦相似度计算如下：
[0022][0023]在本专利技术的某些实施方式中，在对消防通道检测区域所在的Box框截取目标通道子图Obj_P时，将Box框内目标通道外的区域像素设成同一Mask掩码值。
[0024]本专利技术实施例还提供一种基于深度学习的消防通道占用检测系统，应用于上述任一项所述基于深度学习的消防通道占用检测方法，包括：
[0025]模型提取模块：确定训练用的样本数据，训练消防通道特征提取模型M_R；
[0026]检测模块：响应检测请求，获取监控装置内的视频数据，所述视频数据包含有连续的待检测的图像帧P，应用特征提取模型M_R对待检测的图像帧P依次进行消防通道占用检测；
[0027]统计模块：对检测的视频数据设定分段，统计任一分段视频数据的连续图像帧中，存在消防通道被占用的图像帧数目占总图像帧数目的百分比为IL_Ratio；
[0028]报警提醒模块：根据预设的报警阈值IL_Threshold对IL_Ratio进行比对检测，如果IL_Ratio大于等于设定的报警阈值IL_Threshold，则触发消防通道被占用消息报警。
[0029]在本专利技术的某些实施方式中，所述模型提取模块具体用于：
[0030]定义标签类别集为L_S＝{R1，...，R
m
}，类别数目为m，R1表示消防通道空闲，R2，...，R
m
分别表示消防通道被m
‑
1类消防通道被占用类别；
[0031]采集m类的样本图片集，生成对应的m类的样本标签集，选取一种提取特征的CNN网络模型算法进行模型训练，得到特征提取算法ALG_R的模型M_R。
[0032]在本专利技术的某些实施方式中，所述检测模块具体用于：
[0033]设定基准图库Base＝{BI1，...，BI
k
}，基准项数目为k；基准库类别集Base_Lbls＝{L1，...，L
t
},L1，...，L
t
表示t个基准项类别；基准项BI＝(BI_Img，BI_Lbl，BI_F)，BI本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的消防通道占用检测方法，其特征在于，包括如下步骤：S1：确定训练用的样本数据，训练消防通道特征提取模型M_R；S2：响应检测请求，获取监控装置内的视频数据，所述视频数据包含有连续的待检测的图像帧P，应用特征提取模型M_R对待检测的图像帧P依次进行消防通道占用检测；S3：对检测的视频数据设定分段，统计任一分段视频数据的连续图像帧中，存在消防通道被占用的图像帧数目占总图像帧数目的百分比为IL_Ratio；S4：根据预设的报警阈值IL_Threshold对IL_Ratio进行比对检测，如果IL_Ratio大于等于设定的报警阈值IL_Threshold，则触发消防通道被占用消息报警。2.根据权利要求1所述的基于深度学习的消防通道占用检测方法，其特征在于，步骤S1中，所述训练消防通道特征提取模型M_R具体包括：定义标签类别集为L_S＝{R1，...，R
m
}，类别数目为m，R1表示消防通道空闲，R2，...，R
m
分别表示消防通道被m
‑
1类消防通道被占用类别；采集m类的样本图片集，生成对应的m类的样本标签集，选取一种提取特征的CNN网络模型算法进行模型训练，得到特征提取算法ALG_R的模型M_R。3.根据权利要求1所述的基于深度学习的消防通道占用检测方法，其特征在于，步骤S2中，所述应用特征提取模型M_R对待检测的图像帧P依次进行消防通道占用检测具体包括：设定基准图库Base＝{BI1，...，BI
k
}，基准项数目为k；基准库类别集Base_Lbls＝{L1，...，L
t
},L1，...，L
t
表示t个基准项类别；基准项BI＝(BI_Img，BI_Lbl，BI_F)，BI_Img表示基准项图片，是根据消防通道检测区域所在的Box框裁剪得到的子图，BI_Lbl表示类别，BI_Lbl∈Base_Lbls；生成基准图库特征集Base_F，对于基准图库Base中的每一个基准项BI对应的基准项图片BI_Img，通过特征提取算法ALG_R和模型M_R，提取得到对应的基准项特征BI_F，并最终生成基准图库特征集Base_F＝{BI_F1，...，BI_F
k
|BI_F
i
＝BI
i
.BI_F，对于i＝1，...，k}；对待检测的图像帧P，根据设定的消防通道检测区域所在的Box框截取目标通道子图Obj_P；生成目标通道子图特征Obj_F，对于目标通道子图Obj_P，应用特征提取算法ALG_R和特征提取模型M_R得到子图特征Obj_F；对于目标通道子图特征Obj_F，其类别Obj_Lbl为距离基准图库特征集Base_F中最小基准项特征所对应的基准项类别BI_Lbl，并确认待检测的图像帧P中消防通道是否被占用。4.根据权利要求3所述的基于深度学习的消防通道占用检测方法，其特征在于，所述类别Obj_Lbl与基准图库特征集Base_F中最小基准项特征所对应的基准项类别BI_Lbl的距离采用1
‑
余弦相似度度量，其中，余弦相似度为Obj_Sim，对应的两个向量分别为A和B，A
i
、B
i
分别为向量A和向量B的各分量，则向量A和向量B的余弦相似度计算如下：5.根据权利要求3所述的基于深度学习的消防通道占用检测方法，其特征在于，在对消防通道检测区域所在的Box框截取目标通道子图Obj_P时，将Box框内目标通道外的区域像素设成同一Mask掩码值。
6.一种基于深...

【专利技术属性】
技术研发人员：姚闻轩，周慧平，王洁，童亚男，蒋萍，钟吕燕，方崇林，
申请(专利权)人：湖北公众信息产业有限责任公司，
类型：发明
国别省市：