论文部分内容阅读
伴随着我国经济的蓬勃发展与城市建筑结构的日益复杂,物资仓储、大型商场、石油化工厂区等易燃易爆场所逐渐增多,各类火灾事件频繁发生,严重威胁人民群众的生产、生活及生命财产安全。火灾烟雾为较早的特征产物,因此目前火灾探测报警技术多以烟雾的探测为主。常见的感烟火灾探测器受限于其接触式的探测原理,容易受非火灾颗粒的干扰,且不能适用于室内大空间和室外开放空间的火灾报警。而视频烟雾探测技术凭借其非接触、响应快、抗干扰性强、应用空间不受限、火警信息直观全面等优势,近些年在体育馆、会议厅、商业楼层等大型室内空间以及工业厂区、森林等室外空间的火灾报警和监控中得以应用。我国已经建成世界上最大的视频监控网,视频监控作为现代安防系统中的重要组成部分,在平安城市政策推动以及人工智能与物联网技术加持下,已经在各领域得以广泛应用,为视频火灾探测技术的发展和应用提供了必要条件和支撑。而目前的视频火灾烟雾探测技术,存在探测报警的准确率偏低与漏报率偏高等问题,影响了该技术的推广应用,所以依托于现有的视频监控系统和视频探测技术,新型有效的视频烟雾探测技术亟需发展。本文研究合成烟雾图像、域适应分类与检测、显著性检测在图像烟雾识别上的应用问题,通过深度学习技术挖掘火灾烟雾的深度特征,发展新的图像烟雾识别方法,为视频烟雾探测技术的发展提供一些新的思路与技术支撑。本文主要进行下列几个方面内容的研究:(1)研究和发展基于深度域适应的烟雾图像分类模型。采用不同域适应结构混合合成与真实烟雾特征空间,提取烟雾域不变的特征,训练得到泛化性更高的烟雾图像分类模型。采用计算机图形技术来生成丰富多样的合成烟雾图像,然后用来训练烟雾图像分类模型。首先实验验证了合成烟雾图像对模型训练的有效性,而合成烟雾图像与真实烟雾图像之间的形貌差异会降低模型在真实测试图像上的性能,为此,使用域适应方法来构建烟雾图像分类网络,使用合成烟雾图像集作为源数据集,真实烟雾图像集作为目标数据集,同时训练烟雾图像分类模型。网络执行烟雾与非烟雾的类别分类任务,以及合成与真实的属性分类任务,通过梯度反转层使得训练过程中属性分类的损失逐渐增大,即混淆合成与真实的属性类别,而为了进一步对齐两者的特征分布,采用相关性对齐的方法使得合成烟雾与真实烟雾的特征分布均匀混合。实验通过特征空间可视化来验证结构设计对模型性能的影响,对比不同的网络模型性能的差异,并研究训练集中合成与真实烟雾图像样本的数量比例以及烟雾与非烟雾图像样本的数量比例对模型训练的影响。(2)研究和发展基于深度域适应的烟雾图像检测模型。结合准确率与运行速度考虑,采用具有相似结构的快速检测模型SSD与MSCNN分别作为烟雾图像检测的基础模型。同样地,本文采用合成图像和域适应方法来提升模型的泛化性,依托于两种模型采用卷积层分支作为检测分支的结构特点,本文在网络结构上增加卷积层分支作为域分支,检测分支与域分支分别执行检测任务与域鉴别任务。在模型训练过程中,在执行检测任务的同时,通过整体网络结构中的权重更新控制,采用对抗训练策略执行域鉴别和域混淆,从而保证模型的检测性能与域不变性。实验验证了训练所得烟雾图像检测模型在真实烟雾测试集上的性能,分析各种训练方式所得模型的误检误差与漏检误差,以及训练过程中域适应采样策略对不同模型训练的影响。实验在各种模型的不同尺度特征层上设置域分支,通过同样的方法来训练模型,结果发现只有部分特征层上设置域分支进行的域适应训练会导致整个域适应训练的不稳定,从而导致模型性能不佳。而在各个特征层检测分支的位置设置域分支,可以保证在各个尺度特征层上对整个模型进行域适应训练,训练所得模型表现更好。(3)发展基于显著性检测的烟雾图像分割与识别方法。首先采用基于目标区域提取的方法提取目标级的烟雾显著性图,以及基于超像素分割的显著性网络提取区域级的烟雾显著性图,比较不同方法所获取的烟雾显著性图的差别。然后基于循环卷积层结构构建像素级的显著性检测网络,将目标级烟雾显著性图与区域级烟雾显著性图分别融合到像素级的烟雾显著性图中,利用融合后的特征进行显著性推理,得到最终的烟雾显著性图。实验比较发现像素级与目标级的烟雾显著性图融合结果要优于像素级与区域级的烟雾显著性图融合结果。然后将网络中的特征图与显著性图相结合,通过显著性检测网络预测图像中是否存在烟雾,执行烟雾识别任务,以此构建基于显著性检测的烟雾分割与识别的多任务框架。实验比较了不同结构设计对模型烟雾识别性能的影响,发现由最高层的特征层Conv43与显著性图SmRCL1的结合可以最好地整合全局与局部信息,提取出高显著性区域的特征进行烟雾识别。