论文部分内容阅读
吸烟危害健康已是众所周知,在公共场所吸烟不仅关系到到吸烟者本身,也会形成二手烟危害周围人们健康,而且不规范的吸烟行为还会诱发公共场所火灾的发生,给社会各界带来不可估计的损失。因此,加大公共场所禁烟力度已成为不可逆转的趋势。但目前基于烟雾传感器的吸烟检测技术由于通风等环境因素的干扰,检测效果并不理想,而基于传统计算机视觉的吸烟检测技术的检测准确度也不高,所以研究如何快速准确地进行吸烟检测变得愈发迫切。随着深度学习的崛起,基于卷积神经网络(Convolutional Neural Networks,CNN)的烟支检测技术被用来识别吸烟行为,并取得了一定的成果。然而作为当下主要的研究方法,基于CNN的烟支检测技术在实际场景中经常受到诸如吸烟姿态、光照、复杂背景等内外部干扰因素的影响,检测性能有待进一步提升。本文主要对基于卷积神经网络的烟支检测技术进行研究,改善目前烟支检测算法中存有的缺陷,提高烟支目标识别的准确率。主要研究内容包括:(1)基于CNN的目标检测算法是对视频逐帧检测,但由于该类算法存在结构复杂且参数多的缺点,导致整体检测算法过于复杂,从而使得检测时间过长以及电脑硬件占用率过高。为此,本文设计了一种基于更快速区域卷积神经网络(Faster Region-based Convolution Neural Networks,Faster RCNN)的烟支快速检测算法,主要思路为:1)检测人脸并将检测到的人脸图片作为烟支检测区域,从而大幅缩小了目标检测区域并有效降低了误检率;2)基于颜色分割算法对人脸区域进行烟支初检,若烟支存在可能性较高,则利用Faster RCNN算法进行烟支目标细检测;若烟支存在可能性很低,则不对当前视频帧进行处理,从而大幅减小Faster RCNN算法的运行次数,有效提高检测效率并降低了硬件占用率。实验结果表明,基于Faster RCNN的烟支快速检测算法在保证检测精度的前提下,硬件占用率和单张图片的检测时间都有了明显的降低,并且在原有算法基础上将误检率降低了约2%。(2)烟支属于视频帧图像中的小目标,而在CNN深层特征图中小目标的细节特征信息经常存在过少甚至完全丢失的问题。为此,本文围绕特征金字塔思想(Feature Pyramid Network,FPN)改进现有的特征提取方式,设计了一种基于特征融合的烟支特征提取方法。该方法将CNN的浅层局部特征与深层全局特征进行融合,从而有效避免小目标特征在前向传播过程中的丢失问题。将该特征融合方法用于Faster RCNN的前向网络进行烟支检测,实验结果表明,基于特征融合的改进Faster RCNN烟支检测算法在困难测试集上,有效降低了烟支目标检测的漏检率,提升了检测效率。(3)将上述特征融合方法与Faster RCNN的烟支快速检测算法相结合,设计了一种基于特征融合的改进Faster RCNN烟支快速检测算法。相比于上述两种算法,结合后的算法能够集合以上两种改进策略的优势,在同一数据集上同时降低了目标检测的误检率和漏检率,取得了更好的检测效率。(4)为验证基于特征融合的改进Faster RCNN烟支快速检测算法的实用性,本文搭建了一个由人脸检测与识别、烟支检测、吸烟信息记录三大模块构成的智能吸烟行为检测系统,对提出的算法进行了实际性的应用。