CN112149583A

CN112149583A - 烟雾检测方法、终端设备及存储介质

Info

Publication number: CN112149583A
Application number: CN202011030654.0A
Authority: CN
Inventors: 朱焱
Original assignee: Shandong Industry Research Kunyun Artificial Intelligence Research Institute Co ltd
Current assignee: Shandong Industry Research Kunyun Artificial Intelligence Research Institute Co ltd
Priority date: 2020-09-27
Filing date: 2020-09-27
Publication date: 2020-12-29

Abstract

本申请适用于图像处理技术领域，提供了一种烟雾检测方法、终端设备及存储介质，上述烟雾检测方法包括：获取待检测的视频图像；基于混合高斯模型将视频图像中的每帧图像转换为二值图像；基于每帧二值图像的感兴趣区域，在视频图像中提取烟雾区域图像；基于训练好的YOLOv3模型对烟雾区域图像进行检测，确定烟雾的相关信息。通过对烟雾区域图像进行两次筛选检测，可以提高烟雾检测的精确度。

Description

烟雾检测方法、终端设备及存储介质

技术领域

本申请属于图像处理技术领域，尤其涉及一种烟雾检测方法、终端设备及存储介质。

背景技术

在各种自然灾害中，火灾是最普遍、最容易危害公众安全和社会发展的灾害之一。在火灾发生前期，会不断产生烟雾，若能在此阶段及时检测到烟雾并进行有效扑救，可以将火灾的危害降到最低。因此，火灾早期的烟雾检测至关重要。

传统的烟雾检测，大多基于物理传感器的探测技术，不适用于范围广、环境复杂的环境中。近年来，视频烟雾检测技术得到了广泛的关注和使用，视频烟雾检测主要利用图像的平均梯度、光流运动等特征对烟雾进行检测。但传统的视频烟雾检测技术存在检测精度低的问题。

发明内容

本申请实施例提供了一种烟雾检测方法、终端设备及存储介质，可以解决现有视频烟雾检测技术存在检测精度低的问题。

第一方面，本申请实施例提供了一种烟雾检测方法，包括：

获取待检测的视频图像；

基于混合高斯模型将所述视频图像中的每帧图像转换为二值图像；

基于每帧二值图像的感兴趣区域，在所述视频图像中提取烟雾区域图像；

基于训练好的YOLOv3模型对所述烟雾区域图像进行检测，确定烟雾的相关信息。

在第一方面的一种可能的实现方式中，所述基于混合高斯模型将所述视频图像中的每帧图像转换为二值图像，包括：

将所述每帧图像中的所有像素点分别与所述混合高斯模型进行匹配；

将与所述混合高斯模型匹配成功的像素点转换为黑色前景像素点，将与所述混合高斯模型匹配失败的像素点转换为白色背景像素点；

根据所有所述黑色前景像素点和所有所述白色背景像素点，生成所述二值图像。

在第一方面的一种可能的实现方式中，所述基于每帧二值图像的感兴趣区域，在所述视频图像中提取烟雾区域图像，包括：

确定每帧二值图像的感兴趣区域；

根据每帧二值图像的感兴趣区域，确定所述视频图像中的第一帧图像中的烟雾区域图像；其中，所述第一帧图像为所述视频图像中与每帧二值图像对应的一帧图像。

在第一方面的一种可能的实现方式中，所述确定每帧二值图像的感兴趣区域，包括：

以所述二值图像的一个角为原点建立坐标系，并在所述坐标系中计算所述黑色像素点x轴坐标的最值和y轴坐标的最值；其中，所述x轴坐标的最值包括x轴坐标的最大值和x轴坐标的最小值，所述y轴坐标的最值包括y轴坐标的最大值和y轴坐标的最小值；

根据所述x轴坐标的最值和所述y轴坐标的最值，确定每帧二值图像的感兴趣区域。

在第一方面的一种可能的实现方式中，所述根据每帧二值图像的感兴趣区域，确定所述视频图像中的第一帧图像中的烟雾区域图像，包括：

根据所述感兴趣区域的第一坐标信息确定所述第一帧图像中的烟雾区域的第二坐标信息；

根据所述第二坐标信息在所述第一帧图像中进行烟雾特征提取，得到所述烟雾区域图像。

在第一方面的一种可能的实现方式中，在所述基于训练好的YOLOv3模型对所述烟雾区域图像进行检测之前，所述方法还包括：

获取包含烟雾数据的图像样本，建立烟雾数据集；

对所述烟雾数据集进行标注，得到标注数据集；

基于所述标注数据集，训练YOLOv3模型。

在第一方面的一种可能的实现方式中，在所述对所述烟雾数据集进行标注之前，所述方法还包括：

对所述图像样本进行预处理，并对预处理后的所述图像样本进行数据扩充；其中，所述预处理包括以下至少一项：滤波，去噪；所述数据扩充的方式包括以下至少一项：随机裁剪，旋转，亮度调整，饱和度调整。

在第一方面的一种可能的实现方式中，所述基于训练好的YOLOv3模型对所述烟雾区域图像进行检测，确定烟雾的位置信息，包括：

若在所述烟雾区域图像中检测到烟雾，则定位所述烟雾的位置和范围。

第二方面，本申请实施例提供了一种烟雾检测装置，包括：

视频图像获取模块，用于获取待检测的视频图像；

二值图像确定模块，用于基于混合高斯模型将所述视频图像中的每帧图像转换为二值图像；

烟雾区域图像确定模块，用于基于每帧二值图像的感兴趣区域，在所述视频图像中提取烟雾区域图像；

检测模块，用于基于训练好的YOLOv3模型对所述烟雾区域图像进行检测，确定烟雾的相关信息。

第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的方法。

四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的方法。

本申请实施例与现有技术相比存在的有益效果是：

首先基于混合高斯模型将视频图像中的每帧图像转换为二值图像，并基于每帧二值图像的感兴趣区域，在视频图像中提取烟雾区域图像，实现对视频图像中烟雾区域图像的初步筛选检测。然后基于训练好的YOLOv3模型对烟雾区域图像进行检测，对烟雾区域图像进一步筛选检测，最终确定烟雾的相关信息。通过对烟雾区域图像进行两次筛选检测，可以提高烟雾检测的精确度。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的烟雾检测方法的流程示意图；

图2是本申请另一实施例提供的烟雾检测方法的流程示意图；

图3是本申请又一实施例提供的烟雾检测方法的流程示意图；

图4是本申请又一实施例提供的烟雾检测方法的流程示意图；

图5是本申请实施例提供的烟雾检测装置的结构示意图；

图6是本申请实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

基于现有视频烟雾检测技术存在检测精度低的问题，本申请提供了一种烟雾检测方法，首先基于混合高斯模型将视频图像中的每帧图像转换为二值图像，并基于每帧二值图像的感兴趣区域，在视频图像中提取烟雾区域图像，实现对视频图像中烟雾区域图像的初步筛选检测。然后基于训练好的YOLOv3模型对烟雾区域图像进行检测，对烟雾区域图像进一步筛选检测，最终确定烟雾的相关信息。通过对烟雾区域图像进行两次筛选检测，可以提高烟雾检测的精确度。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

请参照图1，图1示出了本申请实施例提供的烟雾检测方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：

S101，获取待检测的视频图像。

具体地，待检测的视频图像可以通过布置在场景中的图像采集装置获得。例如，图像采集装置可以为场景中布置的高清摄像头，高清摄像头实时采集的视频图像即为待检测的视频图像。

S102，基于混合高斯模型将视频图像中的每帧图像转换为二值图像。

具体地，利用混合高斯模型将每帧图像转换为二值图像，将每帧图像中的烟雾部分作为动态前景，将除烟雾之外的部分作为静态背景。在二值图像中实现烟雾与其它部分的区分。

S103，基于每帧二值图像的感兴趣区域，在视频图像中提取烟雾区域图像。

具体地，二值图像中烟雾部分与其它部分可以进行区分，将二值图像中的烟雾的区域作为感兴趣区域。然后将感兴趣区域反馈到对应的视频图像中，并在视频图像中找到与感兴趣区域对应的区域，记作为烟雾区域图像。以此实现对视频图像中烟雾区域图像的初步筛选检测。

S104，基于训练好的YOLOv3模型对烟雾区域图像进行检测，确定烟雾的相关信息。

具体地，在确定烟雾区域图像后，使用训练好的YOLOv3模型对烟雾区域图像进行检测，以确定烟雾的相关信息，其中，烟雾的相关信息包括是否有烟雾以及烟雾的位置和范围。

示例性的，若在烟雾区域图像中检测到烟雾，则定位烟雾的位置和范围，以便监控人员能够迅速到达产生烟雾的区域，进行及时处理，防止火灾的发生。

步骤S103实现对视频图像中烟雾区域图像的初步筛选检测，步骤S104在步骤S103的基础上对烟雾区域图像进行进一步的筛选检测。通过对烟雾区域图像的两侧筛选检测，提高了烟雾检测的精准度。

示例性的，如图2所示，步骤S102具体可以包括：

S1021，将每帧图像中的所有像素点分别与混合高斯模型进行匹配。

具体地，每帧图像均包括多个像素点，将每帧图像中的每个像素点分别于混合高斯模型进行匹配，实现对各个像素点的区分。

S1022，将与混合高斯模型匹配成功的像素点转换为黑色前景像素点，将与混合高斯模型匹配失败的像素点转换为白色背景像素点。

具体地，可以预先对混合高斯模型进行训练，视频图像中代表烟雾的像素点能够与混合高斯模型匹配成功，然后将匹配成功的像素点转换为黑色前景像素点。将视频图像中除了代表烟雾像素点之外的像素点转换为白色背景像素点。

S1023，根据所有黑色前景像素点和所有白色背景像素点，生成二值图像。

具体地，当将视频图像中所有的像素点均转换为黑色前景像素点和白色背景像素点后，所有的黑色前景像素点和所有的白色背景像素点组成二值图像。

示例性的，如图3所示，步骤S103具体可以包括：

S1031，确定每帧二值图像的感兴趣区域。

具体地，步骤S1022中将视频图像中代表烟雾的像素点转换为黑色前景像素点，将视频图像中除了代表烟雾像素点之外的像素点转换为白色背景像素点。在二值图像中确定一个包含所有黑色前景像素点的区域作为感兴趣区域，实现二值图像中烟雾区域的特征提取。

S1032，根据每帧二值图像的感兴趣区域，确定视频图像中的第一帧图像中的烟雾区域图像。

具体地，由于第一帧图像为视频图像中与每帧二值图像对应的一帧图像，将每帧二值图像的感兴趣区域反馈至对应的第一帧图像中，在第一帧图像中确定与感兴趣区域对应的区域，作为烟雾区域图像。实现在第一帧图像中烟雾区域图像的提取。

示例性的，步骤S1031具体可以包括：

A1，以二值图像的一个角为原点建立坐标系，并在坐标系中计算黑色像素点x轴坐标的最值和y轴坐标的最值。

具体地，x轴坐标的最值包括x轴坐标的最大值(x_max)和x轴坐标的最小值(x_min)，y轴坐标的最值包括y轴坐标的最大值(y_max)和y轴坐标的最小值(y_min)。

B1，根据x轴坐标的最值和y轴坐标的最值，确定每帧二值图像的感兴趣区域。

具体地，将(x_max，y_max)、(x_max，y_min)、(x_min，y_min)和(x_min，y_max)四个点依次连接组成的区域即为感兴趣区域，感兴趣区域中包含了所有的黑色前景像素点，实现在二值图像中感兴趣区域的提取。

示例性的，步骤S1032具体可以包括：

A2，根据感兴趣区域的第一坐标信息确定第一帧图像中的烟雾区域的第二坐标信息。

具体地，首先参照二值图像中坐标系，在第一帧图像建立对应的坐标系，以确保二值图像和第一帧图像中对应的像素点的坐标相同。二值图像中感兴趣区域的第一坐标信息为(x_max，y_max)、(x_max，y_min)、(x_min，y_min)和(x_min，y_max)，则第一帧图像中的烟雾区域的第二坐标信息同样为(x_max，y_max)、(x_max，y_min)、(x_min，y_min)和(x_min，y_max)。

B2，根据第二坐标信息在第一帧图像中进行烟雾特征提取，得到烟雾区域图像。

具体地，在第一帧图像中将(x_max，y_max)、(x_max，y_min)、(x_min，y_min)和(x_min，y_max)四个点依次连接组成的区域中的图像即为烟雾区域图像，实现第一帧图像中烟雾特征的提取。

在一些实施例中，如图4所示，步骤S104之前具体可以包括：

S1041，获取包含烟雾数据的图像样本，建立烟雾数据集。

具体地，可以通过自行拍摄或网上爬虫等方式获取一定量的包含烟雾数据的图像样本，组成烟雾数据集。

S1042，对烟雾数据集进行标注，得到标注数据集。

具体地，分别对每个图像样本中的烟雾区域进行标注，所有被标注烟雾区域的样本图像组成标注数据集。

S1043，基于标注数据集，训练YOLOv3模型。

具体地，利用标注数据集中的图像样本训练YOLOv3模型，使训练后的YOLOv3模型能够检测烟雾。

在一些实施例中，在对烟雾数据集进行标注之前，还可以包括：

对图像样本进行预处理，并对预处理后的图像样本进行数据扩充。

具体地，预处理包括以下至少一项：滤波，去噪；数据扩充的方式包括以下至少一项：随机裁剪，旋转，亮度调整，饱和度调整。

上述烟雾检测方法，首先基于混合高斯模型将视频图像中的每帧图像转换为二值图像，并基于每帧二值图像的感兴趣区域，在视频图像中提取烟雾区域图像，实现对视频图像中烟雾区域图像的初步筛选检测。然后基于训练好的YOLOv3模型对烟雾区域图像进行检测，对烟雾区域图像进一步筛选检测，最终确定烟雾的相关信息。通过对烟雾区域图像进行两次筛选检测，可以提高烟雾检测的精确度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

图5示出了本申请实施例提供的烟雾检测装置的结构示意图，烟雾检测装置可以包括视频图像获取模块51、二值图像确定模块52、烟雾区域图像确定模块53和检测模块54；

视频图像获取模块51，用于获取待检测的视频图像；

二值图像确定模块52，用于基于混合高斯模型将所述视频图像中的每帧图像转换为二值图像；

烟雾区域图像确定模块53，用于基于每帧二值图像的感兴趣区域，在所述视频图像中提取烟雾区域图像；

检测模块54，用于基于训练好的YOLOv3模型对所述烟雾区域图像进行检测，确定烟雾的相关信息。

本申请的一个实施例中，二值图像确定模块52可以包括匹配单元、转换单元和二值图像确定单元；

匹配单元，用于将所述每帧图像中的所有像素点分别与所述混合高斯模型进行匹配；

转换单元，用于将与所述混合高斯模型匹配成功的像素点转换为黑色前景像素点，将与所述混合高斯模型匹配失败的像素点转换为白色背景像素点；

二值图像确定单元，用于根据所有所述黑色前景像素点和所有所述白色背景像素点，生成所述二值图像。

本申请的一个实施例中，烟雾区域图像确定模块53可以包括感兴趣区域确定单元和烟雾区域图像确定单元；

感兴趣区域确定单元，用于确定每帧二值图像的感兴趣区域；

烟雾区域图像确定单元，用于根据每帧二值图像的感兴趣区域，确定所述视频图像中的第一帧图像中的烟雾区域图像；其中，所述第一帧图像为所述视频图像中与每帧二值图像对应的一帧图像。

本申请的一个实施例中，感兴趣区域确定单元可以包括坐标确定单元和感兴趣区域确定子单元；

坐标确定单元，用于以所述二值图像的一个角为原点建立坐标系，并在所述坐标系中计算所述黑色像素点x轴坐标的最值和y轴坐标的最值；其中，所述x轴坐标的最值包括x轴坐标的最大值和x轴坐标的最小值，所述y轴坐标的最值包括y轴坐标的最大值和y轴坐标的最小值；

感兴趣区域确定子单元，用于根据所述x轴坐标的最值和所述y轴坐标的最值，确定每帧二值图像的感兴趣区域。

本申请的一个实施例中，烟雾区域图像确定单元可以包括第二坐标信息确定模块和烟雾区域图像确定子单元；

第二坐标信息确定模块，用于根据所述感兴趣区域的第一坐标信息确定所述第一帧图像中的烟雾区域的第二坐标信息；

烟雾区域图像确定子单元，用于根据所述第二坐标信息在所述第一帧图像中进行烟雾特征提取，得到所述烟雾区域图像。

本申请的一个实施例中，烟雾检测装置还可以包括烟雾数据集确定模块、标注模块和训练模块；

烟雾数据集确定模块，用于获取包含烟雾数据的图像样本，建立烟雾数据集；

标注模块，用于对所述烟雾数据集进行标注，得到标注数据集；

训练模块，用于基于所述标注数据集，训练YOLOv3模型。

本申请的一个实施例中，烟雾检测装置还可以包括预处理模块；

预处理模块，用于对所述图像样本进行预处理，并对预处理后的所述图像样本进行数据扩充；其中，所述预处理包括以下至少一项：滤波，去噪；所述数据扩充的方式包括以下至少一项：随机裁剪，旋转，亮度调整，饱和度调整。

本申请的一个实施例中，检测模块54可以包括定位单元；

定位单元，用于若在所述烟雾区域图像中检测到烟雾，则定位所述烟雾的位置和范围。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

另外，图5所示的烟雾检测装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图6为本申请实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6可以包括：至少一个处理器60(图6中仅示出一个处理器60)、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤S101至步骤S104。处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块51至54的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序62指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。

所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如所述计算机程序62的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims

1.一种烟雾检测方法，其特征在于，包括：

获取待检测的视频图像；

2.根据权利要求1所述的烟雾检测方法，其特征在于，所述基于混合高斯模型将所述视频图像中的每帧图像转换为二值图像，包括：

3.根据权利要求2所述的烟雾检测方法，其特征在于，所述基于每帧二值图像的感兴趣区域，在所述视频图像中提取烟雾区域图像，包括：

确定每帧二值图像的感兴趣区域；

4.根据权利要求3所述的烟雾检测方法，其特征在于，所述确定每帧二值图像的感兴趣区域，包括：

5.根据权利要求3所述的烟雾检测方法，其特征在于，所述根据每帧二值图像的感兴趣区域，确定所述视频图像中的第一帧图像中的烟雾区域图像，包括：

6.根据权利要求1至5任一项所述的烟雾检测方法，其特征在于，在所述基于训练好的YOLOv3模型对所述烟雾区域图像进行检测之前，所述方法还包括：

获取包含烟雾数据的图像样本，建立烟雾数据集；

对所述烟雾数据集进行标注，得到标注数据集；

基于所述标注数据集，训练YOLOv3模型。

7.根据权利要求6所述的烟雾检测方法，其特征在于，在所述对所述烟雾数据集进行标注之前，所述方法还包括：

8.根据权利要求1至5任一项所述的烟雾检测方法，其特征在于，所述基于训练好的YOLOv3模型对所述烟雾区域图像进行检测，确定烟雾的位置信息，包括：

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。