OpenSmokeDetection: A real-time smoke detector

OpenSmokeDetetction

• OpenSmokeDetection: A real-time smoke detector
• OpenSmokeDetetction
  • 使用方法
    • 下载源码
    • 编译
    • 使用方法
      • 训练
      • 检测

English

OpenSmokeDetction是一个实时烟雾检测算法；算法核心思想是使用梯度直方图和局部二进制模式特征 + adaboost提升算法对烟雾图片进行分类识别，区分出有烟和无烟。

算法内容可参考：A double mapping framework for extraction of shape-invariant features based on multi-scale partitions with AdaBoost for video smoke detection

本项目对上述算法做了工程实现和性能优化工作，具体可分为以下四个方面：

1. 本项目实现了上述算法，在总共有37442张样本的数据集中达到90%的识别准确率和94%的召回率，其中烟雾数据样本有13442张，非烟雾样本有24000张；
2. 论文中仅讨论了对一个图像小块进行检测，但是对一幅图片或视频帧却没有一个完整的算法流程；我在本项目中对其进行了拓展，算法的应用价值得到提升；具体方法如下：a) 计算整幅图片或视频帧的特征图；b) 将原图的待检测框映射至特征图上；c) 使用检测框在特征图上滑动，计算对应的统计特征并送入adaboost分类器中完成识别；如图1所示
3. 使用了积分图像技术加速特征图像的计算；
4. 使用特征图像加速图片的检测和特征的计算速度；

运算速度(实验环境：Ubuntu 18.04, 6vCPU 12Thread 2.6GHz)

线程数量：	单线程	两线程	四线程	六线程
单帧计算速度：	40ms	30ms	22ms	18ms

使用方法

依赖环境：cmake、opencv、python(训练时用于产生样本标签文件)

下载源码

git clone https://github.com/MingYuanLiu/OpenSmokeDetection

编译

mkdir build
cmake .. && make -j4 && make install

编译完成后会在build文件夹下生成可执行文件smokeAboost，头文件和链接库将保存到install文件夹。

如果需要画出预测结果，那么要添加预编译参数：

cmake -DDRAW_RESULTS=ON .. && make -j4 && make install

使用交叉编译工具链:

cmake -DCMAKE_TOOLCHAIN_FILE=aarch64-himix100-linux.cmake .. && make -j4 && make insatll

这里以海思aarch64工具链为例，使用者可以自行替换成自己的工具链。

使用方法

训练

1. 准备数据集（本人收集了3W张左右有烟和无烟的训练样本，如有需要请联系我：[email protected]）
2. 将数据集的文件以如下组织形式存放在文件系统中：

dataset/

​ - non/

​ - *.jpg

​ - ...

​ - smoke/

​ - *.jpg

​ - ...

3. 生成训练集的标签文件:

cd src/util
python writeAnnotation.py -dir dataset-directory --annotation filename.txt

说明：命令中的dataset-directory就是第二步中的数据集文件夹dataset，名字可随意取。

4. 进入main.cpp根据注释修改训练参数（一般情况下多数参数可保持默认）
5. 重新编译make smokeAdaboost
6. 运行./smokeAdaboost train开始训练

说明：我已经在model目录下提供了一个训练好的模型，可以拿来直接使用。

检测

1. 直接使用检测程序：

   ./smokeAdaboost detetcion <model_path> <video | image> <file_path>

   video | image选择输入的文件类型是视频还是图片

2. 加入到程序中:

#include "model.hpp"
#include "detector.hpp"

/* Detection */
{
	smoke_adaboost::Detector::detectorParams param; // 检测参数
	param.modelPath =  "your model path"; // 模型保存路径
	param.videoPath = "your video path";
	param.imagePath = "your image path"
	param.detectorModal = smoke_adaboost::Detector::VIDEO; // OR   smoke_adaboost::Detector::IMAGE
	vector<uint16_t> w = {50}; // 检测窗口大小，默认为50pixel
	param.detWindowSize = w; 
	param.threadNums = 4; // 线程数，默认为4；可调，但建议为2的倍数
	Detector detector(param);
	detector.run();
}

/*获取检测结果*/
{
    // 如果是视频，res 保存了最近5帧的检测结果；
    const std::vector<std::vector<smoke_adaboost::Detector::predictRes> >& res = detector.get_predictions();
}

说明：使用时请不要忘记将头文件和链接文件添加到自己程序的编译参数中 :)