基于深度学习的实时吸烟检测算法

陈睿龙，罗 磊，蔡志平，马文涛

国防科技大学计算机学院，长沙 410073

随着技术不断地进步，吸烟检测的方法也随之不断地改进。传统吸烟检测的方法通常都是通过烟雾传感器、可穿戴设备等物理方式进行检测。然而，这些方法存在诸多局限：一是室外场景中烟雾浓度被极大地稀释，无法被烟雾传感器所感应；二是可穿戴设备执行检测的成本较高，需要人人拥有。此外，这种方法通过判断肢体多个部位的运动轨迹和速度，与吸烟的动作行为进行模式匹配，进而通过支持向量机（support vector machine，SVM）等机器学习分类方法对匹配度进行判断，故而该类方法的检测的准确率和效率比较低[1-2]。

除了使用物理设备的方法检测吸烟外，还有学者尝试使用传统图形学中目标检测的方法检测吸烟，这类方法主体分为三个步骤[3]：首先设定不同的大小和步长滑动窗口，然后将所有的窗口在图像上每个位置进行滑动。对于每个窗口，通过方向梯度直方图（histogram of oriented gradient，HOG）或尺度不变特征变换（scale-invariant feature transform，SIFT）方法提取出待测物体特征，最后使用分类算法对每个滑动窗口进行分类，比如SVM、Adaboost 等方法，选取最高得分的滑窗作为检测结果。但是这类方法存在如下缺陷：首先是检测效果不理想，易受到其他物体干扰，并且定位不准确，依赖预设滑动窗口尺寸与滑动步长；其次该方法计算量也大，需要对每个滑动窗口进行特征处理与分类判断；最后手动提取特征的方式和过程比较复杂，不具备泛化性。

2012 年AlexNet 网络模型诞生，并在当年获得了ImageNet 图像分类比赛的冠军[4]，由此，无论是学术界还是工业界，都对深度学习在计算机视觉领域中的运用给予了广泛的关注，如人脸识别、车辆检测等。……