CN101908141A - 一种基于混合高斯模型和形态特征的视频烟雾检测方法 - Google Patents
一种基于混合高斯模型和形态特征的视频烟雾检测方法 Download PDFInfo
- Publication number
- CN101908141A CN101908141A CN 201010244884 CN201010244884A CN101908141A CN 101908141 A CN101908141 A CN 101908141A CN 201010244884 CN201010244884 CN 201010244884 CN 201010244884 A CN201010244884 A CN 201010244884A CN 101908141 A CN101908141 A CN 101908141A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- zone
- gauss model
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于混合高斯模型和形态特征的视频烟雾检测方法,针对固定视场的监控摄像机获取的视频图像,首先采用混合高斯模型算法获取前景运动区域,然后采用形态学滤波去除噪点,再统计运动区域的形态特征,如扩散速度、几何形状、模糊度、不规则性等等,最后对计算出运动区域的诸项特征进行综合判断,以判别视频图像中是否存在烟雾。自适应的混合高斯模型(即对每个像素利用混合高斯分布建模)能够可靠地消除光照变化、背景混乱运动、水波纹、树叶晃动以及雨雪等干扰的影响。然后本发明通过对检测到前景运动区域的多项形态特征的综合判断,实现了对视频图像中是否存在烟雾的快速准确识别,同时大大降低了误报率。
Description
技术领域
本发明属于模式识别领域,具体涉及火灾监控技术领域,特别涉及一种基于混合高斯模型和形态特征的视频图像模式识别方法以检测火灾的初期现象——烟雾。
背景技术
火灾的预防和探测一直是人类与火灾作斗争过程中所追求的目标。在火灾发生时,最早出现的就是烟雾,它比火焰更早的出现,所以对烟雾的实时监控对于火灾发生的极早期预警有着相当重要的意义。对于室内的环境,可以安装感烟、感温、感光探测器,它们分别利用火灾火焰的烟雾、温度、光的特性来对火灾作探测。但是长期以来,在高大空间或户外,早期火灾烟雾探测在世界范围内都是一个难题。因为在这类环境下,存在着许多影响火灾探测的因素,主要包括:探测方式、空间高度、热量屏障、覆盖范围、气流速度、易爆/有毒气体、可以接受的误报率、警报信息管理以及远程信号传输等等。传统的探测手段往往在这样的环境中失去了作用。在这种情况下,由于图像型火灾探测技术对于火灾烟雾探测具有非接触式探测的特点,不受空间高度、热障、易爆/有毒等环境条件的限制,使得该项技术成为在大型工厂、仓库、森林等大空间和室外开放空间进行火灾烟雾探测的有效手段。
姜海东等针对烟雾的分形特征引入分形编码技术,提出了一种通过基于K均值聚类的分形编码技术进行视频烟雾检测的方法。F.Gomez-Rodriguez等提出了运用小波和光流的方法计算和检测火灾烟雾的方法。公开号为CN101339602A的中国专利提出一种检测运动区域角点光流特征的视频烟雾检测方法。公开号为CN101441771A的中国专利提出了一种基于色彩饱和度和运动模式的视频烟雾检测方法。现有的一些视频烟雾检测方法,或由于抗干扰能力弱,或由于采用的判别特征较单一,使得漏报、误报情况难以避免,在复杂的监控环境下的适应性、稳定性也不尽如人意。
发明内容
本发明的目的在于提出一种基于混合高斯模型和形态特征的视频烟雾检测方法。此方法对烟雾的检测准确率高、反应速度快、误报少、抗干扰性和可靠性强。
本发明的技术方案为:针对固定视场的监控摄像机获取的视频图像,首先采用混合高斯模型算法获取前景运动区域,然后采用形态学滤波去除噪点,再统计运动区域的形态特征,如扩散速度、几何形状、模糊度、不规则性等等,最后对计算出运动区域的诸项特征进行综合判断,以判别视频图像中是否存在烟雾。
本发明的具体现步骤依次为:
(1)现场场景图像获取步骤:以等间隔对现场视频进行采样以获得连续的现场场景图像。为保证对烟雾检测的准确性,采样间隔应小于0.1秒(即大于10帧每秒)。
(2)采用混合高斯模型算法提取前景运动区域。
1、混合高斯背景模型
在系统启动时,系统默认为被监控场景中没有出现烟雾;系统自动对混合高斯模型的各个参数进行初始化,将最初m帧的平均值初设为其均值,方差设为一个较大值,初始化权值K为高斯模型的个数,m=100~200;
图像序列中特定像素点随时间变化可看作为一个时间序列It(x,μ)={X1,X2,…,Xi},该序列服从一定的统计模型。混合高斯模型算法的基本原理是:依据背景像素点的特征值随时间的变化不大,可认为其服从高斯分布,即对图像中每个像素点进行高斯建模,为增加鲁棒性,每个像素点建立多个高斯模型,即服从K个高斯分布的叠加。其概率密度的表达式:
其中:Xt为t时刻的图像,K为高斯模型的个数,ωi,t为第i个高斯模型的权值,体现该模型被匹配上的概率,μi,t为均值,∑i,t为协方差,ηi为第i个高斯模型概率密度函数:
一般认为图像的红色R,绿色G,蓝色B三个颜色通道相互独立,并拥有相同的方差,则协方差矩阵∑i,t=σi,tI,其中σi,t为像素i在t时刻的方差,I为单位矩阵,这样相当于将每个像素点简化为一维的高斯分布。对K个高斯模型按排序权重大小进行排序,则前M模型认为是背景:
T为阈值,其余的(K-M)模型为前景。
对M个模型按wi,t顺次进行经行匹配,若满足:
则终止匹配,并认该点与背景模型匹配为背景点,若M个模型均未匹配上,则判断为前景点,并令ωi,t-1最小的高斯模型的均值μi,t=Xt,方差设为一个较大的初始值。公式(4)中的β为高斯模型匹配阈值,一般取2.5。
2、混合高斯模型的初始化和更新
首先对混合高斯模型的各个参数进行初始化,将最初n帧(n=100~200)的平均值初设为其均值,方差设为一个较大值,初始化权值
模型参数的更新是为适应背景的变化,混合高斯模型能够结合检测结果,随背景的变化进行不断地更新,对于K个模型权值的更新策略为:
ωi,t=(1-α)ωi,t-1+αp(ωi,t-1|Xt-1) (5)
α∈(0,1)称为学习因子,它体现了像素点融入模型的快慢程度。对与未匹配上的模型,方差和均值保持不变,而对于匹配上的,更新公式为:
μi,t=(1-ρ)μi,t-1+ρXt (6)
其中:ρ=αηi(Xt-1|μi,t-1,σi,t-1)。
(3)后处理步骤:对提取到的变化区域进行形态学运算,以去除前景运动区域中的噪点和空洞。
形态学运算的基本运算为膨胀和腐蚀运算,分别定义为:
(f⊕g)(n)=max{f(n-x)+g(x)|(n-x)∈Df且x∈Dg} (8)
(fΘg)(n)=min{f(n+x)-g(x)|(n+x)∈Df且x∈Dg} (9)
式中f(n)是输入信号,定义域为Df={0,1,2,……,N};g(n)为一维结构元素序列,其定义域为Dg={0,1,2,……,P};其中P和N都是整数,N≥P;⊕表示膨胀运算,Θ表示腐蚀运算。由基本运算可引出形态学开运算、闭运算的定义分别为:
(fоg)(n)=(fΘg⊕g)(n) (10)
(f·g)(n)=(f⊕gΘg)(n) (11)
式中о表示开运算,·表示闭运算,开运算可以抑制图像中的正常脉冲(峰值)噪声,闭运算可以抑制图像中的负脉冲(低谷)噪声。对混合高斯模型检测的前景运动区域,先进行一次开运算,然后进行一次闭运算。
(4)特征提取步骤:对经过形态学运算后的前景运动区域进行特征提取,提取该区域的诸类特征,如几何特征、模糊性、扩散特性、不规则性等。
1、几何特征
火灾发生点周围空气温度较高,烟雾产生后受到空气热涨和上升气流的双重作用,它的运动轨迹是自下向上的,这在横向气流较弱的情况下最为明显。并且烟雾粒子在上升的过程中不断的向四周扩散,在图像中就表现为烟雾区域面积的上大下小。将检测到的前景运动区域自底向上均分为三个区域,分别统计三个区域中的运动点数:底部Pbottom、中部Pmiddle、上部Pup。
2、模糊特性
烟雾在扩散的过程中会形成一层“薄纱”,会对背景图像对应部分原有的高频信号产生衰减,即烟雾区域会变模糊。但值得注意的是,烟雾在没有充分扩散开时,即对于烟雾的下部,自身含有较多得边缘细节信息,也即是含有比较丰富的高频信息。因此这里只计算检测到的前景运动区域上半区域的高频分量。
在本发明中,采用二维离散小波变换来计算相应区域的高频分量值。
其中,Φ度量图片的低频分量,ΨH度量沿着列的变化(如水平边缘),ΨH度量沿着行的变化(如垂直边缘),ΨD对应于对角线方向的变化。原始图像每经过一次二维离散小波变换,图像都被分解为四个四分之一大小的图像,四个图像中的每一个均是由原图像与一个小波基图像的内积后再经过x和y方向均进行两倍的间隔抽样生成的。经过一次二维离散小波变换后,图像被分解为一幅低分辨率图像和三幅高频分量子图像分别包含水平方向(HL)、垂直方向(LH)和对角方向(HH)的纹理信息。指定区域R的高频分量计算公式为:
依据上面公式可以计算出前景运动区域上半区域的高频分量WF和相应背景区域的高频分量WB。
3、扩散特性
由于烟雾的扩散性,所以烟雾的面积会不断地增大。因此,本发明中计算一段时间内前景运动区域的增长率ΔAdt来判断烟雾的扩散性。计算公式为:
ΔAdt=dp/dt=Pi-Pi-1 (14)
4、不规则性
烟雾的形状较一般的运动物体更加不规则,形状的复杂度可以作为识别烟雾的一个依据。本发明中,采用圆形度来衡量形状的不规则性,圆形度越大说明物体形状越不规则。圆形度(Rd)的计算公式为:
Rd=C2/S (16)
其中C为前景运动区域的周长,S为前景运动区域的面积。
(5)烟雾判断及报警步骤:对上一步骤中提取到的运动区域的特征进行综合判断。当下面4条判断规则均满足时,判定现场场景中存在烟雾,并启动报警;反之,则判定场景中不存在烟雾,跳至现场场景图像获取步骤,循环执行。判断规则如下:
规则1、前景运动区域自底向上3个区域中的运动点数满足
Pbottom<Pmiddle<Pup。
规则2、前景运动区域和相应背景区域的高频分量值满足WF<WB。
规则3、前景运动区域的平均增长率满足T1为给定阈值。
规则4、前景运动区域的圆形度满足Rd>T2,T2为给定阈值。
当前一些常用的视频烟雾检测方法一般采用帧间差或背景差等线性的背景模型来提取前景运动区域,无法有效的去除诸如光线变化、水波纹、树叶晃动以及雨雪等干扰,而这些干扰在形态特征上与烟雾有相似之处,使得烟雾检测系统的误报大大增加。本发明采用的混合高斯模型在检测灵敏度、抗干扰能力上都有出色的表现。其利用自适应的混合高斯模型(即对每个像素利用混合高斯分布建模)对监控场景进行背景建模,并且利用在线估计来更新模型,从而能够可靠地消除光照变化、背景混乱运动、水波纹、树叶晃动以及雨雪等干扰的影响。对于混合高斯模型检测到的前景运动区域,本发明通过对其几何特征、模糊特性、扩散特性、不规则性等特征的综合判断,实现了对视频图像中是否存在烟雾的快速准确识别,同时大大降低了误报率,这是以前的技术所不能达到的。
附图说明
图1、本发明基于混合高斯模型和形态特征的视频烟雾检测方法的系统结构图
图2、本发明基于混合高斯模型和形态特征的视频烟雾检测方法的操作流程图
具体实施方式
实施实例1
图1给出了本发明基于混合高斯模型和形态特征的视频烟雾检测方法的系统构成示意图:将监控摄像头D捕捉到的被监控区域C的视频图像传送到嵌入式智能视频烟雾检测仪A,嵌入式智能视频烟雾检测仪A利用根据本发明基于混合高斯模型和形态特征的视频烟雾检测方法的操作流程图编写的嵌入式视频图像分析程序对捕捉到的视频图像进行实时分析。如果判断出被监控场景中存在火灾烟雾,嵌入式智能视频烟雾检测仪A自动发出报警信号并联动灭火装置B灭火,同时将报警事件传送到后端的监控平台E;如果判断被监控区域无烟雾情况,则返回流程的第一步重新开始循环。
图2给出了本发明基于混合高斯模型和形态特征的视频烟雾检测方法的程序流程图。具体步骤为:1、获取当前帧图像数据;2、通过混合高斯模型得到前景运动区域;3、更新混合高斯模型;4、对得到的前景运动区域进行形态学滤波去除噪点;5、对去噪后的前景运动区域提取几何特征、模糊性、变化率、不规则性等特征;6、依据先验规则对提取的特征进行判别,若所有规则均满足即认为场景中存在火灾烟雾,给出报警信息,返回步骤1重新循环。
本发明基于混合高斯模型和形态特征的视频烟雾检测方法的具体操作步骤如下:
1、视频烟雾检测系统硬件平台的搭建
监控摄像头要求为输出标准模拟视频的摄像头,按照图1所示将模拟视频信号接入嵌入式智能视频烟雾检测仪A。同时,嵌入式智能视频烟雾检测仪A可以连接灭火装置B,以便及时灭火;也可以连接后端的监控平台,实时上传报警事件。
2、混合高斯模型的初始化
在系统启动时,系统默认为被监控场景中没有出现烟雾。系统自动对混合高斯模型的各个参数进行初始化,将最初n帧(n=100~200)的平均值初设为其均值,方差设为一个较大值,初始化权值K为高斯模型的个数。由于混合高斯模型的各个参数是自学习的,因而它可以很好的适应不同的相机参数、不同的光照环境等情况,使得系统可以在各种场合稳定的工作。
3、采用混合高斯模型算法提取前景运动区域
图像序列中特定像素点随时间变化可看作为一个时间序列It(x,y)={X1,X2,…,Xi},该序列服从一定的统计模型。混合高斯模型算法的基本原理是:依据背景像素点的特征值随时间的变化不大,可认为其服从高斯分布,即对图像中每个像素点进行高斯建模,为增加鲁棒性,每个像素点建立多个高斯模型,即服从K个高斯分布的叠加。其概率密度的表达式:
其中:Xt为t时刻的图像,K为高斯模型的个数,ωi,t为第i个高斯模型的权值,体现该模型被匹配上的概率,μi,t为均值,∑i,t为协方差,ηi为第i个高斯模型概率密度函数:
一般认为图像的红色R,绿色G,蓝色B三个颜色通道相互独立,并拥有相同的方差,则协方差矩阵∑i,t=σi,tI,其中σi,t为像素i在t时刻的方差,I为单位矩阵,这样相当于将每个像素点简化为一维的高斯分布。对K个高斯模型按排序权重大小进行排序,则前M模型认为是背景:
T为阈值,其余的(K-M)模型为前景。
对M个模型按wi,t顺次进行经行匹配,若满足:
则终止匹配,并认该点与背景模型匹配为背景点,若M个模型均未匹配上,则判断为前景点,并令ωi,t-1最小的模型的均值μi,t=Xt,方差设为一个较大值。其中β为高斯模型匹配阈值,一般取2.5。
4、混合高斯模型的更新
模型参数的更新是为适应背景的变化,混合高斯模型能够结合检测结果,随背景的变化进行不断地更新,对于K个模型权值的更新策略为:
ωi,t=(1-α)ωi,t-1+αp(ωi,t-1|Xt-1)(5)
α∈(0,1)称为学习因子,它体现了像素点融入模型的快慢程度。对与未匹配上的模型,方差和均值保持不变,而对于匹配上的,更新公式为:
μi,t=(1-ρ)μi,t-1+ρXt (6)
其中:ρ=αηi(Xt-1|μi,t-1,σi,t-1)。
5、形态学滤波
对混合高斯模型检测的前景运动区域,先进行一次开运算,然后进行一次闭运算,以去除前景运动区域中的噪点和空洞。
6、特征提取
对经过形态学运算后的前景运动区域进行特征提取,提取该区域的诸类特征,如几何特征、模糊性、扩散特性、不规则性等。
(a)几何特征
将检测到的前景运动区域自底向上均分为三个区域,分别统计三个区域中的运动点数Pbottom,Pmiddle,Pup。
(b)模糊特性
采用二维离散小波变换来计算相应区域的高频分量值。原始图像每经过一次二维离散小波变换,图像都被分解为四个四分之一大小的图像,四个图像中的每一个均是由原图像与一个小波基图像的内积后再经过x和y方向均进行两倍的间隔抽样生成的。经过一次二维离散小波变换后,图像被分解为一幅低分辨率图像和三幅高频分量子图像分别包含水平方向(HL)、垂直方向(LH)和对角方向(HH)的纹理信息。指定区域R的高频分量计算公式为:
依据公式(8),计算出前景运动区域上半区域的高频分量WF和相应背景区域的高频分量WB。
(c)扩散特性
通过计算一段时间内前景运动区域的增长率ΔAdt来判断烟雾的扩散性。计算公式为:
ΔAdt=dp/dt=Pi-Pi-1 (9)
(d)不规则性
采用圆形度来衡量形状的不规则性,圆形度越大说明物体形状越不规则。
圆形度(Rd)的计算公式为:
Rd=C2/S (11)
其中C为前景运动区域的周长,S为前景运动区域的面积。
7、烟雾判断及报警
判断规则为:
规则1、前景运动区域自底向上3个区域中的运动点数满足Pbottom<Pmiddle<Pup。
规则2、前景运动区域和相应背景区域的高频分量值满足WF<WB。
规则4、前景运动区域的圆形度满足Rd>T2,T2为给定阈值。
当上述4条判断规则均满足时,判定现场场景中存在烟雾,并启动报警以及联动灭火设备灭火。
Claims (4)
1.一种基于混合高斯模型和形态特征的视频烟雾检测方法,其特征在于:针对固定视场的监控摄像机获取的视频图像,首先采用混合高斯模型算法获取前景运动区域,然后采用形态学滤波去除噪点,再统计运动区域的形态特征,包括扩散速度、几何形状、模糊度、不规则性,最后对计算出运动区域的诸项特征进行综合判断,以判别视频图像中是否存在烟雾。
2.根据权利要求1所述的基于混合高斯模型和形态特征的视频烟雾检测方法,其特征在于,步骤依次为:
1)混合高斯模型的初始化
2)采用混合高斯模型算法提取前景运动区域
对图像中每个像素点进行高斯建模,为增加鲁棒性,每个像素点建立多个高斯模型,即服从K个高斯分布的叠加;其概率密度的表达式:
其中:Xt为t时刻的图像,K为高斯模型的个数,ωi,t为第i个高斯模型的权值,体现该模型被匹配上的概率,μi,t为均值,∑i,t为协方差,ηi为第i个高斯模型概率密度函数:
图像的红色R,绿色G,蓝色B三个颜色通道相互独立,并拥有相同的方差,则协方差矩阵∑i,t=σi,tI,其中σi,t为像素i在t时刻的方差,I为单位矩阵;对K个高斯模型按排序权重大小进行排序,则前M模型认为是背景:
T为阈值,其余的(K-M)模型为前景;
对M个模型按wi,t顺次进行经行匹配,若满足:
则终止匹配,并认该点与背景模型匹配为背景点,若M个模型均未匹配上,
则判断为前景点,并令ωi,t-1最小的模型的均值μi,t=Xt,方差设为一个较大值;
其中β为高斯模型匹配阈值;
3)混合高斯模型的更新
模型参数的更新是为适应背景的变化,混合高斯模型能够结合检测结果,随背景的变化进行不断地更新,对于K个模型权值的更新策略为:
ωi,t=(1-α)ωi,t-1+αp(ωi,t-1|Xt-1) (5)
μi,t=(1-ρ)μi,t-1+ρXt (6)
其中:ρ=αηi(Xt-1|μi,t-1,σi,t-1);
4)形态学滤波
对混合高斯模型检测的前景运动区域,先进行一次开运算,然后进行一次闭运算,以去除前景运动区域中的噪点和空洞;
5)特征提取
对经过形态学运算后的前景运动区域进行特征提取,提取该区域的诸类特征,包括几何特征、模糊性、扩散特性、不规则性;
a、几何特征
将检测到的前景运动区域自底向上均分为三个区域,分别统计三个区域中的运动点数Pbottom,Pmiddle,Pup;
b、模糊特性
采用二维离散小波变换来计算相应区域的高频分量值;原始图像每经过一次二维离散小波变换,图像都被分解为四个四分之一大小的图像,四个图像中的每一个均是由原图像与一个小波基图像的内积后再经过x和y方向均进行两倍的间隔抽样生成的;经过一次二维离散小波变换后,图像被分解为一幅低分辨率图像和三幅高频分量子图像分别包含水平方向(HL)、垂直方向(LH)和对角方向(HH)的纹理信息;指定区域R的高频分量计算公式为:
依据公式(8),计算出前景运动区域上半区域的高频分量WF和相应背景区域的高频分量WB;
c、扩散特性
通过计算一段时间内前景运动区域的增长率ΔAdt来判断烟雾的扩散性;计算公式为:
ΔAdt=dp/dt=Pi-Pi-1 (9)
d、不规则性
采用圆形度来衡量形状的不规则性,圆形度越大说明物体形状越不规则;圆形度Rd的计算公式为:
Rd=C2/S (11)
其中C为前景运动区域的周长,S为前景运动区域的面积;
6)烟雾判断及报警
判断规则为:
规则1、前景运动区域自底向上3个区域中的运动点数满足Pbottom<Pmiddle<Pup;
规则2、前景运动区域和相应背景区域的高频分量值满足WF<WB;
规则4、前景运动区域的圆形度满足Rd>T2,T2为给定阈值;
当上述4条判断规则均满足时,判定现场场景中存在烟雾。
3.根据权利要求2所述的基于混合高斯模型和形态特征的视频烟雾检测方法,其特征在于,所述步骤2)中的高斯模型匹配阈值β为2.5。
4.根据权利要求2所述的基于混合高斯模型和形态特征的视频烟雾检测方法,其特征在于,所述步骤5)公式(10)中的n为20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010244884.7A CN101908141B (zh) | 2010-08-04 | 2010-08-04 | 一种基于混合高斯模型和形态特征的视频烟雾检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010244884.7A CN101908141B (zh) | 2010-08-04 | 2010-08-04 | 一种基于混合高斯模型和形态特征的视频烟雾检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101908141A true CN101908141A (zh) | 2010-12-08 |
CN101908141B CN101908141B (zh) | 2014-05-07 |
Family
ID=43263596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010244884.7A Active CN101908141B (zh) | 2010-08-04 | 2010-08-04 | 一种基于混合高斯模型和形态特征的视频烟雾检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101908141B (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136059A (zh) * | 2011-03-03 | 2011-07-27 | 苏州市慧视通讯科技有限公司 | 一种基于视频分析的烟雾检测方法 |
CN102288166A (zh) * | 2011-05-13 | 2011-12-21 | 河海大学 | 基于视频的多模型结合水面船舶检测方法 |
CN102843497A (zh) * | 2011-04-26 | 2012-12-26 | 李国君 | 影像区块合并方法 |
CN103456123A (zh) * | 2013-09-03 | 2013-12-18 | 中国科学技术大学 | 一种基于流动和扩散特征的视频烟气探测方法 |
CN103956016A (zh) * | 2014-04-25 | 2014-07-30 | 蚌埠依爱消防电子有限责任公司 | 一种基于视频图像的烟雾火焰复合式自动检测方法 |
CN104301669A (zh) * | 2014-09-12 | 2015-01-21 | 重庆大学 | 基于双摄像头协同的可疑目标检测跟踪与识别方法 |
CN104320659A (zh) * | 2014-08-13 | 2015-01-28 | 北京大学 | 背景建模方法、装置及设备 |
CN104954744A (zh) * | 2015-06-12 | 2015-09-30 | 深圳市佳信捷技术股份有限公司 | 烟雾检测系统 |
CN104978733A (zh) * | 2014-04-11 | 2015-10-14 | 富士通株式会社 | 烟雾检测方法以及装置 |
CN105046218A (zh) * | 2015-07-09 | 2015-11-11 | 华南理工大学 | 一种基于串并行处理的多特征交通视频烟雾检测方法 |
CN105469105A (zh) * | 2015-11-13 | 2016-04-06 | 燕山大学 | 一种基于视频监控的香烟烟雾检测方法 |
CN105844295A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于颜色模型与运动特征的视频烟雾精细分类方法 |
CN103956016B (zh) * | 2014-04-25 | 2016-11-30 | 蚌埠依爱消防电子有限责任公司 | 一种基于视频图像的烟雾火焰复合式自动检测方法 |
CN106446957A (zh) * | 2016-10-08 | 2017-02-22 | 常熟理工学院 | 一种基于随机森林的雾霾图像分类方法 |
CN106599259A (zh) * | 2016-12-21 | 2017-04-26 | 江苏省连云港工贸高等职业技术学校 | 一种快速访问sql数据库的系统 |
WO2017084094A1 (zh) * | 2015-11-20 | 2017-05-26 | 富士通株式会社 | 烟雾检测装置、方法以及图像处理设备 |
CN106845890A (zh) * | 2016-12-23 | 2017-06-13 | 济南博图信息技术有限公司 | 一种基于视频监控的仓储监控方法及装置 |
CN107609470A (zh) * | 2017-07-31 | 2018-01-19 | 成都信息工程大学 | 野外火灾早期烟雾视频检测的方法 |
CN107967448A (zh) * | 2017-11-16 | 2018-04-27 | 江苏理工学院 | 早期火灾烟雾实时检测方法及系统 |
CN108537823A (zh) * | 2017-03-03 | 2018-09-14 | 防城港市港口区思达电子科技有限公司 | 基于混合高斯模型的运动目标检测方法 |
CN109544852A (zh) * | 2018-12-27 | 2019-03-29 | 秒针信息技术有限公司 | 餐厅火灾的监测方法及装置 |
CN111080955A (zh) * | 2019-12-30 | 2020-04-28 | 重庆市海普软件产业有限公司 | 一种森林防火智能控制系统及方法 |
CN111127806A (zh) * | 2019-12-30 | 2020-05-08 | 重庆市海普软件产业有限公司 | 基于多传感器的综合森林防火监控系统及方法 |
CN112032571A (zh) * | 2020-09-07 | 2020-12-04 | 宜昌湖蓝科技开发有限公司 | 一种地下排污管网泄漏检测报警装置及其使用方法 |
CN112634577A (zh) * | 2019-09-24 | 2021-04-09 | 中科智云科技有限公司 | 用于烟雾报警的方法和设备 |
US11210916B2 (en) | 2018-12-21 | 2021-12-28 | Fujitsu Limited | Smoke detection method and apparatus |
CN114572698A (zh) * | 2022-03-21 | 2022-06-03 | 上海道简机电科技有限公司 | 一种烟包自动码垛设备 |
CN114648852A (zh) * | 2022-05-24 | 2022-06-21 | 四川九通智路科技有限公司 | 一种隧道火灾监测方法及系统 |
CN115223324A (zh) * | 2022-06-16 | 2022-10-21 | 中电云数智科技有限公司 | 一种烟雾实时监控方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2707416C1 (ru) * | 2019-04-15 | 2019-11-26 | Акционерное общество "Научно-исследовательский институт телевидения" | Способ преобразования изображения дыма и пламени |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1852428A (zh) * | 2006-05-25 | 2006-10-25 | 浙江工业大学 | 基于全方位计算机视觉的智能隧道安全监控装置 |
EP2000998A2 (en) * | 2007-05-31 | 2008-12-10 | Industrial Technology Research Institute | Flame detecting method and device |
CN101441712A (zh) * | 2008-12-25 | 2009-05-27 | 北京中星微电子有限公司 | 一种火焰的视频识别方法和一种火灾监控方法及其系统 |
CN101493980A (zh) * | 2009-03-05 | 2009-07-29 | 中国科学技术大学 | 一种基于多特征融合的快速视频火焰探测方法 |
US7574039B2 (en) * | 2005-03-24 | 2009-08-11 | Honeywell International Inc. | Video based fire detection system |
-
2010
- 2010-08-04 CN CN201010244884.7A patent/CN101908141B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7574039B2 (en) * | 2005-03-24 | 2009-08-11 | Honeywell International Inc. | Video based fire detection system |
CN1852428A (zh) * | 2006-05-25 | 2006-10-25 | 浙江工业大学 | 基于全方位计算机视觉的智能隧道安全监控装置 |
EP2000998A2 (en) * | 2007-05-31 | 2008-12-10 | Industrial Technology Research Institute | Flame detecting method and device |
CN101441712A (zh) * | 2008-12-25 | 2009-05-27 | 北京中星微电子有限公司 | 一种火焰的视频识别方法和一种火灾监控方法及其系统 |
CN101493980A (zh) * | 2009-03-05 | 2009-07-29 | 中国科学技术大学 | 一种基于多特征融合的快速视频火焰探测方法 |
Non-Patent Citations (2)
Title |
---|
《计算机系统应用》 20091231 旷尤毓,等 基于ARM9得嵌入式火灾预警系统的设计与实现 第210页第1栏第3段 1 , 第10期 * |
《长沙大学学报》 20070930 邓彬,等 基于视频的烟雾检测 第88页第1栏第4-5段 1 第21卷, 第5期 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136059B (zh) * | 2011-03-03 | 2012-07-04 | 苏州市慧视通讯科技有限公司 | 一种基于视频分析的烟雾检测方法 |
CN102136059A (zh) * | 2011-03-03 | 2011-07-27 | 苏州市慧视通讯科技有限公司 | 一种基于视频分析的烟雾检测方法 |
CN102843497B (zh) * | 2011-04-26 | 2015-06-10 | 李国君 | 影像区块合并方法 |
CN102843497A (zh) * | 2011-04-26 | 2012-12-26 | 李国君 | 影像区块合并方法 |
CN102288166A (zh) * | 2011-05-13 | 2011-12-21 | 河海大学 | 基于视频的多模型结合水面船舶检测方法 |
CN103456123A (zh) * | 2013-09-03 | 2013-12-18 | 中国科学技术大学 | 一种基于流动和扩散特征的视频烟气探测方法 |
CN104978733A (zh) * | 2014-04-11 | 2015-10-14 | 富士通株式会社 | 烟雾检测方法以及装置 |
CN104978733B (zh) * | 2014-04-11 | 2018-02-23 | 富士通株式会社 | 烟雾检测方法以及装置 |
CN103956016A (zh) * | 2014-04-25 | 2014-07-30 | 蚌埠依爱消防电子有限责任公司 | 一种基于视频图像的烟雾火焰复合式自动检测方法 |
CN103956016B (zh) * | 2014-04-25 | 2016-11-30 | 蚌埠依爱消防电子有限责任公司 | 一种基于视频图像的烟雾火焰复合式自动检测方法 |
CN104320659A (zh) * | 2014-08-13 | 2015-01-28 | 北京大学 | 背景建模方法、装置及设备 |
CN104320659B (zh) * | 2014-08-13 | 2017-12-29 | 北京大学 | 背景建模方法、装置及设备 |
CN104301669A (zh) * | 2014-09-12 | 2015-01-21 | 重庆大学 | 基于双摄像头协同的可疑目标检测跟踪与识别方法 |
CN104954744A (zh) * | 2015-06-12 | 2015-09-30 | 深圳市佳信捷技术股份有限公司 | 烟雾检测系统 |
CN105046218A (zh) * | 2015-07-09 | 2015-11-11 | 华南理工大学 | 一种基于串并行处理的多特征交通视频烟雾检测方法 |
CN105046218B (zh) * | 2015-07-09 | 2018-12-11 | 华南理工大学 | 一种基于串并行处理的多特征交通视频烟雾检测方法 |
CN105469105A (zh) * | 2015-11-13 | 2016-04-06 | 燕山大学 | 一种基于视频监控的香烟烟雾检测方法 |
WO2017084094A1 (zh) * | 2015-11-20 | 2017-05-26 | 富士通株式会社 | 烟雾检测装置、方法以及图像处理设备 |
US10846867B2 (en) | 2015-11-20 | 2020-11-24 | Fujitsu Limited | Apparatus, method and image processing device for smoke detection in image |
CN108140291A (zh) * | 2015-11-20 | 2018-06-08 | 富士通株式会社 | 烟雾检测装置、方法以及图像处理设备 |
CN105844295A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于颜色模型与运动特征的视频烟雾精细分类方法 |
CN105844295B (zh) * | 2016-03-21 | 2019-09-27 | 北京航空航天大学 | 一种基于颜色模型与运动特征的视频烟雾精细分类方法 |
CN106446957A (zh) * | 2016-10-08 | 2017-02-22 | 常熟理工学院 | 一种基于随机森林的雾霾图像分类方法 |
CN106446957B (zh) * | 2016-10-08 | 2019-02-22 | 常熟理工学院 | 一种基于随机森林的雾霾图像分类方法 |
CN106599259A (zh) * | 2016-12-21 | 2017-04-26 | 江苏省连云港工贸高等职业技术学校 | 一种快速访问sql数据库的系统 |
CN106845890A (zh) * | 2016-12-23 | 2017-06-13 | 济南博图信息技术有限公司 | 一种基于视频监控的仓储监控方法及装置 |
CN108537823A (zh) * | 2017-03-03 | 2018-09-14 | 防城港市港口区思达电子科技有限公司 | 基于混合高斯模型的运动目标检测方法 |
CN107609470A (zh) * | 2017-07-31 | 2018-01-19 | 成都信息工程大学 | 野外火灾早期烟雾视频检测的方法 |
CN107609470B (zh) * | 2017-07-31 | 2020-09-01 | 成都信息工程大学 | 野外火灾早期烟雾视频检测的方法 |
CN107967448B (zh) * | 2017-11-16 | 2021-05-18 | 江苏理工学院 | 早期火灾烟雾实时检测方法及系统 |
CN107967448A (zh) * | 2017-11-16 | 2018-04-27 | 江苏理工学院 | 早期火灾烟雾实时检测方法及系统 |
US11210916B2 (en) | 2018-12-21 | 2021-12-28 | Fujitsu Limited | Smoke detection method and apparatus |
CN109544852A (zh) * | 2018-12-27 | 2019-03-29 | 秒针信息技术有限公司 | 餐厅火灾的监测方法及装置 |
CN112634577A (zh) * | 2019-09-24 | 2021-04-09 | 中科智云科技有限公司 | 用于烟雾报警的方法和设备 |
CN111127806A (zh) * | 2019-12-30 | 2020-05-08 | 重庆市海普软件产业有限公司 | 基于多传感器的综合森林防火监控系统及方法 |
CN111080955A (zh) * | 2019-12-30 | 2020-04-28 | 重庆市海普软件产业有限公司 | 一种森林防火智能控制系统及方法 |
CN112032571A (zh) * | 2020-09-07 | 2020-12-04 | 宜昌湖蓝科技开发有限公司 | 一种地下排污管网泄漏检测报警装置及其使用方法 |
CN114572698A (zh) * | 2022-03-21 | 2022-06-03 | 上海道简机电科技有限公司 | 一种烟包自动码垛设备 |
CN114572698B (zh) * | 2022-03-21 | 2024-01-23 | 上海道简机电科技有限公司 | 一种烟包自动码垛设备 |
CN114648852A (zh) * | 2022-05-24 | 2022-06-21 | 四川九通智路科技有限公司 | 一种隧道火灾监测方法及系统 |
CN115223324A (zh) * | 2022-06-16 | 2022-10-21 | 中电云数智科技有限公司 | 一种烟雾实时监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101908141B (zh) | 2014-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101908141B (zh) | 一种基于混合高斯模型和形态特征的视频烟雾检测方法 | |
CN101908142A (zh) | 一种基于特征分析的视频火焰检测方法 | |
CN108062349B (zh) | 基于视频结构化数据及深度学习的视频监控方法和系统 | |
CN112257557B (zh) | 一种基于机器视觉的高空抛物检测识别方法及系统 | |
CN107330372B (zh) | 一种基于视频的人群密度与异常行为检测系统的分析方法 | |
CN103324910A (zh) | 一种基于视频检测的火灾报警方法 | |
Lee et al. | Smoke detection using spatial and temporal analyses | |
CN101441771B (zh) | 基于色彩饱和度与运动模式的视频火灾烟雾检测方法 | |
CN102521578B (zh) | 一种入侵检测和识别方法 | |
CN103077423B (zh) | 基于视频流的人群数量估计、局部人群聚集状态以及人群跑动状态检测方法 | |
US20130265423A1 (en) | Video-based detector and notifier for short-term parking violation enforcement | |
CN105141885A (zh) | 进行视频监控的方法及装置 | |
CN102982313B (zh) | 烟雾检测的方法 | |
CN105303191A (zh) | 一种前视监视场景下的行人计数方法和装置 | |
US9317765B2 (en) | Human image tracking system, and human image detection and human image tracking methods thereof | |
EP2659668A1 (en) | Calibration device and method for use in a surveillance system for event detection | |
CN105915840A (zh) | 一种基于视频信号的工厂烟气排放自动监测的方法 | |
CN111325048B (zh) | 一种人员聚集检测方法和装置 | |
Salehi et al. | An automatic video-based drowning detection system for swimming pools using active contours | |
Dimitropoulos et al. | Flame detection for video-based early fire warning systems and 3D visualization of fire propagation | |
CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
CN102722700A (zh) | 视频监控中遗留物品检测的方法和系统 | |
CN104463869A (zh) | 一种视频火焰图像复合识别方法 | |
CN109214392A (zh) | 一种通过视频监控进行烟雾检测的方法 | |
Kongurgsa et al. | Real-time intrusion—detecting and alert system by image processing techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |