CN103400111A - 基于视频检测技术的高速公路隧道火灾事件检测方法 - Google Patents
基于视频检测技术的高速公路隧道火灾事件检测方法 Download PDFInfo
- Publication number
- CN103400111A CN103400111A CN2013102907377A CN201310290737A CN103400111A CN 103400111 A CN103400111 A CN 103400111A CN 2013102907377 A CN2013102907377 A CN 2013102907377A CN 201310290737 A CN201310290737 A CN 201310290737A CN 103400111 A CN103400111 A CN 103400111A
- Authority
- CN
- China
- Prior art keywords
- fire
- area
- doubtful
- static
- flame
- 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
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及交通检测技术领域,公开一种基于视频检测技术的高速公路隧道火灾事件检测方法,包括如下步骤:从获取的视频中按预设帧率抽取图片;利用所获图片建立隧道背景模型;利用背景差分法从图片中提取前景目标图像;将图片分为前景部分和背景部分,分别采用不同的更新率进行更新;在检测周期内分析图像的前景目标,根据时间序列信息判断是否存在疑似静止目标;若存在疑似静止目标,再结合火焰的动、静态特征确定疑似火焰区域,最后根据火焰判别准则对后续提取的图像的疑似火焰区域进行分析,判断是否存在火灾事件。本发明检测算法简单,计算量小,可降低处理时间,提高检测效率,并可以减少由于隧道场景光照情况复杂对火灾检测造成的影响。
Description
技术领域
本发明涉及交通检测技术领域,尤其涉及一种基于视频检测技术的高速公路隧道火灾事件检测方法。
背景技术
随着经济建设的快速发展,高速公路运营里程快速增加,通行高速公路车辆数量急剧增多,高速公路隧道的安全隐患也随之增加。高速公路隧道作为运输系统的重要一环,其交通安全问题尤为突出,一旦隧道内发生火灾等事故,不仅会导致财产的严重损失,还极有可能威胁到乘客的生命。因此,第一时间监测高速公路隧道火灾事件并预警对维护隧道交通安全有着重要的意义。
目前,常用火灾监测技术分为基于传感原理检测和基于图像检测两大类,其中常见的基于传感原理检测的火灾探测器包括以下五个类型:感温类、感烟类、感光类、气敏型以及复合式探测器。现有的火灾报警系统很多都是靠基于传感原理检测的火灾探测器来进行报警的,但随着用户需求的变化和检测要求的增高,它们的局限性日益突显,主要表现为以下几点:(1)报警范围和实用空间十分有限;(2)可靠性不高;(3)快速报警能力有限;(4)无法提供重要的火灾过程信息;(5)成本高,但通用性和可扩展性有限。而基于图像的检测技术是一种新型的火灾检测技术,不仅适用范围广、处理速度快,且具有记录功能和远程控制调用功能。目前,高速公路隧道重点路段上已基本安装了摄像装置,为基于图像的火灾检测技术提供了基础设备支持。
基于图像的检测技术主要是指视频火焰检测技术,主要分为检测火灾的静态特征和动态特征两种。通过火灾发生初期火焰图像在颜色、形状、边缘轮廓、面积、位置、亮度、高度、闪烁情况、空间能量值以及其它一些运动特征进行判断。目前常用的主要有以下四种检测方法。(1)基于颜色和亮度的检测方法,学者们已根据火焰的颜色信息在不同色彩空间中建立了不同的火焰颜色模型,近年也有学者提出使用机器学习的方法来获得火焰的颜色模型;(2)颜色、运动、火焰结构相结合的方法,即在火焰的颜色特征基础上结合火焰的运动规律、火焰变化的空间结构等信息进行火灾检测;(3)基于视频状态分析的方法,学者们通过大量实验发现了火焰的闪动频率,范围在3-25Hz之间,一般为10Hz,则可用此特征区分火焰和其他物体;(4)神经网络、支持向量机等方法,用于模式识别特征的提取和分类,但该技术还处于萌芽阶段。
由于隧道场景光照情况十分复杂,尤其是车灯、隧道中的照明以及隧道两侧特殊材质造成的反光对火灾检测造成了极大的影响,另外,由于高速公路车流量大、车速快,一旦发生火灾事件,若不及时进行预警则很容易导致严重交通事故,这就对算法的实时性要求较高。虽然现有的火灾检测方法较多,但现有一般的火灾检测算法存在实时性较低、误报率较高、鲁棒性不强等缺点,在高速公路隧道火灾检测中应用效果不佳。因此,亟需一种快速高效的自动检测高速公路隧道火灾事件方法,实现对高速公路隧道火灾事件的及时可靠地检测,为管理者实时把握现场状况、做出管理决策提供有力的信息支撑,进而减少高速公路隧道中的行车安全隐患。
发明内容
有鉴于此,本发明提供一种基于视频检测技术的高速公路隧道火灾事件检测方法,运算开销小、实时性强。
本发明通过以下技术手段解决上述技术问题:
基于视频检测技术的高速公路隧道火灾事件检测方法,包括如下步骤:
1)从高速公路隧道摄像头获取的视频中按预设帧率抽取图片;
2)利用步骤1)中抽取的图片,根据中值滤波法建立隧道背景模型;
3)根据步骤2)建立的的背景模型,利用背景差分法从图片中提取前景目标图像;
4)将图片分为前景部分和背景部分,分别采用不同的更新率进行更新;
5)在检测周期t1秒内分析N1帧图像的前景目标,根据时间序列信息判断是否存在疑似静止目标;
6)若存在疑似静止目标,再结合火焰的动、静态特征确定疑似火焰区域,最后根据火焰判别准则对后续提取的L张图像的疑似火焰区域进行分析,判断是否存在火灾事件。
进一步,所述步骤1)中,还根据隧道特征确定图片中的感兴趣区域;步骤2-6)为对感兴趣区域进行的处理。
进一步,所述步骤2)中,建立隧道背景模型所用的图片大于20张。
进一步,所述步骤4)中,前景部分的更新率小于背景部分的更新率。
进一步,所述步骤3)中,根据已建立的隧道背景模型利用背景差分法提取前景图像,并对前景图像进行目标去噪,具体包括如下步骤:
31)将提取的帧图像与背景图像进行背景差分,并将差分图转换为灰度图;
32)将得到的灰度图进行二值处理,当像素点的灰度值大于阈值τ0时,将该像素点的像素值置为1,其灰度值小于阈值τ0时,将该像素点的像素值置为0;
33)使用数学形态学滤波方法去噪,获得运动目标前景图像。
进一步,所述步骤5)具体包括如下步骤:
51)将N1张二值化后的前景目标图像相叠加,若某像素点的像素值大于K,说明该像素点满足至少K张图像中均含有前景目标的条件,则将该像素点判定为疑似静止目标像素点,其中,K为正整数,且K<N1,并提取满足此条件的像素点存入图may_static中;
53)根据条件删除所提取的前景目标中的小面积伪目标,其中s1为面积阈值,未被删除的前景目标则为疑似静止目标,包含于疑似静止目标图static中,定义图static中各个连通域为statici,质心坐标为P_statici(xi,yi),i=1,2,…,sn,其中sn为符合面积条件的前景目标个数。
进一步,所述步骤6)具体包括如下步骤:
61)将图像转换到YCbCr色彩空间后提取出满足YCbCr火焰颜色模型的区域并对其进行连通域分析;
62)将疑似静止目标与满足火焰颜色模型区域进行比较,根据连通域的质心距离提取出疑似静止目标对应的疑似火焰区域;
63)根据火焰判别模型判断高速公路隧道火灾事件。
进一步,所述步骤61)中,所述YCbCr火焰颜色模型如下:
其中,Ymean、Cbmean、Crmean分别是图像中Y、Cb、Cr三个分量的均值,即亮度、蓝色分量、红色分量的均值,τ为经验阈值;
将满足YCbCr火焰颜色模型的区域存入图fire_color_area中,并对图fire_color_area进行连通域分析,求出各个连通域fire_color_areai的质心坐标P_firei(xi,yi)和面积i=1,2,…,fn,fn为连通域的个数。
进一步,所述步骤62)具体包括如下步骤:
将疑似静止目标图static与满足火焰颜色模型的图fire_color_area进行比较,根据连通域质心的位置从图fire_color_area中提取与图static中疑似静止目标对应的疑似火焰区域;判断条件如下:
|P_staticiP_firej|<d0,i=1,2,...,sn,j=1,2,...,fn
其中,P_statici(xi,yi)为疑似静止目标图static第i个连通域statici的质心坐标,i=1,2,…,sn,P_firej(xj,yj)为图fire_color_area第j个连通域fire_color_areaj的质心坐标,j=1,2,…,fn,|P_staticiP_firej|为两质心的距离,d0为质心距离阈值,若满足两图中所对应的连通域statici和fire_color_areaj的质心坐标在预设范围内,则可判断fire_color_areaj为疑似火焰区域,提取该区域,并将其存在疑似火焰图may_fire_area中;设图may_fire_area中各疑似火焰区域fire_areai的质心坐标为Pi(xi,yi),区域面积为i=1,2,…,mfn,其中mfn为疑似火焰区域连通域的个数。
进一步,所述步骤63)中,火焰判别模型如下:
其中,为疑似火焰区域fire_areai的面积,S2、S3为火焰面积阈值;|PkiP(k-1)i|表示火焰稳定性;对于疑似火焰区域fire_areai的|PkiP(k-1)i|,求取采用以下公式:
其中,Pki(xki,yki)为疑似火焰区域fire_areai在第k张疑似火焰图中的质心,|PkiP(k-1)i|表示该疑似火焰区域在第k、k-1张疑似火焰图中质心的移动距离;火焰判断模型中的d表示质心移动距离阈值;
C表示火焰区域的不规则度信息,C1、C2为圆度阈值;疑似火焰区域fire_areai的圆度的求取采用以下公式:
若存在L张图像中J张图像的疑似火焰区域均满足火焰判别模型,则表明检测到隧道火灾事件,其中J<L。
本发明的基于视频检测技术的高速公路隧道火灾事件检测方法根据火灾的蔓延性,首先检测疑似静止目标,然后再结合火焰的动、静态特征确定疑似火焰区域,最后建立火焰判别准则对后续提取的多张图像进行分析,判断是否存在火灾事件。这样就不必对视频的每张图像进行火焰判别处理,而是直到检测出有疑似静止目标后再进行实时火焰检测,且疑似静止目标的检测算法简单,计算量小,可大大降低处理时间,提高检测效率。并可以减少由于隧道场景光照情况复杂对火灾检测造成的影响。
具体实施方式
图1示出了基于视频检测技术的高速公路隧道火灾事件检测方法的流程示意图。
具体实施方式
以下将结合附图,对本发明进行详细说明。
参见图1,基于视频检测技术的高速公路隧道火灾事件检测方法,其特征在于:包括如下步骤:
1)从高速公路隧道摄像头获取的视频中按预设帧率抽取图片;为更准确地检测火灾事件并减少计算量,根据隧道场景特征确定感兴趣区域,之后步骤均在该区域内进行检测。
2)根据步骤1)中抽取的图片,利用中值滤波法结合M张图片建立隧道背景模型,其中M>20;
3)根据步骤2)建立的隧道背景模型,利用背景差分法提取前景图像,并对前景图像进行目标去噪,具体包括如下步骤:
31)将提取的帧图像与背景图像进行背景差分,并将差分图转换为灰度图;
32)将得到的灰度图进行二值处理,当像素点的灰度值大于阈值τ0时,将该像素点的像素值置为1,其灰度值小于阈值τ0时,将该像素点的像素值置为0;
33)使用开运算和闭运算等数学形态学滤波方法去噪,获得运动目标前景图像。
4)将图片分为前景部分和背景部分,分别采用不同的更新率进行更新;前景部分的更新率为α1,背景部分的更新率为α2,其中,α1<α2。
5)在检测周期t1秒内分析N1帧图像的前景目标,根据时间序列信息判断是否存在疑似静止目标,具体包括如下步骤:
51)将N1张二值化后的前景目标图像相叠加,若某像素点的像素值大于K,说明该像素点满足至少K张图像中均含有前景目标的条件,则将该像素点判定为疑似静止目标像素点,其中,K为正整数,且K<N1,并提取满足此条件的像素点存入图may_static中。在本实施例中,K值被置为0.8N1;
52)将所得的疑似静止目标像素点组成的区域进行连通域分析,并求出各个连通域may_statici的面积其中i=1,2,…,cn,cn为连通域的个数;
53)根据条件删除所提取的前景目标中的小面积伪目标,其中s1为面积阈值,未被删除的前景目标则为疑似静止目标,包含于疑似静止目标图static中。定义图static中各个连通域为statici,质心坐标为P_statici(xi,yi),i=1,2,…,sn,其中sn为符合面积条件的前景目标个数。
6)若存在疑似静止目标,再结合火焰的动、静态特征确定疑似火焰区域,最后根据火焰判别准则对后续提取的L张图像的疑似火焰区域进行分析,判断是否存在火灾事件,若存在火灾事件,可进行报警。具体包括如下步骤:
61)先将图像转换到YCbCr色彩空间后提取出满足YCbCr火焰颜色模型的区域并对其进行连通域分析,其中YCbCr火焰颜色模型如下:
该火焰颜色模型可表征火焰的静态特性,其中,Ymean、Cbmean、Crmean分别是图像中Y、Cb、Cr三个分量的均值,即亮度、蓝色分量、红色分量的均值,τ为经验阈值。
将满足YCbCr火焰颜色模型的区域存入图fire_color_area中,并对图fire_color_area进行连通域分析,求出各个连通域fire_color_areai的质心坐标P_firei(xi,yi)和面积i=1,2,…,fn,fn为连通域的个数。
由于在隧道中车灯、路灯灯光等光照的颜色与火焰颜色相似,若仅使用火焰颜色模型进行判断,所提取的区域中还会存在很多干扰区域,因此还需要对这些区域做进一步判断。
62)将疑似静止目标图static与满足火焰颜色模型的图fire_color_area进行比较,根据连通域质心的位置从图fire_color_area中提取与图static中疑似静止目标对应的疑似火焰区域。判断条件如下:
|P_staticiP_firej|<d0,i=1,2,...,sn,j=1,2,...,fn
其中,P_statici(xi,yi)为疑似静止目标图static第i个连通域statici的质心坐标,i=1,2,…,sn,P_firej(xj,yj)为图fire_color_area第j个连通域fire_color_areaj的质心坐标,j=1,2,…,fn,|P_staticiP_firej|为两质心的距离,d0为质心距离阈值,本发明中取值为5。若满足两图中所对应的连通域statici和fire_color_areaj的质心坐标在一定范围内,则可判断fire_color_areaj为疑似火焰区域,提取该区域,并将其存在疑似火焰图may_fire_area中。设图may_fire_area各连通域fire_areai的质心坐标为Pi(xi,yi),区域面积为i=1,2,…,mfn,其中mfn为疑似火焰区域连通域的个数。
63)建立火焰判别模型实现高速公路隧道火灾事件检测,本实施例中的火焰判别模型如下:
|PkiP(k-1)i|表示火焰稳定性,主要指火焰质心的位置变化情况,可用来表示火焰的动态特征。对于疑似火焰区域fire_areai的|PkiP(k-1)i|,求取采用以下公式:
其中,Pki(xki,yki)为疑似火焰区域fire_areai在第k张疑似火焰图中的质心,|PkiP(k-1)i|表示该疑似火焰区域在第k、k-1张疑似火焰图中质心的移动距离。火焰判断模型中的d表示质心移动距离阈值。
若存在L张图像中J张图像的疑似火焰区域均满足火焰判别模型,则表明检测到隧道火灾事件,其中J<L,在本发明中J=0.8L。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于视频检测技术的高速公路隧道火灾事件检测方法,其特征在于:包括如下步骤:
1)从高速公路隧道摄像头获取的视频中按预设帧率抽取图片;
2)利用步骤1)中抽取的图片,根据中值滤波法建立隧道背景模型;
3)根据隧道背景模型,利用背景差分法从图片中提取前景目标图像;
4)将图片分为前景部分和背景部分,分别采用不同的更新率进行更新;
5)在检测周期t1秒内分析N1帧图像的前景目标,根据时间序列信息判断是否存在疑似静止目标;
6)若存在疑似静止目标,再结合火焰的动、静态特征确定疑似火焰区域,最后根据火焰判别准则对后续提取的L张图像的疑似火焰区域进行分析,判断是否存在火灾事件。
2.如权利要求1所述的基于视频检测技术的高速公路隧道火灾事件检测方法,其特征在于:所述步骤1)中,还根据隧道特征确定图片中的感兴趣区域;步骤2-6)为对感兴趣区域进行的处理。
3.如权利要求1所述的基于视频检测技术的高速公路隧道火灾事件检测方法,其特征在于:所述步骤2)中,建立隧道背景模型所用的图片大于20张。
4.如权利要求1所述的基于视频检测技术的高速公路隧道火灾事件检测方法,其特征在于:所述步骤4)中,前景部分的更新率小于背景部分的更新率。
5.如权利要求1所述的基于视频检测技术的高速公路隧道火灾事件检测方法,其特征在于:所述步骤3)中,根据已建好的隧道背景模型利用背景差分法提取前景目标图像,并对前景目标图像进行目标去噪,具体包括如下步骤:
31)将提取的帧图像与背景图像进行背景差分,并将差分图转换为灰度图;
32)将得到的灰度图进行二值处理,当像素点的灰度值大于阈值τ0时,将该像素点的像素值置为1,其灰度值小于阈值τ0时,将该像素点的像素值置为0;
33)使用数学形态学滤波方法去噪,获得运动目标前景图像。
6.如权利要求5所述的基于视频检测技术的高速公路隧道火灾事件检测方法,其特征在于:所述步骤5)具体包括如下步骤:
51)将N1张二值化后的前景目标图像相叠加,若某像素点的像素值大于K,说明该像素点满足至少K张图像中均含有前景目标的条件,则将该像素点判定为疑似静止目标像素点,其中,K为正整数,且K<N1,并提取满足此条件的像素点存入图may_static中;
7.如权利要求6所述的基于视频检测技术的高速公路隧道火灾事件检测方法,其特征在于:所述步骤6)具体包括如下步骤:
61)将图像转换到YCbCr色彩空间后提取出满足YCbCr火焰颜色模型的区域并对其进行连通域分析;
62)将疑似静止目标与满足火焰颜色模型区域进行比较,根据连通域的质心距离提取出疑似静止目标对应的疑似火焰区域;
63)根据火焰判别模型判断高速公路隧道火灾事件。
9.如权利要求8所述的基于视频检测技术的高速公路隧道火灾事件检测方法,其特征在于:所述步骤62)具体包括如下步骤:
将疑似静止目标图static与满足火焰颜色模型的图fire_color_area进行比较,根据连通域质心的位置从图fire_color_area中提取与图static中疑似静止目标对应的疑似火焰区域;判断条件如下:
|P_staticiP_firej|<d0,i=1,2,...,sn,j=1,2,...,fn
其中,P_statici(xi,yi)为疑似静止目标图static第i个连通域statici的质心坐标,i=1,2,…,sn,P_firej(xj,yj)为图fire_color_area第j个连通域fire_color_areaj的质心坐标,j=1,2,…,fn,|P_staticiP_firej|为两质心的距离,d0为质心距离阈值,若满足两图中所对应的连通域statici和fire_color_areaj的质心坐标在预设范围内,则可判断fire_color_areaj为疑似火焰区域,提取该区域,并将其存在疑似火焰图may_fire_area中;设图may_fire_area中各疑似火焰区域fire_areai的质心坐标为Pi(xi,yi),区域面积为i=1,2,…,mfn,其中mfn为疑似火焰区域连通域的个数。
10.如权利要求9所述的基于视频检测技术的高速公路隧道火灾事件检测方法,其特征在于:所述步骤63)中,火焰判别模型如下:
其中,Pki(xki,yki)为疑似火焰区域fire_areai在第k张疑似火焰图中的质心,|PkiP(k-1)i|表示该疑似火焰区域在第k、k-1张疑似火焰图中质心的移动距离;火焰判断模型中的d表示质心移动距离阈值;
若存在L张图像中J张图像的疑似火焰区域均满足火焰判别模型,则表明检测到隧道火灾事件,其中J<L。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310290737.7A CN103400111B (zh) | 2013-07-10 | 2013-07-10 | 基于视频检测技术的高速公路隧道火灾事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310290737.7A CN103400111B (zh) | 2013-07-10 | 2013-07-10 | 基于视频检测技术的高速公路隧道火灾事件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103400111A true CN103400111A (zh) | 2013-11-20 |
CN103400111B CN103400111B (zh) | 2017-02-08 |
Family
ID=49563729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310290737.7A Active CN103400111B (zh) | 2013-07-10 | 2013-07-10 | 基于视频检测技术的高速公路隧道火灾事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103400111B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617635A (zh) * | 2013-11-28 | 2014-03-05 | 南京理工大学 | 基于图像处理的瞬态火焰检测方法 |
CN105046868A (zh) * | 2015-06-16 | 2015-11-11 | 苏州华启智能科技股份有限公司 | 一种狭长环境中基于红外热像仪的火灾预警方法 |
CN106530569A (zh) * | 2016-10-17 | 2017-03-22 | 北京小米移动软件有限公司 | 火患监测的方法及装置 |
CN107066929A (zh) * | 2017-01-06 | 2017-08-18 | 重庆大学 | 一种融合多种特征的高速公路隧道停车事件分级识别方法 |
CN107147872A (zh) * | 2017-05-10 | 2017-09-08 | 合肥慧图软件有限公司 | 一种基于视频监控与图像处理相结合的烟火报警系统 |
CN108038867A (zh) * | 2017-12-22 | 2018-05-15 | 湖南源信光电科技股份有限公司 | 基于多特征融合和立体视觉的火焰检测和定位方法 |
CN108090495A (zh) * | 2017-12-22 | 2018-05-29 | 湖南源信光电科技股份有限公司 | 一种基于红外光和可见光图像的疑似火焰区域提取方法 |
CN109448365A (zh) * | 2018-10-16 | 2019-03-08 | 北京航空航天大学 | 一种跨尺度空基平台区域道路交通系统综合监视方法 |
CN109840594A (zh) * | 2018-10-23 | 2019-06-04 | 广东省路桥建设发展有限公司 | 公路隧道洞外光环境监测方法及系统 |
CN110135347A (zh) * | 2019-05-16 | 2019-08-16 | 中国船舶重工集团公司第七0三研究所 | 一种基于视频图像的火焰识别方法 |
CN110322659A (zh) * | 2019-06-21 | 2019-10-11 | 江西洪都航空工业集团有限责任公司 | 一种烟雾检测方法 |
US20200012859A1 (en) * | 2017-03-28 | 2020-01-09 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for fire detection |
CN111008998A (zh) * | 2019-12-25 | 2020-04-14 | 沈阳天眼智云信息科技有限公司 | 基于双目视觉的自动消防水炮的火焰检测方法 |
CN111368771A (zh) * | 2020-03-11 | 2020-07-03 | 四川路桥建设集团交通工程有限公司 | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 |
US10776665B2 (en) | 2018-04-26 | 2020-09-15 | Qualcomm Incorporated | Systems and methods for object detection |
CN111768430A (zh) * | 2020-06-23 | 2020-10-13 | 重庆大学 | 一种基于多特征级联匹配的高速公路外场车辆跟踪方法 |
CN112949536A (zh) * | 2021-03-16 | 2021-06-11 | 中信重工开诚智能装备有限公司 | 一种基于云平台的火灾报警方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150549A (zh) * | 2013-02-05 | 2013-06-12 | 长安大学 | 一种基于烟雾早期运动特征的公路隧道火灾检测方法 |
-
2013
- 2013-07-10 CN CN201310290737.7A patent/CN103400111B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150549A (zh) * | 2013-02-05 | 2013-06-12 | 长安大学 | 一种基于烟雾早期运动特征的公路隧道火灾检测方法 |
Non-Patent Citations (3)
Title |
---|
BU TöREYIN等: "Computer vision based method for real-time fire and flame detection", 《PATTERN RECOGNITION LETTERS》, vol. 27, no. 1, 26 August 2005 (2005-08-26), pages 49 - 58 * |
BYOUNGMOO LEE等: "Real-Time Fire Detection Using Camera Sequence Image in Tunnel Environment", 《LECTURE NOTES IN COMPUTER SCIENCE》, vol. 4681, 24 August 2007 (2007-08-24), pages 1209 - 1220, XP 019066767 * |
关文婷: "基于视频的公路隧道火焰检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 10, 15 October 2012 (2012-10-15), pages 138 - 2411 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617635A (zh) * | 2013-11-28 | 2014-03-05 | 南京理工大学 | 基于图像处理的瞬态火焰检测方法 |
CN105046868B (zh) * | 2015-06-16 | 2019-09-20 | 苏州华启智能科技股份有限公司 | 一种狭长环境中基于红外热像仪的火灾预警方法 |
CN105046868A (zh) * | 2015-06-16 | 2015-11-11 | 苏州华启智能科技股份有限公司 | 一种狭长环境中基于红外热像仪的火灾预警方法 |
CN106530569A (zh) * | 2016-10-17 | 2017-03-22 | 北京小米移动软件有限公司 | 火患监测的方法及装置 |
CN107066929A (zh) * | 2017-01-06 | 2017-08-18 | 重庆大学 | 一种融合多种特征的高速公路隧道停车事件分级识别方法 |
US11532156B2 (en) * | 2017-03-28 | 2022-12-20 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for fire detection |
US20200012859A1 (en) * | 2017-03-28 | 2020-01-09 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for fire detection |
CN107147872A (zh) * | 2017-05-10 | 2017-09-08 | 合肥慧图软件有限公司 | 一种基于视频监控与图像处理相结合的烟火报警系统 |
CN108038867A (zh) * | 2017-12-22 | 2018-05-15 | 湖南源信光电科技股份有限公司 | 基于多特征融合和立体视觉的火焰检测和定位方法 |
CN108090495A (zh) * | 2017-12-22 | 2018-05-29 | 湖南源信光电科技股份有限公司 | 一种基于红外光和可见光图像的疑似火焰区域提取方法 |
US10776665B2 (en) | 2018-04-26 | 2020-09-15 | Qualcomm Incorporated | Systems and methods for object detection |
CN109448365A (zh) * | 2018-10-16 | 2019-03-08 | 北京航空航天大学 | 一种跨尺度空基平台区域道路交通系统综合监视方法 |
CN109840594A (zh) * | 2018-10-23 | 2019-06-04 | 广东省路桥建设发展有限公司 | 公路隧道洞外光环境监测方法及系统 |
CN110135347A (zh) * | 2019-05-16 | 2019-08-16 | 中国船舶重工集团公司第七0三研究所 | 一种基于视频图像的火焰识别方法 |
CN110322659A (zh) * | 2019-06-21 | 2019-10-11 | 江西洪都航空工业集团有限责任公司 | 一种烟雾检测方法 |
CN111008998A (zh) * | 2019-12-25 | 2020-04-14 | 沈阳天眼智云信息科技有限公司 | 基于双目视觉的自动消防水炮的火焰检测方法 |
CN111368771A (zh) * | 2020-03-11 | 2020-07-03 | 四川路桥建设集团交通工程有限公司 | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 |
CN111768430A (zh) * | 2020-06-23 | 2020-10-13 | 重庆大学 | 一种基于多特征级联匹配的高速公路外场车辆跟踪方法 |
CN111768430B (zh) * | 2020-06-23 | 2023-08-11 | 重庆大学 | 一种基于多特征级联匹配的高速公路外场车辆跟踪方法 |
CN112949536A (zh) * | 2021-03-16 | 2021-06-11 | 中信重工开诚智能装备有限公司 | 一种基于云平台的火灾报警方法 |
CN112949536B (zh) * | 2021-03-16 | 2022-09-16 | 中信重工开诚智能装备有限公司 | 一种基于云平台的火灾报警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103400111B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400111A (zh) | 基于视频检测技术的高速公路隧道火灾事件检测方法 | |
CN103914688B (zh) | 一种城市道路障碍物识别系统 | |
CN105788142B (zh) | 一种基于视频图像处理的火灾检测系统及检测方法 | |
CN107766821B (zh) | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统 | |
TWI430212B (zh) | 利用多特徵自動集群法之異常行為偵測系統與方法 | |
CN106652445B (zh) | 一种公路交通事故判别方法及装置 | |
CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
Jiansheng | Vision-based real-time traffic accident detection | |
CN104464305A (zh) | 车辆逆行智能检测装置与方法 | |
CN106204640A (zh) | 一种运动目标检测系统及方法 | |
CN103150549B (zh) | 一种基于烟雾早期运动特征的公路隧道火灾检测方法 | |
CN107633212A (zh) | 一种基于视频图像的烟火检测方法和装置 | |
CN106652465A (zh) | 一种道路异常驾驶行为的识别方法及系统 | |
CN109145689A (zh) | 一种机器人火灾检测方法 | |
CN109753949B (zh) | 一种基于深度学习的多视窗交通标志检测方法 | |
Li et al. | Abandoned objects detection using double illumination invariant foreground masks | |
CN101783076A (zh) | 一种视频监控模式下的快速车型识别方法 | |
CN109948455B (zh) | 一种遗留物体检测方法及装置 | |
CN102819764A (zh) | 一种适用于交通路口复杂场景下的多视角人流量统计方法 | |
CN103617410A (zh) | 基于视频检测技术的高速公路隧道停车检测方法 | |
CN108357418A (zh) | 一种基于尾灯识别的前车驾驶意图分析方法 | |
CN105894701A (zh) | 输电线路防外破大型施工车辆的识别报警方法 | |
CN108804987B (zh) | 门开闭状态检测方法和装置、以及人流检测系统 | |
CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及系统 | |
CN109508659A (zh) | 一种用于人行横道的人脸识别系统及方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230301 Address after: 213399 room 5025, building B, 218 Hongkou Road, Kunlun Street, Liyang City, Changzhou City, Jiangsu Province Patentee after: Liyang Smart City Research Institute of Chongqing University Address before: 400030 No. 174 Sha Jie street, Shapingba District, Chongqing Patentee before: Chongqing University |