CN103761529B - 一种基于多色彩模型和矩形特征的明火检测方法和系统 - Google Patents
一种基于多色彩模型和矩形特征的明火检测方法和系统 Download PDFInfo
- Publication number
- CN103761529B CN103761529B CN201310752394.1A CN201310752394A CN103761529B CN 103761529 B CN103761529 B CN 103761529B CN 201310752394 A CN201310752394 A CN 201310752394A CN 103761529 B CN103761529 B CN 103761529B
- Authority
- CN
- China
- Prior art keywords
- naked light
- region
- characteristic
- rectangular characteristic
- rectangular
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种基于多色彩模型和矩形特征的明火检测方法和系统,包括以下步骤:检测当前视频帧的运动区域;提取当前运动区域在多种色彩模型下的颜色特征,将符合明火颜色特征的像素点标记为候选像素,通过对候选像素所在区域处理得到矩形明火候选区域;提取候选区域的矩形特征,并输入分类器判断是否为明火区域。所述的系统包括:信号采集模块明火检测模块以及结果显示模块。本发明通过结合明火运动、颜色及矩形特征对监控视频进行明火检测,提高了检测准确性,降低误检,实现了实时有效的早期明火检测。
Description
技术领域
本发明涉及图像处理和模式识别技术领域,尤其涉及明火检测方法和系统。
背景技术
随着计算机硬件水平的提高和信息处理技术的不断发展,图像处理和模式识别技术广泛应用于对象检测和安全监控领域。火灾是最常见的灾害之一,传统的火灾探测技术主要是利各类传感器及信号处理技术实现早期探测报警。现在人们更多尝试使用普通的摄像头检测,基于图像处理与模式识别技术进行火灾的监控与报警。基于视频的火灾检测技术与传统传感器探测手段相比,具有诸多优点:设备简单,使用范围大,准确率高,放映速度快,便于火灾原因调查等。
明火检测是火灾检测最核心的步骤。现有的基于图像处理和模式识别的明火检测方法,主要利用明火剧烈燃烧时火焰图像在颜色、形状、边缘、闪烁特征及其面积、位置随时间变化的特性,从监控视频图像序列中识别明火信息,达到明火检测的目的。运动和颜色检测是较为基础的步骤,其中颜色检测不仅实现快速,而且检测范围广。但现有的颜色检测方法多是基于简单的RGB彩色模型各个分量或饱和度独立的颜色信息。如授权公告日为2010.09.08,授权公告号为CN101826153A的发明专利:火灾检测方法;以及授权公告日为2009.5.27,授权公告号为CN101441771A的发明专利:基于色彩饱和度与运动模式的视频火灾烟雾检测方法。另一方面只依赖于颜色、形状特征检测较为简单,会存在大量误检,如路灯,车灯,以及墙壁反射光等;边缘、闪烁及面积变化率等特征计算较为复杂,且很大程度依赖于检测阈值的设置,不能实现智能有效的识别检测。
发明内容
针对现有技术中的缺陷,本发明提供一种基于多色彩模型和矩形特征的明火检测方法和系统。
本发明提供一种基于多色彩模型和矩形特征的明火检测方法,其包括如下步骤:
步骤(1):检测监控视频当前帧的运动区域;
步骤(2):检测运动区域中每个像素的在不同彩色模型下相关的颜色特征,将符合明火特征的像素点标记为明火候选像素,对标记是否为明火候选像素的二值图像进行形态学处理,提取处理后的图像中连通像素所在区域外轮廓的最小矩形区域,将重叠或相邻将近的矩形区域合并为一个矩形区域,标记为明火候选区域;
步骤(3):对每个明火候选区域,提取其矩形特征,输入预先构建并训练好的分类器,判断是否为明火区域。
一种检测监控视频当前帧运动区域的方法,还包括:
使用背景差分法,帧间差分法,高斯混合背景模型,光流法的任意一种检测当前帧运动区域。
一种检测运动区域中每个像素的在不同彩色模型下相关的颜色特征的方法,还包括:
统计各个连通区域在RGB色彩模型下红色通道颜色分量、绿色通道颜色分量、蓝色通道颜色分量;
统计各个连通区域在HSV色彩模型下色调分量、饱和度分量、亮度分量;
统计各个分量之间的特征关系,和预先设定、存储的明火颜色特征进行比较判断是否满足明火颜色特征。将满足明火颜色特征的像素点标记为候选像素点。
一种提取候选区域矩形特征,包括如下步骤:
对标记是否为明火像素的二值图像做图像形态学处理使相邻较近的像素点或区域连通,提取连通区域外轮廓所在的最小矩形区域,合并相互覆盖或相邻较近的矩形区域作为明火候选区域;只要面积大于一定阈 值,就进行处理;面积太小的则抛弃。
将每个明火候选区域缩放至统一尺寸;
利用积分图像法快速计算每个连通区域的矩形特征。
所述矩形特征为:
每个连通区域边缘特征、线特征、中心环绕特征、对角线特征及明火内焰、中焰、外焰组合矩形特征构成特征向量。
一种分类器,构造方式包括如下方式:
简单矩形特征分类器、简单分类器组合的强分类器、强分类器级联的分类器中的至少一种。
其中,一种级联分类器的构造使用Adaboost算法,包括如下步骤:
利用单一的矩形特征构成弱分类器;
用无关的图像数据集训练分类器;
根据分类错误率选出最优弱分类器构成强分类器;
重新用样本训练分类器权值输出强分类器。
由上述技术方案可知,本发明可较好的利用明火内焰、中焰、外焰的形态特征,通过训练样本生成准确率较高的分类器,对初步运动、颜色模型过滤得到的候选区域进一步检测是否为明火区域。计算速度快,误检率低,提高了明火检测的有效性。
本发明提供一种基于多色彩模型和矩形特征的明火检测系统,其包括如下模块:
信号采集模块,由视频图像采集设备构成,用于采集连续的视频图像帧序列,输送到分析处理模块;
分析处理模块,用于提取信号采集模块采集到的图像帧中的运动区域,并通过色彩模型选择候选明火点,经过形态学处理后,提取相连的候选明火点所在区域外轮廓所在的最小矩形区域,合并相互覆盖或相邻较近的矩形区域,得到候选明火区域。提取候选明火区域的矩形特征,将得到的特征向量输入分类器进行分类处理,得到分类结果;
结果显示预警模块,用于将分析处理模块得到的分类结果,即是否为明火的结果显示在显示装置之上。
附图说明
图1为本发明明火检测流程框图;
图2为本发明提取的矩形特征示意图;
图3为本发明一实例提取的明火内焰、中焰、外焰组合矩形特征示意图;
具体实施方式
下面结合附图对本发明的实施例做详细说明:本实施例在以技术方案为前提下进行实施,给出了详细的实施方式和过程。应理解的是本发明提供的检测方法能够在不同的实例上具有各种变化,基于本发明思想的各种变化的实例皆不脱离本发明的范围;且本发明中的附图只为解释说明本发明的方法及系统,而非用以限制本发明。即本发明的保护范围不限于下述的实施例。
实施例
步骤(1):检测监控视频当前帧的运动区域。
所述检测运动区域的方法之一是背景剪除法,具体步骤是:
使用视频第一帧作为初始背景;
用当前帧图像每个像素点的灰度值和背景图像每个像素点的灰度值做帧差运算,得到视频图像中每个点的像素变化的差分图像;
将差分图像进行二值化处理,像素值大于阈值Tm像素的标记为运动区域;
对二值化的差分图像做腐蚀运算;
所述的对二值化的差分图像做腐蚀运算的一个实例为:
其中,A为标为是否为明火候选区域的二值图像,B为进行腐蚀操作的5×5全1模版,AΘB表示用B腐蚀A的过程,即A用B腐蚀的结果是所有x的集合,其中B平移x后仍在A中。
对二值化的差分图像做膨胀运算;
所述的对二值化的差分图像做膨胀运算的一个实例为:
其中,A为标为是否为明火候选区域的二值图像,B为进行膨胀操作的5×5全1模版,表示用B膨胀A的过程,及先对B做关于原点的映射,再将其映像平移x,这里要求A与B映像的交集不为空。
将当前帧图像和原始背景图像加权相加得到更新的背景图像。
也可以使用其他方法,如帧间差分法,高斯混合背景模型,光流法。
步骤(2):检测运动区域中每个像素的在不同彩色模型下相关的颜色特征,将符合明火特征的像素点标记为明火候选像素;
对标记是否为明火候选点的二值图像进行形态学处理,提取处理后的图像中连通像素所在区域外轮廓的最小矩形区域,将重叠或相邻将近的矩形区域合并为一个矩形区域,标记为候选明火区域
所述检测明火颜色特征的一个实例为:
统计当前帧运动区域对应像素点红、绿、蓝色彩分量以及饱和度、亮度值,分别记为R、G、B、S、Y,计算运动区域的平均亮度值VY;
将满足如下所有条件的像素点标记为明火候选点:
红、绿色彩分量的差大于阈值TRG,即R-G>TRG;
红、蓝色彩分量的差大于阈值TRB,即R-G>TRB;
平均亮度值不大于TVL,即VY≤TVL;
红色分量的值大于阈值TR=VY+DRY,即R>VY+DRY;
亮度值大于阈值TY=VY+DRY,即Y>TY+DRY;
饱和度值大于阈值TS,即S>TS;
其中,TRG为红绿色彩分量差的阈值,TRB为红蓝色彩分量差的阈值,TVL为平均亮度阈值,TR为红色分量阈值,DRY为红色分量与亮度阈值关系差,TY为亮度阈值,TS为饱和度阈值。
所述的形态学处理的一个实例为:
二值膨胀操作,定义为:
其中,A为标为是否为明火候选区域的二值图像,B为进行膨胀操作的5×5全1模版,表示用B膨胀A的过程,及先对B做关于原点的映射,再将其映像平移x,这里要求A与B映像的交集不为空。
所述的提取连通像素所在区域外轮廓的最小矩形区域,以及将相互覆盖或相邻较近的矩形区域合并的实例为:
其中,TopLeft为矩形区域左上角点,BottomRight为矩形区域右下角点,x,y分别为像素点的横纵坐标,P为形态学处理后的候选明火像素点,H为候选像素点所在集合。即提取最小矩形框以及合并矩形框的规则是,用最左最上的点作为矩形框的左上角点,最右最下的点作为矩形框的右下角点。
步骤(3):对每个连通的候选区域,提取其矩形特征,输入预先构建的Adaboost模型,判断是否为明火区域。
所述提取候选区域矩形特征的方式为:
对候选区域使用高斯模版做下采样;
对候选区域使用高斯模版做上采样;
对候选区域做膨胀运算;
提取矩形特征;
利用积分图像法快速计算每个连通区域的矩形特征。
所述的矩形特征如附图2与附图3所示,包括边缘特征201、线特征202、中心环绕特征203、对角线特征204及明火内焰、中焰、外焰组合矩形特征301。单个矩形的值定义为黑色矩形内所有像素值的和减去白色矩形内所有像素值的和。最终提取的矩形特征用如下公式表示:
featureI表示第I个连通区域提取的矩形特征;ωi为第i个矩形的权值;RecSum(ri)为第i个矩形内所有像素值的和;{1,...N}为组成特征featureI的矩形个数;r=(x,y,w,h,α)为五数组表示候选区域子图中的任意矩形,其中(x,y)为矩形左上角顶点坐标,w、h为矩形的长和宽,α∈{0°,45°}为矩形 选择的角度。
所述积分图像快速计算法具体为:
对于矩形角度α=0°的正矩形特征,积分图像定义为:
SAT(x,y)表示图像中像素点(x,y)左上方所有像素值之和,其中I(x′,y′)是候选区域图像上的一个像素值。
利用积分图像表示矩形像素和的值为:
RecSum(r)=SAT(x-1,y-1)+SAT(x+w-1,y+h-1)-SAT(x-1,y+h-1)-SAT(x+w-1,y-1)
对于矩形角度α=45°的正矩形特征,积分图像定义为:
RSAT(x,y)表示图像中像素点正上方延伸出的倾角为45°的区域所有像素值之和,I(x′,y′)是原候选区域图像上的一个像素值。
利用积分图像表示矩形像素和的值为:
RecSum(r)=RSAT(x-h+w,y+w+h-1)+RSAT(x,y-1)-RSAT(x-h,y+h-1)-RSAT(x+w,y+w-1)
所述构造Adaboost模型方式为:
采集与监控视频无关图像构成训练样本(x1,y1),(x2,y2),...,(xn,yn),其中yi=1表示正样本(明火),yi=0表示负样本(非明火);
初始化样本权重:对于明火样本ω1,i=1/2n,对于非明火样本w1,i=1/2n,其中明火与非明火样本数量相等,均为n;
归一化权重对每个特征j训练弱分类器hj,即确定阈值θj和偏置pj使目标函数最小;
从弱分类器中选择具有最小εt的弱分类器ht;
更新每个样本对应权重若第i个样本被正确分类,则ei=0,反之ei=1,βt=εt/1-εt;
构成强分类器:
其中
统计当前帧每个连通的明火区域大小,如果不存在连通明火区域像素面积和S>THS的区域,则继续对监控视频进行明火检测;如果存在,则输出明火位置框。THS=0.05×W×H,其中W,H分别为视频帧宽和高。
综上所述,本发明提出一种基于多色彩模型和矩形特征的明火检测方法和系统。检测准确率高,能有效排除路灯等误检,且运算简单,检测速度快,实现了实时有效的早期明火检测。
虽然本发明已以优选实例公开如上,然而所公开实例并非用以限制本发明的范围。任何所属领域的技术人员,在不脱离本发明的精深和范围内,可以对上述实例进行多种变更、修饰和补充,并且这样的变更、修饰和补充要被看作在本发明的思想范围内。因此本发明的保护范围当视后附的权利要求所界定的范围为准。
Claims (6)
1.一种基于多色彩模型和矩形特征的明火检测方法,其特征在于包括如下步骤:
步骤(1):检测监控视频当前图像帧中的运动区域;
步骤(2):检测运动区域中每个像素点在不同色彩模型下相关的颜色特征,将符合明火特征的像素点标记为明火候选像素,对标记明火候选像素的整张二值图像做形态学处理,标记包含明火候选像素的连通区域外轮廓所在的最小矩形区域,将重叠或相邻将近的矩形区域合并为一个矩形区域,标记为明火候选区域,并确定全图像中明火候选区域的个数;
步骤(3):对每个面积足够大的明火候选区域,提取其矩形特征,输入预先构建训练模型的分类器,判断是否为明火区域;
所述矩形特征为:每个连通区域边缘特征、线特征、中心环绕特征、对角线特征及明火内焰、中焰、外焰组合矩形特征;所述提取明火候选区域的矩形特征的方式为:
对明火候选区域使用高斯模版做下采样;
对明火候选区域使用高斯模版做上采样;
对明火候选区域做膨胀运算;
提取矩形特征;
利用积分图像法快速计算每个连通区域的矩形特征,所述矩形特征包括边缘特征、线特征、中心环绕特征、对角线特征及明火内焰、中焰、外焰组合矩形特征,单个矩形特征的值定义为黑色矩形内所有像素值的和减去白色矩形内所有像素值的和,最终提取的矩形特征用如下公式表示:
featureI表示第I个连通区域提取的矩形特征;ωi为第i个矩形的权值;RecSum(ri)为第i个矩形内所有像素值的和;{1,...N}为组成特征featureI的矩 形个数;r=(x,y,w,h,α)为五数组表示候选区域子图中的任意矩形,其中(x,y)为矩形左上角顶点坐标,w、h为矩形的长和宽,α∈{0°,45°}为矩形选择的角度。
2.根据权利要求1所述的基于多色彩模型和矩形特征的明火检测方法,其特征在于,所述检测监控视频当前帧运动区域的方式为:
使用背景差分法,帧间差分法,高斯混合背景模型,光流法的任意一种检测当前帧运动区域。
3.根据权利要求1所述的基于多色彩模型和矩形特征的明火检测方法,其特征在于,所述检测运动区域中每个像素在不同色彩模型下颜色特征的方式为:
统计运动区域在RGB色彩模型下红色通道颜色分量、绿色通道颜色分量、蓝色通道颜色分量;
统计运动区域在HSV色彩模型下色调分量、饱和度分量、亮度分量;
统计各个分量之间的特征关系,判断是否满足明火颜色特征,将满足明火颜色特征的像素点标记为候选像素点。
4.根据权利要求1所述的基于多色彩模型和矩形特征的明火检测方法,其特征在于,所述提取候选区域矩形特征的方式为:
通过运动模型,色彩模型,以及形态学处理提取图像帧中的候选明火区域;
提取候选明火区域的矩形特征;
利用积分图像法快速计算矩形特征值。
5.根据权利要求1所述的基于多色彩模型和矩形特征的明火检测方法,其特征在于,所述构造分类器的构造方式为:
简单矩形特征分类器、简单分类器组合的强分类器、级联分类器中的至少一种。
6.根据权利要求5所述的基于多色彩模型和矩形特征的明火检测方法,其特征在于,所述一种级联分类器的构造方式为:
利用单一的矩形特征构成弱分类器;
用无关的图像数据集训练弱分类器;
根据分类错误率选出最优弱分类器构成强分类器;
重新用样本训练分类器权值输出强分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310752394.1A CN103761529B (zh) | 2013-12-31 | 2013-12-31 | 一种基于多色彩模型和矩形特征的明火检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310752394.1A CN103761529B (zh) | 2013-12-31 | 2013-12-31 | 一种基于多色彩模型和矩形特征的明火检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103761529A CN103761529A (zh) | 2014-04-30 |
CN103761529B true CN103761529B (zh) | 2017-06-13 |
Family
ID=50528764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310752394.1A Expired - Fee Related CN103761529B (zh) | 2013-12-31 | 2013-12-31 | 一种基于多色彩模型和矩形特征的明火检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103761529B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574468B (zh) * | 2014-10-08 | 2020-07-17 | 深圳力维智联技术有限公司 | 视频火焰检测方法、装置及系统 |
CN104463869B (zh) * | 2014-12-05 | 2018-07-17 | 西安交通大学 | 一种视频火焰图像复合识别方法 |
CN104820832B (zh) * | 2015-05-13 | 2018-11-27 | 国家电网公司 | 一种检测视频险情的方法及装置 |
CN106845479B (zh) * | 2017-01-12 | 2020-03-27 | 山东大学 | 一种基于对比色矩形特征的小尺寸车牌检测方法 |
CN107016679B (zh) * | 2017-02-23 | 2019-10-11 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于单张图片的山火检测方法 |
CN108734927B (zh) * | 2018-04-27 | 2020-10-02 | 济南中维世纪科技有限公司 | 一种电子猫眼遮挡报警系统 |
CN108985144B (zh) * | 2018-05-29 | 2022-04-12 | 湖北德强电子科技有限公司 | 一种高效低成本图像火灾自动识别方法及装置 |
CN109035666B (zh) * | 2018-08-29 | 2020-05-19 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火烟检测方法、装置及终端设备 |
CN109919941A (zh) * | 2019-03-29 | 2019-06-21 | 深圳市奥特立德自动化技术有限公司 | 内螺纹缺陷检测方法、装置、系统、设备及介质 |
CN110610474A (zh) * | 2019-07-04 | 2019-12-24 | 上海大学 | 一种基于红外图像的太阳能板缺陷实时检测方法 |
EP4000052A1 (en) | 2019-07-18 | 2022-05-25 | Carrier Corporation | Flame detection device and method |
CN110812753B (zh) * | 2019-09-23 | 2021-07-30 | 重庆特斯联智慧科技股份有限公司 | 具有明火点识别功能的人工智能灭火方法及灭火器设备 |
CN110717419A (zh) * | 2019-09-25 | 2020-01-21 | 浙江万胜智能科技股份有限公司 | 一种从视频图像中提取火焰特征的方法 |
CN110728229B (zh) * | 2019-10-09 | 2023-07-18 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置、设备和存储介质 |
CN111507966B (zh) * | 2020-04-17 | 2024-02-06 | 无锡雪浪数制科技有限公司 | 一种基于unet深度网络的复合材料孔隙检测方法 |
CN112447020B (zh) * | 2020-12-15 | 2022-08-23 | 杭州六纪科技有限公司 | 一种高效实时的视频烟雾火焰检测方法 |
CN112927461B (zh) * | 2021-02-24 | 2023-06-16 | 武汉辰磊科技有限公司 | 一种新能源汽车充电桩预警决策方法及装置 |
CN112926455A (zh) * | 2021-02-26 | 2021-06-08 | 杭州品茗安控信息技术股份有限公司 | 一种明火检测方法、装置、设备及可读存储介质 |
CN113486841A (zh) * | 2021-07-23 | 2021-10-08 | 北京林业大学 | 一种基于视觉的森林雷击火检测方法 |
CN114913323B (zh) * | 2022-07-15 | 2022-11-15 | 东莞先知大数据有限公司 | 一种充电桩区域夜间明火检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101655914A (zh) * | 2008-08-18 | 2010-02-24 | 索尼(中国)有限公司 | 训练装置、训练方法及检测方法 |
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 |
CN103473788A (zh) * | 2013-07-31 | 2013-12-25 | 中国电子科技集团公司第三十八研究所 | 一种基于高清视频图像的室内火灾火焰检测方法 |
-
2013
- 2013-12-31 CN CN201310752394.1A patent/CN103761529B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655914A (zh) * | 2008-08-18 | 2010-02-24 | 索尼(中国)有限公司 | 训练装置、训练方法及检测方法 |
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 |
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 |
CN103473788A (zh) * | 2013-07-31 | 2013-12-25 | 中国电子科技集团公司第三十八研究所 | 一种基于高清视频图像的室内火灾火焰检测方法 |
Non-Patent Citations (3)
Title |
---|
Identificaiton method of forest fire based on color space;Fei Yan et al.;《2010 2nd International Conference on Industrial Mechatronics and Automation》;20100531;第2卷;第448页-第450页 * |
Multi color feature, background subtraction and time frame selection for fire detection;Guruh Fajar Shidik et al.;《2013 International Conference on Robotics,Biomimetics,Intelligent Computational Systems》;20131127;第115页第2栏最后一段-第118页最后一段 * |
基于Adaboost算法的炮弹炸点检测;秦晓燕等;《兵工学报》;20120630;第33卷(第6期);第682页第2栏第1段-第686页第2栏第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN103761529A (zh) | 2014-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103761529B (zh) | 一种基于多色彩模型和矩形特征的明火检测方法和系统 | |
CN105788142B (zh) | 一种基于视频图像处理的火灾检测系统及检测方法 | |
CN105809138B (zh) | 一种基于分块识别的道路警告标志检测与识别方法 | |
CN106682601B (zh) | 一种基于多维信息特征融合的驾驶员违规通话检测方法 | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN110569772B (zh) | 一种泳池内人员状态检测方法 | |
CN110322522B (zh) | 一种基于目标识别区域截取的车辆颜色识别方法 | |
WO2019227954A1 (zh) | 识别交通灯信号的方法、装置、可读介质及电子设备 | |
CN107301405A (zh) | 自然场景下的交通标志检测方法 | |
CN104766071B (zh) | 一种应用于无人驾驶汽车的交通灯快速检测算法 | |
CN105005766B (zh) | 一种车身颜色识别方法 | |
CN108229458A (zh) | 一种基于运动检测和多特征提取的火焰智能识别方法 | |
CN109086687A (zh) | 基于pca降维的hog-mblbp融合特征的交通标志识别方法 | |
CN105160297B (zh) | 基于肤色特征的蒙面人事件自动检测方法 | |
KR101136330B1 (ko) | 노면 상태 판별 장치 및 노면 상태 판별 방법 | |
CN107025652A (zh) | 一种基于运动特性和颜色时空信息的火焰检测方法 | |
CN102880863B (zh) | 一种基于可变形部件模型的车牌及驾驶员人脸定位方法 | |
CN107301375A (zh) | 一种基于稠密光流的视频图像烟雾检测方法 | |
CN105844245A (zh) | 一种伪装人脸检测方法及系统 | |
CN106096603A (zh) | 一种融合多特征的动态火焰检测方法及装置 | |
CN109460764A (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
CN104143077B (zh) | 基于图像的行人目标检索方法和系统 | |
WO2020248515A1 (zh) | 结合帧间差分与贝叶斯分类器的车辆行人检测识别方法 | |
CN110008968A (zh) | 一种基于图像视觉的机器人结算自动触发方法 | |
CN111539311A (zh) | 基于ir和rgb双摄的活体判别方法、装置及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170613 Termination date: 20201231 |
|
CF01 | Termination of patent right due to non-payment of annual fee |