CN104463869B - 一种视频火焰图像复合识别方法 - Google Patents
一种视频火焰图像复合识别方法 Download PDFInfo
- Publication number
- CN104463869B CN104463869B CN201410741201.7A CN201410741201A CN104463869B CN 104463869 B CN104463869 B CN 104463869B CN 201410741201 A CN201410741201 A CN 201410741201A CN 104463869 B CN104463869 B CN 104463869B
- Authority
- CN
- China
- Prior art keywords
- flame
- identified
- image
- pixel
- formula
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Abstract
本发明公开了一种视频火焰图像复合识别方法,属于在环境不适合传统的探测器工作以及在空旷大环境下的火焰识别领域,该方法首先通过对现有的火焰图片进行处理分析,获取对应火焰区域RGB的均值和方差,构建单峰高斯模型,用其检测图片中火焰颜色像素点;使用光流法得到像素点的运动速率大小,使用GBVS模型得到图片中的显著性区域;最后使用最大类方差法对前景目标和背景进行分割,对得到的二值图进行形态学处理,获取最终的识别结果。通过大量的仿真验证,本发明结合了颜色、运动法和显著性区域检测的复合视频火焰区域检测方法可以取得很好的识别火焰效果,并且可以滤除可能存在噪声和对图像边缘进行平滑处理。
Description
技术领域
本发明属于在环境不适合传统的探测器工作以及在空旷大环境下的火焰识别领域,具体涉及一种视频火焰图像复合识别方法。
背景技术
火灾在人们的日常生活中是不可避免的,其对人类的财产和人身安全,以及工业和环境造成的危害不可估量。因而一直以来都在寻找更加合适的处理火灾预警的方式。传统方式如传感器会受到众多因素的干扰影响,并且使用的场合有很大的局限性,对与大库房或者地域空旷的森林,传统的传感器就失去其存在的意义。随着计算机视觉技术的发展和嵌入式设备性能的不断完善,使得运用视频图像进行火灾检测,成为一种趋势。
传统的烟温传感器,主要有三类:独立式:单独的烟感传感器驱动报警电路和判定芯片组成;有线式:通过将烟温传感器分布式布线,集中控制;无线式:通过红外烟雾传感器进行信号传递,集中控制。适合于干扰较小的小厂所,但是对于大场合或者大型仓库没有实际的作用。电子眼的视频监控过分的依赖人,必须时刻要求注视显示屏。
视频图像进行火灾检测领域也有许多现存的方法。如Phillips W等利用色彩视频序列图像中物体的颜色和抖动来确定火焰的存在,沉诗林等提出一种基于图像相关性进行火灾检测的方法以Yamagaishi等提出基于HSV空间和神经网络的色彩图像火焰检测算法,对静态图像判别较好,没有利用动态特征。袁菲牛提出的通过度量火焰轮廓信息,在频谱内进行分析对火焰进行识别,能够准确度量图像的时空闪烁特征,张本矿等提出神经网络和模糊函数相结合的方法,通过神经网络学习功能,自动生成隶属度函数,但是算法复杂,在嵌入式系统中实现困难。
大量的文献表明,一些火焰识别算法没有考虑到多种情况下的火焰识别;一些火焰识别算法足够的复杂、识别率低以及识别的响应时间较长等原因,并不能很好的满足我们对火焰识别的高识别率和低延时响应的要求。
发明内容
本发明的目的在于针对现有技术的不足,提出了一种视频火焰图像复合识别方法,并且取得了很好的识别效果。
为实现上述目的,本发明采用如下技术方案:
一种视频火焰图像复合识别方法,包括以下步骤:
1)收集含有火焰区域的图片并标记火焰区域,统计火焰区域的火焰像素点值,得到火焰区域的RGB各分量的均值和方差,构造单峰高斯模型;
2)利用单峰高斯模型对待识别预处理图像中每个像素点利用公式(1)和公式(2)得到相应的高斯概率,把高斯概率小于第一设定阈值的像素点设为0,高斯概率大于等于第一设定阈值的像素点设为1,得到待识别预处理图像的颜色图;
式中,pi为某一个分量图Ii(x,y)对应像素点的高斯概率;
Ii(x,y)为待识别预处理图像在RGB模型中的某一个分量图,x、y分别为待识别预处理图像中矩阵坐标的横坐标和纵坐标;
μi为对应单峰高斯模型的均值;
σi为对应单峰高斯模型的方差;
式中,p(I(x,y))为某一像素点I(x,y)的高斯概率;
pi(Ii(x,y))为公式(1)计算得到的分量概率;
3)由待识别预处理图像及其前一帧图像计算得到光流场,对光流场中每个像素点的运动速度进行处理,把运动速度小于第二设定阈值的像素点设为0,运动速度大于等于第二设定阈值的像素点设为1,得到待识别预处理图像的运动图;
4)利用GBVS模型对待识别预处理图像检测其显著性区域,得到待识别预处理图像的显著性图;
5)将通过单峰高斯模型获得的颜色图、通过光流场获得的运动图以及基于GBVS模型获取的显著性图结合,并将三幅图像素点都为1的像素设为1,其他的设为0,得到二值图;
6)对二值图进行形态学操作以平滑边缘和填补空洞,得到最终的火焰识别结果。
本发明进一步的改进在于,步骤2)公式(1)中,由不少于400幅火焰图片,将其中的火焰区域标记出来,对其中火焰像素进行统计计算,得到均值和方差。
本发明进一步的改进在于,第一设定阈值的取值为0.001~0.007。
本发明进一步的改进在于,在步骤3)中,设在时刻t时,待识别预处理图像前一帧图像中点(x,y)处的灰度值为I(x,y,t),在dt时刻后移动到待识别预处理图像中点(x+dx,y+dy)处,则相应的灰度值为I(x+dx,y+dy,t+dt);由于时间间隔dt小于40ms,则有
I(x+dx,y+dy,t+dt)=I(x,y,t) (3)
将公式(3)左边项使用泰勒级数展开,当dx→0,dy→0,dt→0时,得到下式:
结合上述公式(3)和(4)得到:
公式(5)等式两边同时除以dt即得:
令则上式写为:
Ixu+Iyv+It=0 (7)
式中,(u,v)表示待识别预处理图像中像素的速度矢量,(这就是最基本的光流方程,在一个方程中有两个未知量,解的个数是无穷多个,所以需要其他条件来唯一确定(u,v);)假定在空间中局部领域内速度矢量是相同或一致的,然后使用加权的最小二乘法来得到矢量场,即光流场,对光流场中每个像素点的运动速度进行处理,把运动速度小于第二设定阈值的像素点设为0,运动速度大于等于第二设定阈值的像素点设为1,得到待识别预处理图像的运动图。
本发明进一步的改进在于,在步骤4)中,选择基于光流法的运动检测并结合图像显著性分析来提取视频中的运动区域;GBVS模型为:假设给定特征图目标为计算得到待识别预处理图像的显著图则两个节点(i,j)和(p,q)之间距离定义为:
式中,M(i,j)为使得点(i,j)在显著图中显著于其周围点;
M(p,q)为使得点(p,q)在显著图中显著于其周围点;
把特征图中的每两个点两两连接起来得到一个全连通有向图GA,对从点(i,j)到点(p,q)的边赋予权重
式中,σ为无量纲,其取值为待识别预处理图像宽度的1/10~1/5;
这样节点间的权重与节点之间的差异程度和在特征图中的远近成比例;在全连通有向图GA上定义一个马尔科夫链,并且把从节点出去的边的权重归一化,得到马尔科夫链的平衡分布,它反映了随机游走点在节点经过的频率,显著值由特征图中节点两两对比得到;最后对显著值图整体归一化得到待识别预处理图像的显著性图。
与现有技术相比,本发明具有如下的优点:
1、本发明克服了传统火焰识别手段对于环境等干扰因素的高要求,并且其能够很好的对大环境如广场厂房、森林火焰的识别。
2、本发明采用单峰高斯模型,较之于采用颜色经验值进行的火焰识别手段具有更好的鲁棒性。
3、本发明结合显著性区域检测,能够改善只有颜色图和运动图的火焰识别中存在的非火焰像素。
4、本发明在对火焰区域识别方法不仅能够有效检测火焰区域,并且能够去除噪声点的影响,不需要再进行去噪处理。
综上所述,本发明结合颜色检测、光流法检测和显著性区域检测的视频火焰识别方法,能够满足对不同场景下不同运动形式的火焰视频进行准确检测,包括远景和近景,摄像机固定和运动等。
附图说明
图1为本发明一种视频火焰图像复合识别方法的流程图;
图2为构造单峰高斯模型所需要参数的RGB高斯曲线;
图3为采用光流法对运动目标检测的运动图,其中,图3(a)为第n帧运动图,图3(b)为第n+1帧运动图,图3(c)为光流法检测结果图;
图4为采用GBVS模型对火焰区域识别的显著性区域图,其中,图4(a)为第一幅火焰图像,图4(b)为第一幅火焰图像的显著图,图4(c)为第二幅火焰图像,图4(d)为第二幅火焰图像的显著图;
图5为复合算法的最终识别效果图;其中,图5(a)为火焰图片,图5(b)为运动速率图,图5(c)为颜色概率图,图5(d)为显著图,图5(e)为最终识别结果图,图5(f)为对比图。
具体实施方式
以下结合附图与具体实施方式对本发明的技术方案作进一步阐述说明。
本发明一种视频火焰图像复合识别方法,使用单峰高斯模型检测图像中的火焰颜色像素点,使用光流法得到像素点运动速率大小,使用GBVS模型得到图片中的显著性区域。使用最大类方差法对前景目标和背景进行分割,得到火焰区域二值图。最终采用形态学对二值图像进行处理,滤除可能存在的噪声和对图像边缘进行平滑处理,取得很好的识别火焰效果。通过颜色获取的疑似火焰区域中,可能存在不是火焰的像素。因为基于颜色的火焰像素提取,会遇到与火焰颜色相近的物体。然而火焰区域受燃烧材质和环境的影响,火焰区域无时无刻不在发生变化,利用火焰区域这一特性可以很好的定位火焰位置。由于背景差分法易受光线的变化,背景中含有轻微扰动的对象时,不能进行复杂环境下的运动目标检测,而背景构建法需要计算量较大,不能够达到实时性的要求。进而选择光流法进行运动目标检测。为了满足对不同场景下不同运动形式的火焰视频进行准确检测,包括远景和近景,摄像机固定和运动等,选择基于光流法的运动检测并结合图像显著性分析来提取视频中的运动区域。本发明实施流程参考图1,具体原理解释说明如下:
1)获取初步的颜色图。收集含有火焰区域的图片并标记火焰区域,统计火焰区域的火焰像素点值,得到火焰区域的RGB各分量的均值和方差,构造单峰高斯模型(参见图2),利用单峰高斯模型对待识别预处理图像中每个像素点利用公式(1)和公式(2)得到相应的高斯概率,把高斯概率小于第一设定阈值的像素点设为0,高斯概率大于等于第一设定阈值的像素点设为1,得到待识别预处理图像的颜色图;
式中,pi为某一个分量图Ii(x,y)对应像素点的高斯概率;
Ii(x,y)为待识别预处理图像在RGB模型中的某一个分量图,x、y分别为待识别预处理图像中矩阵坐标的横坐标和纵坐标;
μi为对应单峰高斯模型的均值;
σi为对应单峰高斯模型的方差;
式中,p(I(x,y))为某一像素点I(x,y)的高斯概率;
pi(Ii(x,y))为公式(1)计算得到的分量概率。
2)获取运动图。设在时刻t时,待识别预处理图像前一帧图像中点(x,y)处的灰度值为I(x,y,t),在dt时刻后移动到待识别预处理图像中点(x+dx,y+dy)处,则相应的灰度值为I(x+dx,y+dy,t+dt);由于时间间隔dt小于40ms,则有
I(x+dx,y+dy,t+dt)=I(x,y,t) (3)
将公式(3)左边项使用泰勒级数展开,当dx→0,dy→0,dt→0时,得到下式:
结合上述公式(3)和(4)得到:
公式(5)两边同时除以dt即得:
令则上式写为:
Ixu+Iyv+It=0 (7)
式中,(u,v)表示待识别预处理图像中像素的速度矢量,这就是最基本的光流方程,在一个方程中有两个未知量,解的个数是无穷多个,所以需要其他条件来唯一确定速度矢量(u,v)。假定在空间中局部领域内速度矢量应该是相同或一致的,然后使用加权的最小二乘法来得到矢量场,即光流场,对光流场中每个像素点的运动速度进行处理,把运动速度小于第二设定阈值的像素点设为0,运动速度大于等于第二设定阈值的像素点设为1,得到待识别预处理图像的运动图。如图3所示,可以看出很好的实现了运动目标的检测。
3)获取显著性区域图。选择基于光流法的运动检测并结合图像显著性分析来提取视频中的运动区域;GBVS模型为:给定特征图目标为计算得到待识别预处理图像的显著图则两个节点(i,j)和(p,q)之间距离可以定义为:
式中,M(i,j)为使得点(i,j)在显著图中显著于其周围点;
M(p,q)为使得点(p,q)在显著图中显著于其周围点;
把特征图中的每两个点两两连接起来就可以得到一个全连通有向图GA,对从点(i,j)到点(p,q)的边赋予权重
式中,σ为无量纲,其取值为待识别预处理图像宽度的1/10~1/5;
这样节点间的权重与节点之间的差异程度和在特征图中的远近成比例。在全连通有向图GA上定义一个马尔科夫链,并且把从节点出去的边的权重归一化,就可以得到马尔科夫链的平衡分布,它反映了随机游走点在节点经过的频率,显著值可以由特征图中节点两两对比得到。最后对显著值图整体归一化即可得到待识别预处理图像的显著性图。仿真结果如图4。
4)将通过单峰高斯模型获得的颜色图、通过光流场获得的运动图以及基于GBVS模型获取的显著性图结合,并将三幅图像素点都为1的像素设为1,其他的设为0,得到二值图。对二值图进行形态学操作以平滑边缘和填补空洞,得到最终的火焰识别结果。仿真结果如图5所示。
实施例1:
遵循本发明的技术方案,该实施例中构建单峰高斯模型需要的均值和方差由大量的统计得到,均值和方差分别为 为了获取更多的火焰像素,本实施例采取均值和方差分别为u±5,σ±5。同时获取颜色图的阈值越小能够检测到的火焰像素越准确,但是不可避免的获取到的火焰像素会越少,因而本实施例采取阈值为0.001~0.007。
参见图5,以图5(a)图片作为原始输入图像,通过单峰高斯模型得到图5(c)颜色概率图,通过光流法得到图5(b)运动速率图,通过显著性区域检测得到图5(d)显著图,将三者结合得到图5(e)最终结果图,将运动速率图和颜色概率图结合得到图5(f)对比图,对比图是结合运动图和颜色图的识别结果,用于凸显显著图的重要性。
Claims (4)
1.一种视频火焰图像复合识别方法,其特征在于,包括以下步骤:
1)收集含有火焰区域的图片并标记火焰区域,统计火焰区域的火焰像素点值,得到火焰区域的RGB各分量的均值和方差,构造单峰高斯模型;
2)利用单峰高斯模型对待识别预处理图像中每个像素点利用公式(1)和公式(2)得到相应的高斯概率,把高斯概率小于第一设定阈值的像素点设为0,高斯概率大于等于第一设定阈值的像素点设为1,得到待识别预处理图像的颜色图;
式中,pi为某一个分量图Ii(x,y)对应像素点的高斯概率;
Ii(x,y)为待识别预处理图像在RGB模型中的某一个分量图,x、y分别为待识别预处理图像中矩阵坐标的横坐标和纵坐标;
μi为对应单峰高斯模型的均值;
σi为对应单峰高斯模型的方差;
式中,p(I(x,y))为某一像素点I(x,y)的高斯概率;
pi(Ii(x,y))为公式(1)计算得到的分量概率;
3)由待识别预处理图像及其前一帧图像计算得到光流场,对光流场中每个像素点的运动速度进行处理,把运动速度小于第二设定阈值的像素点设为0,运动速度大于等于第二设定阈值的像素点设为1,得到待识别预处理图像的运动图;
4)利用GBVS模型对待识别预处理图像检测其显著性区域,得到待识别预处理图像的显著性图;选择基于光流法的运动检测并结合图像显著性分析来提取视频中的运动区域;GBVS模型为:假设给定特征图目标为计算得到待识别预处理图像的显著图则两个节点(i,j)和(p,q)之间距离定义为:
式中,M(i,j)为使得点(i,j)在显著图中显著于其周围点;
M(p,q)为使得点(p,q)在显著图中显著于其周围点;
把特征图中的每两个点两两连接起来得到一个全连通有向图GA,对从点(i,j)到点(p,q)的边赋予权重
式中,σ为无量纲,其取值为待识别预处理图像宽度的1/10~1/5;
这样节点间的权重与节点之间的差异程度和在特征图中的远近成比例;在全连通有向图GA上定义一个马尔科夫链,并且把从节点出去的边的权重归一化,得到马尔科夫链的平衡分布,它反映了随机游走点在节点经过的频率,显著值由特征图中节点两两对比得到;最后对显著值图整体归一化得到待识别预处理图像的显著性图;
5)将通过单峰高斯模型获得的颜色图、通过光流场获得的运动图以及基于GBVS模型获取的显著性图结合,并将三幅图像素点都为1的像素设为1,其他的设为0,得到二值图;
6)对二值图进行形态学操作以平滑边缘和填补空洞,得到最终的火焰识别结果。
2.如权利要求1所述的一种视频火焰图像复合识别方法,其特征在于,步骤1)中,由不少于400幅火焰图片,将其中的火焰区域标记出来,对其中火焰像素进行统计计算,得到均值和方差。
3.如权利要求1或2所述的一种视频火焰图像复合识别方法,其特征在于,步骤2)中,第一设定阈值的取值为0.001~0.007。
4.如权利要求1所述的一种视频火焰图像复合识别方法,其特征在于,在步骤3)中,设在时刻t时,待识别预处理图像前一帧图像中点(x,y)处的灰度值为I(x,y,t),在dt时刻后移动到待识别预处理图像中点(x+dx,y+dy)处,则相应的灰度值为I(x+dx,y+dy,t+dt);由于时间间隔dt小于40ms,则有
I(x+dx,y+dy,t+dt)=I(x,y,t) (3)
将公式(3)左边项使用泰勒级数展开,当dx→0,dy→0,dt→0时,得到下式:
结合上述公式(3)和(4)得到:
公式(5)两边同时除以dt即得:
令则上式写为:
Ixu+Iyv+It=0 (7)
式中,(u,v)表示待识别预处理图像中像素的速度矢量,假定在空间中局部领域内速度矢量是相同或一致的,然后使用加权的最小二乘法来得到矢量场,即光流场,对光流场中每个像素点的运动速度进行处理,把运动速度小于第二设定阈值的像素点设为0,运动速度大于等于第二设定阈值的像素点设为1,得到待识别预处理图像的运动图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410741201.7A CN104463869B (zh) | 2014-12-05 | 2014-12-05 | 一种视频火焰图像复合识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410741201.7A CN104463869B (zh) | 2014-12-05 | 2014-12-05 | 一种视频火焰图像复合识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463869A CN104463869A (zh) | 2015-03-25 |
CN104463869B true CN104463869B (zh) | 2018-07-17 |
Family
ID=52909851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410741201.7A Expired - Fee Related CN104463869B (zh) | 2014-12-05 | 2014-12-05 | 一种视频火焰图像复合识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463869B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871115B (zh) * | 2016-11-01 | 2021-05-04 | 中国科学院沈阳自动化研究所 | 一种基于图像的海底热液喷口的识别方法 |
US10152627B2 (en) | 2017-03-20 | 2018-12-11 | Microsoft Technology Licensing, Llc | Feature flow for video recognition |
CN108154152B (zh) * | 2017-12-15 | 2021-03-23 | 中国大唐集团科学技术研究院有限公司火力发电技术研究所 | 一种火焰测温方法 |
CN108492517A (zh) * | 2018-03-06 | 2018-09-04 | 深圳智达机械技术有限公司 | 一种用于楼宇的火灾监控系统 |
CN110084160B (zh) * | 2019-04-16 | 2021-08-10 | 东南大学 | 一种基于运动和亮度显著性特征的视频森林烟火检测方法 |
CN110110667B (zh) * | 2019-05-08 | 2022-09-23 | 广东工业大学 | 一种硅藻图像的处理方法、系统及相关组件 |
CN110334685A (zh) * | 2019-07-12 | 2019-10-15 | 创新奇智(北京)科技有限公司 | 火焰检测方法、火焰检测模型训练方法、存储介质及系统 |
CN110826559B (zh) * | 2019-11-01 | 2022-04-22 | 北京工业大学 | 基于视觉感知的火炬烟尘监测方法 |
CN116540178B (zh) * | 2023-04-28 | 2024-02-20 | 广东顺德西安交通大学研究院 | 一种音视频融合的噪声源定位方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150856A (zh) * | 2013-02-28 | 2013-06-12 | 江苏润仪仪表有限公司 | 火灾火焰视频监测预警系统及火灾火焰检测方法 |
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 |
CN103514430A (zh) * | 2012-06-29 | 2014-01-15 | 华为技术有限公司 | 检测火焰的方法和装置 |
CN103761529A (zh) * | 2013-12-31 | 2014-04-30 | 北京大学 | 一种基于多色彩模型和矩形特征的明火检测方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110058706A1 (en) * | 2008-05-08 | 2011-03-10 | Utc Fire & Secunity | System and method for video detection of smoke and flame |
-
2014
- 2014-12-05 CN CN201410741201.7A patent/CN104463869B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514430A (zh) * | 2012-06-29 | 2014-01-15 | 华为技术有限公司 | 检测火焰的方法和装置 |
CN103150856A (zh) * | 2013-02-28 | 2013-06-12 | 江苏润仪仪表有限公司 | 火灾火焰视频监测预警系统及火灾火焰检测方法 |
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 |
CN103761529A (zh) * | 2013-12-31 | 2014-04-30 | 北京大学 | 一种基于多色彩模型和矩形特征的明火检测方法和系统 |
Non-Patent Citations (1)
Title |
---|
时空视觉选择性注意机制的视频火焰检测;杜静等;《计算机辅助设计与图形学学报》;20140331;第26卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104463869A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463869B (zh) | 一种视频火焰图像复合识别方法 | |
CN109522819B (zh) | 一种基于深度学习的火灾图像识别方法 | |
CN110135269B (zh) | 一种基于混合颜色模型与神经网络的火灾图像检测方法 | |
CN108764142A (zh) | 基于3dcnn的无人机影像森林烟雾检测和分类方法 | |
CN110569772B (zh) | 一种泳池内人员状态检测方法 | |
CN102201146B (zh) | 基于主动红外视频的零照度环境火灾烟雾识别方法 | |
CN109886130A (zh) | 目标对象的确定方法、装置、存储介质和处理器 | |
CN106529419B (zh) | 视频显著性堆栈式聚合的对象自动检测方法 | |
CN107657244B (zh) | 一种基于多摄像机的人体跌倒行为检测系统及其检测方法 | |
CN107679503A (zh) | 一种基于深度学习的人群计数算法 | |
CN102567722B (zh) | 一种基于码本模型和多特征的早期烟雾检测方法 | |
CN109711322A (zh) | 一种基于rfcn的人车分离方法 | |
CN110232379A (zh) | 一种车辆姿态检测方法及系统 | |
CN109241896A (zh) | 一种通道安全检测方法、装置及电子设备 | |
CN108648211A (zh) | 一种基于深度学习的小目标检测方法、装置、设备和介质 | |
CN111985365A (zh) | 一种基于目标检测技术的秸秆焚烧监测方法和系统 | |
CN106846375A (zh) | 一种应用于自主灭火机器人的火焰检测方法 | |
CN107301375A (zh) | 一种基于稠密光流的视频图像烟雾检测方法 | |
CN105469427B (zh) | 一种用于视频中目标跟踪方法 | |
CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
Cai et al. | Intelligent video analysis-based forest fires smoke detection algorithms | |
CN109670517A (zh) | 目标检测方法、装置、电子设备和目标检测模型 | |
CN102340620B (zh) | 基于马氏距离的视频图像背景检测方法 | |
CN106295657A (zh) | 一种视频数据结构化过程中提取人体高度特征的方法 | |
CN112270381A (zh) | 基于深度学习的人流量检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180717 Termination date: 20201205 |