CN106408846A - 基于视频监控平台的图像火灾检测方法 - Google Patents
基于视频监控平台的图像火灾检测方法 Download PDFInfo
- Publication number
- CN106408846A CN106408846A CN201611068303.2A CN201611068303A CN106408846A CN 106408846 A CN106408846 A CN 106408846A CN 201611068303 A CN201611068303 A CN 201611068303A CN 106408846 A CN106408846 A CN 106408846A
- Authority
- CN
- China
- Prior art keywords
- image
- connected domain
- flame
- fire
- detection
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 239000000779 smoke Substances 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000003068 static effect Effects 0.000 claims abstract description 3
- 238000001914 filtration Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 12
- 230000004048 modification Effects 0.000 claims description 11
- 238000012986 modification Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000013016 damping Methods 0.000 claims description 2
- 238000010191 image analysis Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种基于视频监控平台的图像火灾检测方法。包括对输入的视频码流进行格式转换;原硬盘录像机中实时转码提取数字码流后,再利用火灾图像探测服务器进行识别,确定有火灾进行报警。进行视频流的预处理;对视频流进行运动检测,获得运动像素;将符合条件的运动像素进行连通域提取;对各个连通域进行多层颜色检测,保留具有火焰和烟雾特征颜色的连通域;对符合火焰颜色特征的连通域计算相应的面积改变量和中心移动速率,进行动态改变量的分析;对符合烟雾颜色特征的连通域进行小波变换,提取高频分量,计算高频分量的衰减度;对各个连通域进行周长和面积的计算,进行静态形状分析;最后判断火灾是否发生。降低误报率。
Description
技术领域
本发明涉及一种基于视频监控平台的图像火灾检测方法,特别适用于火灾预警领域。
背景技术
随着我国安全城市、安全社区、绿色消防等全新理念的提出,各种视频检测方法已经在国内的大中城市里得到了大规模的推广,现在城市中的各主要建筑、公共区域均已安装了视频监控。因此,利用现有的视频监控平台的图像火灾检测方法来弥补现有的一些城市建筑中的消防火灾报警的不足,就成为必然选择,介绍了一种基于视频监控平台的图像火灾检测方法,通过采集现有的视频监控的图像进行图像模式识别分析即可实现火灾报警。
因此,图像火灾报警检测方法是国际上近年来新出现的一种火灾报警趋势,和传统的火灾报警检测方法相比,不仅探测速度快,投资少,而且方便消防值班人员对于火情的确认。我们开发的图像火灾检测方法充分发挥了这一方法的技术优势,创立了一种全新的思路,更能适应现在中国的市场需求,是未来国内外消防报警行业的主要发展方向。
发明内容
针对上述现有技术限制和不足,本发明提供一种基于视频监控平台的图像火灾检测方法,将视频监控平台和图像模式识别技术相结合,可以有效地检测火灾。
为了解决上述技术问题,本发明基于视频监控平台的图像火灾检测方法予以实现的技术方案是:其中,视频监控平台的架构至少包括多个摄像头、显示器、硬盘录像机、录像文件、实时转码提取数字码流和火灾图像探测服务器,其特征在于,检测方法包括以下步骤:
1)由多个摄像头拍摄的画面经过线缆同时传给所述显示器和所述硬盘录像机,所述显示器直接显示上述画面,同时,所述硬盘录像机将接收到的模拟信号转变为YUV信号,并将上述YUV信号编码并以录像文件形式存储在硬盘录像机中;另外,通过网络将该YUV信号传送给计算机系统进行检测处理,将YUV信号转为待处理的色彩空间的信号;
2)进行视频流的预处理:对经过转码的视频画面进行高斯滤波和中值滤波,以消除引入的环境噪声的干扰;
3)对视频流进行运动检测,获得运动像素:对经过预处理的图像,使用三帧帧差法进行运动检测;利用不断更新的背景图像及帧与帧之间的相关性分离出背景图像和前景图像;
4)对运动像素进行连通域提取:对分离出的前景图像进行二值化处理,再通过腐蚀和膨胀算法对聚集在一处像素点之间欧氏距离小于3个像素的像素区进行处理,再通过边界链码提取的方法实现连通域的提取,并对每个连通域做以标记;
5)对各个标记的连通域进行多层颜色检测,保留具有火焰和烟雾特征颜色的连通域:
对各连通域进行亮度检测,寻找符合火焰和烟雾共有颜色属性的亮度区间,不符合则舍去,对符合火焰和烟雾共有颜色属性条件的连通域再进行颜色检测,进一步判断符合火焰颜色特征条件的连通域,进入下一步的火焰检测阶段;而其余连通域则进行烟雾检测阶段;
6)对进入火焰检测阶段的连通域计算相应的面积改变量和中心移动速率,进行动态改变量的分析:计算对相应连通域的相邻数帧之间的面积变化量和中心移动速率,以利用火焰的位置不变性和自身的面积不断变化的特性,判断其是否符合火焰的动态特征,对于符合火焰动态特征的连通域,进入下一步检测阶段;
7)对符合烟雾颜色特征的连通域进行小波变换,提取高频分量,计算高频分量的衰减度:计算对相应连通域的小波变换后的高频分量的衰减比率,通过对比当前图像的前景和背景高频分量的衰减比值判断是否符合烟雾特征,对于符合烟雾特征条件的连通域,进入下一步检测阶段;
8)对分别符合上述6)步骤和7)步骤的连通域进行周长C和面积S的计算,进行静态形状分析:计算各个连通域的周长C和面积S,继而计算出表征图像复杂程度的圆形度D的值,连通域的圆形度D表示为:
D=C2/4πS
若D>1,则该连通域的图像具有火焰或烟雾,确定有火灾发生,进行报警。
优选地,从原硬盘录像机中实时转码提取数字码流后,再利用安装有视频图像分析识别软件的火灾图像探测服务器进行识别,确定有火灾发生,进行报警。优选地,步骤4)中:设选定的背景帧用b(x,y)表示,其后所来的每一帧可表示为f(x,y,i),其中x,y分别表示图像的横坐标和纵坐标,而i表示的所来帧序列的序数。当图像序列中的第i帧与设定的背景帧做灰度上的相减时便得到一个差分图像:
d(x,y,i)=f(x,y,i)-b(x,y)
当此灰度差分图像的某点像素值大于阈值T时,即将此点置1,否则置0,由此便得到了一个由阈值T控制的二值化图像:
在此二值化图像X(x,y)中,被置为1的点即为目标区域像素,而被置为0的点即为背景区域像素。
优选地,步骤5)中:火焰像素在RGB色彩空间下的数学表达式为:
基于火焰像素在RGB颜色空间下RGB分量所具有的统计特性,其火焰在燃烧的过程中不可避免地也会在饱和度上表现出一定的特性。某点的饱和度的量化表达式为:
优选地,步骤6)中:硬盘录像机形成的标准YUV图像数据必须转换为色彩空间的图像转化为RGB图像以方便后续处理。其内在的转化原理,是基于以下的色彩空间的转化公式:
完成了YUV420的码流数据向IplImage型图像结构的转换,作为火灾图像处理算法在实际监控方法中的应用基础。
优选地,步骤7)中:连续小波变换的定义可用公式表示为:
在公式中,a用来控制缩放的倍数,体现了其频率信息,故a又称为缩放因子,b用来控制其平移的位置,体现了其时空信息,故b又被称为平移因子,ψ(x)即可称为小波函数,有时又称其为母小波,作为基本变换之用,而意味着ψ(x)的复共轭。
此外,图像火灾报警检测方法是国际上近年来新出现的一种火灾报警趋势,和传统的火灾报警检测方法相比,不仅探测速度快,投资少,而且方便消防值班人员对于火情的确认。我们开发的图像火灾检测方法充分发挥了这一方法的技术优势,创立了一种全新的思路,更能适应现在中国的市场需求,是未来国内外消防报警行业的主要发展方向。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明检测方法所搭载的视频监控系统框图;
图2是本发明基于视频监控平台的图像火灾检测方法的流程图;
图3是本发明三帧差法算法过程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。附图为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
具体实施例,请参阅图1、图2、图3,本发明基于视频监控平台的图像火灾检测方法,本发明采用的视频监控平台的架构包括多个摄像头、显示器、硬盘录像机、录像文件、实时转码提取数字码流和火灾图像探测服务器,其特征在于,检测方法包括以下步骤:
1)码流转换:
由多个摄像头拍摄的画面经过线缆同时传给所述显示器11和所述硬盘录像机12;所述显示器11直接显示上述画面,同时,所述硬盘录像机12将接收到的模拟信号转变为YUV信号,并将上述YUV信号编码并以录像文件形式存储在硬盘录像机中13。另外,通过网络将该YUV信号传送给计算机系统进行检测处理,如图2所示,将YUV(亮度和色差)信号转为待处理的RGB色彩空间的信号;其转换公式为:
R=Y+1.14V
G=Y-0.39U-0.58V
B=Y+0.23U
由于视频监控画面相当于实时码流是实时刷新的,即:相当于不小于25帧/秒的刷新速度,而将YUV信号转为待处理的RGB信号以及后续算法的总耗时无法满足火灾监测实时性要求,故采用关键帧(隔帧)提取技术,每隔10帧提取一帧进行处理。相对较短的时候不会发生突变,即每秒25帧的视频画面中存在着大量的数据冗余,合理的减少此种数据冗余,既可以保证本方法满足视频监控平台实时处理的需求,同时又降低了对处理器运算能力的要求,并且有后续的背景更新算法作为保障,完全能够满足在火灾检测可靠性方面的需求。
从原硬盘录像机中实时转码提取数字码流后,再利用安装有视频图像分析识别软件的火灾图像探测服务器进行识别,确定有火灾发生,进行报警。
完成数字码流转换后,将上述YUV信号进行编码,编码存成录像文件的形式13,如图1所示。
2)视频流的预处理:
进行视频流的预处理是为了剔除拍摄过程中摄像机引入的环境噪声,避免影响最终的判断结果。考虑到处理速度和准确性的权衡,采用高斯滤波和中值滤波相结合的方式,即对经过转码的视频画面进行高斯滤波和中值滤波,以消除引入的环境噪声的干扰;
高斯滤波此处采用3×3的高斯掩模,把掩模M(u,v)与输入图像I(x,y)进行卷积运算,输出的图像I*(x,y)便为除噪后的结果:
I(x,y)*M(u,v)=I*(x,y)
其中:u,v∈{0,1,2}。
而中值滤波实际上是用一个活动窗口沿着图像进行移动,窗口中心位置的像素灰度用滤波后的窗口中心位置的灰度值代替。中值滤波假定噪声是以孤立形式存在,与之对应的像素相对较少,消除随机噪声比较有效。中值滤波在降噪的同时还能在一定程度上保持边缘细节信息。中值滤波由下式给出:
y(i,j)=med{I(i+s,j+r)(r,s)∈W}
其中,I(i,j)代表待处理的图像,W表示滤波窗口,此处取3×3大小,r,s∈{0,1,2},med即进行中值滤波的运算,而y(i,j)即为经中值滤波处理后的图像。
3)视频流的运动检测:
获得运动像素,对经过预处理的图像,使用三帧帧差法进行运动检测;利用不断更新的背景图像及帧与帧之间的相关性分离出背景图像和前景图像。
运动检测的关键是成功分离出前景和背景。运用三帧差分法寻找运动像素。设f(x,y,t-1),f(x,y,t),f(x,y,t+1)分别为图像序列中待处理的相邻3帧,用帧差法处理的差分后的图像为:
D1(x,y,Δt)=f(x,y,t)-f(x,y,t-1)
D2(x,y,Δt)=f(x,y,t+1)-f(x,y,t)
D1(x,y,Δt)为第t帧图像与第t-1帧图像的差分后的图像,D2(x,y,Δt)为第t+1帧图像与第t帧图像的差分后的图像,D(x,y,Δt)为D1(x,y,Δt)与D2(x,y,Δt)相或的图像,即经过三帧差分后的图像。对此结果用固定阈值做二值化处理,凡像素点亮度超过此阈值则设为白色,低于此阈值则设为黑色,得到只有黑与白两种亮度的差分图像,其中白色像素即为所需要的运动像素。此种方法运算简单,效率较高,能快速找出运动变化明显的部分,适用于火焰检测;而对于烟雾,虽然自身运动缓慢,但是由于之前采用了隔帧提取技术,由于多帧间隔的缘故,相邻处理帧仍存在较大的差异,故此方法同样适用。
4)对运动像素进行连通域提取:
对分离出的前景图像进行二值化处理,得到二值化的差分图像后,先进行形态学上的滤波,再通过腐蚀和膨胀算法对聚集在一处像素点之间欧氏距离小于3个像素的像素区进行处理,将差分图像时遗存的小的噪点和微小区域滤除,只保留符合面积要求的连通区域,再通过边界链码提取的方法实现连通域的提取,即,遍历二值化图像,将聚集于一定范围内的白色像素认为是一个连通域,以搜索最外层轮廓的方式将每个连通域以最小外接矩形的方式存储,将各个连通域以自然数形式标号存入链表,方便后续使用。至此即获取差分图像的所有连通域信息。
选定了一帧图像作为背景,而其他后续所来的每一帧都与此背景帧做差值,然后判断所得差值的阈值,若大于阈值范围,则判定为前景像素,若小于阈值范围,则判定为背景像素。一般地,设选定的背景帧用b(x,y)表示,其后所来的每一帧可表示为f(x,y,i),其中x,y分别表示图像的横坐标和纵坐标,而i表示的所来帧序列的序数。当图像序列中的第i帧与设定的背景帧做灰度上的相减时便得到一个差分图像:
d(x,y,i)=f(x,y,i)-b(x,y)
当此灰度差分图像的某点像素值大于阈值T时,即将此点置1,否则置0,由此便得到了一个由阈值T控制的二值化图像:
在此二值化图像X(x,y)中,被置为1的点即为目标区域像素,而被置为0的点即为背景区域像素。
如图3所示,三帧差法的算法过程。
5)进行多层颜色检测:
对标记的各个连通域首先进行亮度信息检测,记亮度值为I,寻找符合火焰和烟雾共有颜色属性的亮度区间,符合火焰和烟雾共有颜色属性的亮度区间的条件为连通域中有50%像素点的亮度值I满足:Il<I<Ih(5-1)
公式(5-1)中,Il表示符合火焰和烟雾共有颜色属性的亮度区间的条件下限亮度值,Ih表示符合火焰和烟雾共有颜色属性的亮度区间的条件上限亮度值。
对不符合上述公式(5-1)条件的连通域则舍去,对符合上述判断条件公式(5-1)的连通域再利用公式(5-2)进行颜色检测,
R>RT
R>G+Th1(5-2)
G>B+Th2
公式(5-2)中,R、G、B分别为像素点的红色、绿色和蓝色分量,RT为设定的符合条件的红色阈值,Th1,Th2为设定的符合条件的常数值,Th1和Th2均取值为40;
若连通域中有40%像素点满足上述公式(5-2),则认为此连通域符合火焰颜色特征,进而进行下一步的火焰检测阶段;而其余连通域则利用公式(5-3)判断是否进行烟雾检测,
(Imax-Imin)<T(5-3)
公式(5-3)中,Imax和Imin分别为像素点的红色、绿色和蓝色分量中的最大值和最
小值,T为设定的符合条件的较小的常数值,T取值为80。
将符合上述公式(5-3)的条件则连通域进行烟雾检测步骤,其余不满足条件的连通域则舍去。
最终,保留具有火焰和烟雾特征颜色的连通域。
无论是在明亮环境下还是昏暗环境下,火焰像素的红色分量值都在130以上;在明亮环境下,由于光线充足的原因,火焰的红色分量多在130左右徘徊;而在昏暗环境中,由于火焰所能提供的亮度相对纯粹,甚至有一般的可能性其红色分量会达到160以上。
无论是在明亮环境下还是昏暗环境下,火焰像素的红色分量值要大于它的绿色分量值和蓝色分量值,而绿色分量值和蓝色分量值表现得并不规律,绿色分量值和蓝色分量值并不像红色分量有一个较明确的下限值,但多数情况下,绿色分量值要大于相同位置上的蓝色分量值,尤其是在靠近火焰中心区域的情况下,这种规律体现得尤为明显。
在明亮环境下,红色分量,绿色分量,蓝色分量三色分布范围较宽,而在昏暗环境下,红色分量,绿色分量,蓝色分量则分布得相对集中。
基于以上分析,不难得出火焰像素在RGB色彩空间下的数学表达式为:
基于火焰像素在RGB颜色空间下RGB分量所具有的统计特性,其火焰在燃烧的过程中不可避免地也会在饱和度上表现出一定的特性。某点的饱和度的量化表达式为:
6)计算面积改变量和中心移动速率:
对上述符合火焰颜色特征的连通域进行面积改变量和中心移动速率的计算,在计算面积改变量时将前一帧对应位置的连通域的面积记为St-1,计算面积可用该连通域的白色像素点数表示;而当前帧的对应位置的连通域的面积标记为St,同样,计算面积可用该连通域的白色像素点数表示。于是相邻帧间的面积改变量为ΔS/t=(St-St-1)/Δt。以利用火焰的位置不变性和自身的面积不断变化的特性,判断其是否符合火焰的动态特征,若Tl<ΔS<Th,(Tl为面积改变量的下限值,Th为面积改变量的上限值)则认为此连通域为疑似火焰区域,进行进一步判断,否则舍去。
对疑似火焰区域的连通域继续进行中心移动速率的判断。由于之前对连通域提取时是以最小外接矩形的方式存储,可以很方便地获得该连通域的中心,即最小外接矩形的中心,设为c(x,y)。考查对应连通域前一帧的中心ct-1(x,y),及当前帧的对应连通域的中心ct(x,y),则相邻帧的中心位移改变量为Δc/t=ct(x,y)-ct-1(x,y)/Δt。可以存储连续多帧之间对应连通域的中心位移改变量,取得其平均值为若(其中,Tmov为符合条件的较小数值),则认为其符合火焰的动态特征,进行下一步检测,若不符合则舍去。
硬盘录像机形成的标准YUV图像数据必须转换为色彩空间的图像转化为RGB图像以方便后续处理。其内在的转化原理,是基于以下的色彩空间的转化公式:
至此,即完成了YUV420的码流数据向IplImage型图像结构的转换,方便了后续算法的处理,也为火灾图像处理算法在实际监控中的应用提供了基础。
7)计算烟雾的高频衰减性:
对符合烟雾颜色特征的连通域图像进行小波变换,考察高频特性。小波分析是一种时间-尺度(时间-频率)的分析方法,在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率。每一级分解均会产生表示图像比较粗糙(低频图像)和比较精细(高频图像)的小波系数,一幅图像可以分解成一幅低分辨率图像和分辨率由低到高的表示图像细节的许多子图像。由于烟雾对图像细节具有衰减性,故而考虑提取其高频部分,对其进行分析。
小波分析采用二维离散小波,首先给定一个二维尺度和平移基函数:
其中j为频域的参数,而m,n为时域的参数,控制着小波基时域的转移,i={H,V,D}其中H代表水平方向,V代表垂直方向,D代表对角线方向。
而尺寸为M×N的函数f(x,y)的离散小波变换为:
其中,j0是任意的开始尺度,m,n为时域的偏移量,系数定义了在尺度j0的函数f(x,y)的近似。系数对于j≥j0附加了水平、垂直和对角方向的细节。
对图像做二维小波变换后可以将图像变换为四幅长宽各为原图像四分之一的子图像,分别为只具有低频分量的一副子图像(LL)及具有高频分量的三幅子图像(HL,LH,HH)。这三幅子图像包含了水平、垂直和对角方向的细节信息。如果图像中有烟雾遮挡,则被遮挡物体的边缘会变得模糊,对应的能量值也会有所衰减。
将当前帧分离出的前景图像和背景图像中符合条件的连通域分别做小波变换,则对应位置像素(x,y)的前景能量值可以定义为en(x,y):
en(x,y)=|HL n(x,y)|2+|LH n(x,y)|2+|HH n(x,y)|2(7-1)
公式(7-1)中,HL n表示前景图像像素(x,y)的水平方向的边缘信息,LH n表示前景图像像素(x,y)的垂直方向的边缘信息,HH n表示前景图像像素(x,y)的对角方向的边缘信息;
当前帧的背景图像某位置像素(x,y)的能量值定义为e bn(x,y):
e bn(x,y)=|HL bn(x,y)|2+|LH bn(x,y)|2+|HH bn(x,y)|2(7-2)公式(7-2)中,HL bn表示背景图像像素(x,y)的水平方向的边缘信息,LH bn表示背景图像像素(x,y)的垂直方向的边缘信息,HH bn表示背景图像像素(x,y)的对角方向的边缘信息。
若对应连通域边缘位置有50%像素符合:0<T1e bn(x,y)<en(x,y)<T2e bn(x,y),其中0<T1<T2<1,则认为该连通域图像符合烟雾特征,进入下一步检测,若不符合则舍去。
单纯基于烟雾的颜色特征判断,还是会产生一定程度上的误检,这是因为上述基于烟雾颜色特征提炼出的公式判断条件可以保证单色特性,故还需从烟雾的频率特性入手,以区别于其他的纯色干扰物体。
当考虑到频率特性时,不可避免地会考虑用傅里叶变换或小波变换,这都是将图像从时域信息转变为频域信息的工具。此处选用小波变化,因为其快速离散变换更适合于处理烟雾图像。
小波变换,小波变换较傅里叶变换的优点在于它开辟的窗口大小是随着频率的高低自行变化的,而不像傅里叶变换过程中窗口大小恒定不变那样,具有多层分辨率解析的能力,更加灵活。连续小波变换的定义可用公式表示为:
在公式中,a用来控制缩放的倍数,体现了其频率信息,故a又称为缩放因子,b用来控制其平移的位置,体现了其时空信息,故b又被称为平移因子,ψ(x)即可称为小波函数,有时又称其为母小波,作为基本变换之用,而意味着ψ(x)的复共轭。
烟雾的高频衰减特征,观察实际的有烟雾存在的图像,不难发现,在烟雾慢慢缓慢产生至浓度不断增加的过程中,烟雾在逐渐模糊其所遮挡位置的边缘轮廓及诸多细节信息,而这在小波变换中恰好对应的是高频信息的不断衰减,在利用高斯混合背景建模后,可以很自然地得到图像的前景区域和图像的背景区域,若对二者的对应位置分别作小波变换的话即可对比出细节信息的衰弱程度。事实上,在一幅图像中,细节信息蕴藏在高频信号当中,而对于一层的二维离散小波变换而言,高频信息又分布在HL,LH,HH三个区域,即将此三部分的高频分量值累加起来即可得到总的细节分量,故像素(x,y)的高频能量值en(x,y)可用公式来表示:
en(x,y)=|HLn(x,y)|2+|LHn(x,y)|2+|HHn(x,y)|2
烟雾的形态复杂度,在烟雾的形成过程中,由于气流的扰动及其自身运动的不规则性,其所呈现的形状也是复杂多变的,但是在复杂变化的同时又不难发现,随着烟雾浓度的加大,烟雾内部渐渐不再清晰可见,只表现为烟雾外部的羽流特性,故当具有足够的烟雾浓度的时候,烟雾的形状又会变得很具有规律性,故此处可以借用上一章测度火焰形状复杂度特征的表达式同样地来测度烟雾的形态学特征:
其复杂度C'的数学表达式为:
其中L为此物体的周长,A为此物体的面积,当面积一定时,周长越小,表明形状越简单,而周长越长则意味着边缘形状越复杂,即当C'>1时其形状越不规则。
但是借此公式来表征符合烟雾特征条件的疑似区域时,可以发现,烟雾累积到一定浓度时,复杂度将不再无限上升,将C'稳定在一个范围之内,经过大量实验发现C'取值稳定在3<C'<40这个范围之内,故以此作为判据,当符合此条件时将其归入为疑似烟雾区域,否则将其排除。
8)对连通域进行圆形度检测:对上述分别符合上述6)步骤和7)步骤的连通域首先分别计算对应连通域的周长,即直接用Canny算子提取连通域的边缘信息,然后直接计算连通域边缘上的白色像素点的个数可认为是此连通域的周长C。然后计算对应连通域的面积S,将之前提取了边缘信息的连通域进行封闭填充,均填充为白色像素,计算此封闭连通域中的白色像素点的个数,可认为是此连通域的面积S。连通域的圆形度D可表示为:
D=C2/4πS
当D>1时,可认为形状不规则,由于火焰与烟雾都具有形状不规则形,故而符合此特征。将包含符合以上特征检测的连通域的图像判定为具有火焰或烟雾,进行报警。
尽管上面结合图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以作出很多变形,如对于采用数字摄像机组成的监控而言,只需减少模拟信号向数字信号变化的过程,依然可用本专利的方法进行处理,这些均属于本发明的保护之内。
Claims (6)
1.一种基于视频监控平台的图像火灾检测方法,其中,视频监控平台的架构至少包括多个摄像头、显示器、硬盘录像机、录像文件、实时转码提取数字码流和火灾图像探测服务器,其特征在于,检测方法包括以下步骤:
1)由多个摄像头拍摄的画面经过线缆同时传给所述显示器和所述硬盘录像机,所述显示器直接显示上述画面,同时,所述硬盘录像机将接收到的模拟信号转变为YUV信号,并将上述YUV信号编码并以录像文件形式存储在硬盘录像机中;另外,通过网络将该YUV信号传送给计算机进行检测处理,将YUV信号转为待处理的色彩空间的信号;
2)进行视频流的预处理:对经过转码的视频画面进行高斯滤波和中值滤波,以消除引入的环境噪声的干扰;
3)对视频流进行运动检测,获得运动像素:对经过预处理的图像,使用三帧帧差法进行运动检测;利用不断更新的背景图像及帧与帧之间的相关性分离出背景图像和前景图像;
4)对运动像素进行连通域提取:对分离出的前景图像进行二值化处理,再通过腐蚀和膨胀算法对聚集在一处像素点之间欧氏距离小于3个像素的像素区进行处理,再通过边界链码提取的方法实现连通域的提取,并对每个连通域做以标记;
5)对各个标记的连通域进行多层颜色检测,保留具有火焰和烟雾特征颜色的连通域:
首先对各连通域进行亮度检测,寻找符合火焰和烟雾共有颜色属性的亮度区间,不符合则舍去,对符合火焰和烟雾共有颜色属性条件的连通域再进行颜色检测,进一步判断符合火焰颜色特征条件的连通域,进入下一步的火焰检测阶段;而其余连通域则进行烟雾检测阶段;
6)对进入火焰检测阶段的连通域计算相应的面积改变量和中心移动速率,进行动态改变量的分析:计算对相应连通域的相邻数帧之间的面积变化量和中心移动速率,以利用火焰的位置不变性和自身的面积不断变化的特性,判断其是否符合火焰的动态特征,对于符合火焰动态特征的连通域,进入下一步检测阶段;
7)对符合烟雾颜色特征的连通域进行小波变换,提取高频分量,计算高频分量的衰减度:计算对相应连通域的小波变换后的高频分量的衰减比率,通过对比当前图像的前景和背景高频分量的衰减比值判断是否符合烟雾特征,对于符合烟雾特征条件的连通域,进入下一步检测阶段;
8)对分别符合上述6)步骤和7)步骤的连通域进行周长C和面积S的计算,进行静态形状分析:计算各个连通域的周长C和面积S,继而计算出表征图像复杂程度的圆形度D的值,连通域的圆形度D表示为:
D=C2/4πS
若D>1,则该连通域的图像具有火焰或烟雾,确定有火灾发生,进行报警。
2.根据权利要求1所述基于视频监控平台的图像火灾检测方法,其特征在于,从原硬盘录像机中实时转码提取数字码流后,再利用安装有视频图像分析识别软件的火灾图像探测服务器进行识别,确定有火灾发生,进行报警。
3.根据权利要求1所述基于视频监控平台的图像火灾检测方法,其特征在于,步骤4)中:设选定的背景帧用b(x,y)表示,其后所来的每一帧可表示为f(x,y,i),其中x,y分别表示图像的横坐标和纵坐标,而i表示的所来帧序列的序数。当图像序列中的第i帧与设定的背景帧做灰度上的相减时便得到一个差分图像:
d(x,y,i)=f(x,y,i)-b(x,y)
当此灰度差分图像的某点像素值大于阈值T时,即将此点置1,否则置0,由此便得到了一个由阈值T控制的二值化图像:
在此二值化图像X(x,y)中,被置为1的点即为目标区域像素,而被置为0的点即为背景区域像素。
4.根据权利要求1所述基于视频监控平台的图像火灾检测方法,其特征在于,步骤5)中:火焰像素在RGB色彩空间下的数学表达式为:
基于火焰像素在RGB颜色空间下RGB分量所具有的统计特性,其火焰在燃烧的过程中不可避免地也会在饱和度上表现出一定的特性。某点的饱和度的量化表达式为:
5.根据权利要求1所述基于视频监控平台的图像火灾检测方法,其特征在于,步骤6)中:硬盘录像机形成的标准YUV图像数据必须转换为色彩空间的图像转化为RGB图像以方便后续处理。其内在的转化原理,是基于以下的色彩空间的转化公式:
完成了YUV420的码流数据向IplImage型图像结构的转换,作为火灾图像处理算法在实际监控方法中的应用基础。
6.根据权利要求1所述基于视频监控平台的图像火灾检测方法,其特征在于,步骤7)中:连续小波变换的定义可用公式表示为:
在公式中,a用来控制缩放的倍数,体现了其频率信息,故a又称为缩放因子,b用来控制其平移的位置,体现了其时空信息,故b又被称为平移因子,ψ(x)即可称为小波函数,有时又称其为母小波,作为基本变换之用,而意味着ψ(x)的复共轭。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611068303.2A CN106408846A (zh) | 2016-11-29 | 2016-11-29 | 基于视频监控平台的图像火灾检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611068303.2A CN106408846A (zh) | 2016-11-29 | 2016-11-29 | 基于视频监控平台的图像火灾检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106408846A true CN106408846A (zh) | 2017-02-15 |
Family
ID=58083162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611068303.2A Pending CN106408846A (zh) | 2016-11-29 | 2016-11-29 | 基于视频监控平台的图像火灾检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408846A (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146364A (zh) * | 2017-07-05 | 2017-09-08 | 贵州大学 | 基于实时嵌入式的火灾监测系统及方法 |
CN107225570A (zh) * | 2017-04-20 | 2017-10-03 | 深圳前海勇艺达机器人有限公司 | 智能机器人的避障方法及装置 |
CN107301375A (zh) * | 2017-05-26 | 2017-10-27 | 天津大学 | 一种基于稠密光流的视频图像烟雾检测方法 |
CN108279287A (zh) * | 2018-02-01 | 2018-07-13 | 李绍辉 | 基于通信技术的烟雾快速散发系统 |
WO2018176624A1 (en) * | 2017-03-28 | 2018-10-04 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for fire detection |
CN108694801A (zh) * | 2018-06-21 | 2018-10-23 | 华能国际电力股份有限公司海门电厂 | 一种火灾预警智能识别平台系统 |
CN108765461A (zh) * | 2018-05-29 | 2018-11-06 | 北大青鸟环宇消防设备股份有限公司 | 一种消防火灾图像块提取和识别方法及其装置 |
CN109145689A (zh) * | 2017-06-28 | 2019-01-04 | 南京理工大学 | 一种机器人火灾检测方法 |
CN109448306A (zh) * | 2017-08-28 | 2019-03-08 | 霍尼韦尔国际公司 | 使用火灾重演技术的针对火焰检测器的远程诊断 |
CN109466362A (zh) * | 2018-12-07 | 2019-03-15 | 中能易电新能源技术有限公司 | 充电桩安全监测系统 |
CN109598193A (zh) * | 2018-10-25 | 2019-04-09 | 安徽新浩信息科技有限公司 | 一种基于人工智能的火焰图像识别方法 |
CN110175616A (zh) * | 2019-05-15 | 2019-08-27 | 南京庆峰和智能科技有限公司 | 一种基于颜色的试卷图像答案自动提取方法 |
CN110287783A (zh) * | 2019-05-18 | 2019-09-27 | 天嗣智能信息科技(上海)有限公司 | 一种视频监控图像人形识别方法 |
CN110427927A (zh) * | 2019-09-29 | 2019-11-08 | 恒大智慧科技有限公司 | 高空坠物的拦截方法、拦截控制系统以及存储介质 |
CN111144337A (zh) * | 2019-12-30 | 2020-05-12 | 河北科技大学 | 火灾检测方法、装置及终端设备 |
CN111860324A (zh) * | 2020-07-20 | 2020-10-30 | 北京华正明天信息技术股份有限公司 | 基于小波变换的高频分量检测及色彩识别的火灾预警方法 |
CN111914818A (zh) * | 2020-09-21 | 2020-11-10 | 北京林业大学 | 一种基于多帧离散置信度森林火灾烟雾根节点检测方法 |
CN112052744A (zh) * | 2020-08-12 | 2020-12-08 | 成都佳华物链云科技有限公司 | 一种环境检测模型训练方法、环境检测方法及装置 |
CN112133052A (zh) * | 2020-09-22 | 2020-12-25 | 岭澳核电有限公司 | 核电厂图像火灾探测方法 |
CN112200805A (zh) * | 2020-11-11 | 2021-01-08 | 北京平恒智能科技有限公司 | 一种工业品图像目标提取及缺陷判断方法 |
CN112330597A (zh) * | 2020-10-14 | 2021-02-05 | 浙江大华技术股份有限公司 | 一种图像差异检测方法、装置及计算机设备 |
CN112396796A (zh) * | 2020-10-19 | 2021-02-23 | 浙江理工大学 | 一种基于计算机视觉的火灾自动识别预警监控系统 |
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 |
CN113074575A (zh) * | 2021-02-22 | 2021-07-06 | 江苏华塔冷却技术有限公司 | 一种冷却塔控制方法及冷却塔控制系统 |
CN113361504A (zh) * | 2021-08-10 | 2021-09-07 | 南京邮电大学 | 一种基于无人机协同组网的边缘群体智能方法 |
CN113643497A (zh) * | 2020-05-11 | 2021-11-12 | 广东毓秀科技有限公司 | 一种基于地铁设备着火烟雾识别系统 |
CN113689650A (zh) * | 2021-09-07 | 2021-11-23 | 广州邦讯信息系统有限公司 | 基于监控摄像头的森林防火烟雾检测方法及系统 |
CN116824514A (zh) * | 2023-08-30 | 2023-09-29 | 四川弘和数智集团有限公司 | 一种目标识别方法、装置、电子设备及存储介质 |
CN117152906A (zh) * | 2023-11-01 | 2023-12-01 | 福建阿古电务数据科技有限公司 | 一种基于人工智能的视频图像火灾报警系统 |
CN117789394A (zh) * | 2023-12-14 | 2024-03-29 | 营口世纪电子仪器股份有限公司 | 一种基于运动历史图像的早期火灾烟雾检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11144167A (ja) * | 1997-11-06 | 1999-05-28 | Nohmi Bosai Ltd | 火災検出装置 |
CN1979576A (zh) * | 2005-12-07 | 2007-06-13 | 浙江工业大学 | 基于全方位视觉传感器的火灾监控装置 |
CN102663869A (zh) * | 2012-04-23 | 2012-09-12 | 国家消防工程技术研究中心 | 基于视频监控平台的室内火灾检测方法 |
-
2016
- 2016-11-29 CN CN201611068303.2A patent/CN106408846A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11144167A (ja) * | 1997-11-06 | 1999-05-28 | Nohmi Bosai Ltd | 火災検出装置 |
CN1979576A (zh) * | 2005-12-07 | 2007-06-13 | 浙江工业大学 | 基于全方位视觉传感器的火灾监控装置 |
CN102663869A (zh) * | 2012-04-23 | 2012-09-12 | 国家消防工程技术研究中心 | 基于视频监控平台的室内火灾检测方法 |
Non-Patent Citations (1)
Title |
---|
王猛: ""基于视频监控平台的火灾图像检测算法研究"", 《万方硕士论文数据库》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11532156B2 (en) | 2017-03-28 | 2022-12-20 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for fire detection |
WO2018176624A1 (en) * | 2017-03-28 | 2018-10-04 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for fire detection |
CN107225570A (zh) * | 2017-04-20 | 2017-10-03 | 深圳前海勇艺达机器人有限公司 | 智能机器人的避障方法及装置 |
CN107301375B (zh) * | 2017-05-26 | 2020-03-06 | 天津大学 | 一种基于稠密光流的视频图像烟雾检测方法 |
CN107301375A (zh) * | 2017-05-26 | 2017-10-27 | 天津大学 | 一种基于稠密光流的视频图像烟雾检测方法 |
CN109145689A (zh) * | 2017-06-28 | 2019-01-04 | 南京理工大学 | 一种机器人火灾检测方法 |
CN107146364A (zh) * | 2017-07-05 | 2017-09-08 | 贵州大学 | 基于实时嵌入式的火灾监测系统及方法 |
CN109448306B (zh) * | 2017-08-28 | 2021-11-09 | 霍尼韦尔国际公司 | 使用火灾重演技术的针对火焰检测器的远程诊断 |
CN109448306A (zh) * | 2017-08-28 | 2019-03-08 | 霍尼韦尔国际公司 | 使用火灾重演技术的针对火焰检测器的远程诊断 |
US11138852B2 (en) | 2017-08-28 | 2021-10-05 | Honeywell International Inc. | Remote diagnostics for flame detectors using fire replay technique |
CN108279287A (zh) * | 2018-02-01 | 2018-07-13 | 李绍辉 | 基于通信技术的烟雾快速散发系统 |
CN108765461B (zh) * | 2018-05-29 | 2022-07-12 | 青鸟消防股份有限公司 | 一种消防火灾图像块提取和识别方法及其装置 |
CN108765461A (zh) * | 2018-05-29 | 2018-11-06 | 北大青鸟环宇消防设备股份有限公司 | 一种消防火灾图像块提取和识别方法及其装置 |
CN108694801A (zh) * | 2018-06-21 | 2018-10-23 | 华能国际电力股份有限公司海门电厂 | 一种火灾预警智能识别平台系统 |
CN109598193A (zh) * | 2018-10-25 | 2019-04-09 | 安徽新浩信息科技有限公司 | 一种基于人工智能的火焰图像识别方法 |
CN109466362A (zh) * | 2018-12-07 | 2019-03-15 | 中能易电新能源技术有限公司 | 充电桩安全监测系统 |
CN110175616A (zh) * | 2019-05-15 | 2019-08-27 | 南京庆峰和智能科技有限公司 | 一种基于颜色的试卷图像答案自动提取方法 |
CN110287783A (zh) * | 2019-05-18 | 2019-09-27 | 天嗣智能信息科技(上海)有限公司 | 一种视频监控图像人形识别方法 |
CN110427927A (zh) * | 2019-09-29 | 2019-11-08 | 恒大智慧科技有限公司 | 高空坠物的拦截方法、拦截控制系统以及存储介质 |
CN111144337A (zh) * | 2019-12-30 | 2020-05-12 | 河北科技大学 | 火灾检测方法、装置及终端设备 |
CN113643497A (zh) * | 2020-05-11 | 2021-11-12 | 广东毓秀科技有限公司 | 一种基于地铁设备着火烟雾识别系统 |
CN111860324A (zh) * | 2020-07-20 | 2020-10-30 | 北京华正明天信息技术股份有限公司 | 基于小波变换的高频分量检测及色彩识别的火灾预警方法 |
CN112052744B (zh) * | 2020-08-12 | 2024-02-09 | 成都佳华物链云科技有限公司 | 一种环境检测模型训练方法、环境检测方法及装置 |
CN112052744A (zh) * | 2020-08-12 | 2020-12-08 | 成都佳华物链云科技有限公司 | 一种环境检测模型训练方法、环境检测方法及装置 |
CN111914818B (zh) * | 2020-09-21 | 2024-05-24 | 北京林业大学 | 一种基于多帧离散置信度森林火灾烟雾根节点检测方法 |
CN111914818A (zh) * | 2020-09-21 | 2020-11-10 | 北京林业大学 | 一种基于多帧离散置信度森林火灾烟雾根节点检测方法 |
CN112133052A (zh) * | 2020-09-22 | 2020-12-25 | 岭澳核电有限公司 | 核电厂图像火灾探测方法 |
CN112330597A (zh) * | 2020-10-14 | 2021-02-05 | 浙江大华技术股份有限公司 | 一种图像差异检测方法、装置及计算机设备 |
CN112396796A (zh) * | 2020-10-19 | 2021-02-23 | 浙江理工大学 | 一种基于计算机视觉的火灾自动识别预警监控系统 |
CN112200805A (zh) * | 2020-11-11 | 2021-01-08 | 北京平恒智能科技有限公司 | 一种工业品图像目标提取及缺陷判断方法 |
CN113074575B (zh) * | 2021-02-22 | 2022-06-07 | 江苏华塔冷却技术有限公司 | 一种冷却塔控制方法及冷却塔控制系统 |
CN113074575A (zh) * | 2021-02-22 | 2021-07-06 | 江苏华塔冷却技术有限公司 | 一种冷却塔控制方法及冷却塔控制系统 |
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 |
CN113361504B (zh) * | 2021-08-10 | 2021-11-16 | 南京邮电大学 | 一种基于无人机协同组网的边缘群体智能方法 |
CN113361504A (zh) * | 2021-08-10 | 2021-09-07 | 南京邮电大学 | 一种基于无人机协同组网的边缘群体智能方法 |
CN113689650A (zh) * | 2021-09-07 | 2021-11-23 | 广州邦讯信息系统有限公司 | 基于监控摄像头的森林防火烟雾检测方法及系统 |
CN116824514A (zh) * | 2023-08-30 | 2023-09-29 | 四川弘和数智集团有限公司 | 一种目标识别方法、装置、电子设备及存储介质 |
CN116824514B (zh) * | 2023-08-30 | 2023-12-08 | 四川弘和数智集团有限公司 | 一种目标识别方法、装置、电子设备及存储介质 |
CN117152906A (zh) * | 2023-11-01 | 2023-12-01 | 福建阿古电务数据科技有限公司 | 一种基于人工智能的视频图像火灾报警系统 |
CN117152906B (zh) * | 2023-11-01 | 2024-01-23 | 福建阿古电务数据科技有限公司 | 一种基于人工智能的视频图像火灾报警系统 |
CN117789394A (zh) * | 2023-12-14 | 2024-03-29 | 营口世纪电子仪器股份有限公司 | 一种基于运动历史图像的早期火灾烟雾检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408846A (zh) | 基于视频监控平台的图像火灾检测方法 | |
CN102663869B (zh) | 基于视频监控平台的室内火灾检测方法 | |
CN107944359B (zh) | 基于视频的火焰检测方法 | |
CN103714325B (zh) | 基于嵌入式系统的遗留物和遗失物实时检测方法 | |
CN107016691B (zh) | 基于超像素特征的运动目标检测方法 | |
CN109145689A (zh) | 一种机器人火灾检测方法 | |
CN107085714B (zh) | 一种基于视频的森林火灾检测方法 | |
CN110210360B (zh) | 一种基于视频图像目标识别的跳绳计数方法 | |
EP0634873A2 (en) | Method to determine the motion vectors in small picture segments of a television picture | |
CN106096603A (zh) | 一种融合多特征的动态火焰检测方法及装置 | |
CN110390673B (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN109919053A (zh) | 一种基于监控视频的深度学习车辆停车检测方法 | |
CN109255326A (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
CN104318537B (zh) | 大雨场景视频数据中雨滴的检测和去除方法及系统 | |
CN109657597A (zh) | 面向个体直播场景的异常行为检测方法 | |
CN106934819A (zh) | 一种提高图像中运动物体检测精度的方法 | |
CN108280409A (zh) | 一种基于多特征融合的大空间视频烟雾检测方法 | |
CN106373096A (zh) | 一种多特征权值自适应的阴影消除方法 | |
CN110414342A (zh) | 一种基于视频图像处理技术的运动人体检测识别方法 | |
CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
CN106570885A (zh) | 基于亮度和纹理融合阈值的背景建模方法 | |
TW201032180A (en) | Method and device for keeping image background by multiple gauss models | |
CN111860324A (zh) | 基于小波变换的高频分量检测及色彩识别的火灾预警方法 | |
CN115690693A (zh) | 一种建筑吊篮的智能监控系统及监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |
|
RJ01 | Rejection of invention patent application after publication |