CN107045723A - 基于透射率动态检测的烟雾识别方法 - Google Patents
基于透射率动态检测的烟雾识别方法 Download PDFInfo
- Publication number
- CN107045723A CN107045723A CN201710141779.2A CN201710141779A CN107045723A CN 107045723 A CN107045723 A CN 107045723A CN 201710141779 A CN201710141779 A CN 201710141779A CN 107045723 A CN107045723 A CN 107045723A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- value
- transmissivity
- albedo
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
公开了本发明基于透射率动态检测的烟雾识别方法。本发明采用ViBe算法对监控视频中的每一帧图像进行背景更新,能够精确提取前景图像;基于不依赖于光线变化的透射率图像和大气散射模型,获取前景图像的反照率图像,能够避免场景中光线变化和其他运动事物对识别结果的影响;根据待匹配图像与反照率图像对应像素的相似值,进行相关分析,能够精确定位烟雾位置。
Description
技术领域
本发明涉及图像处理、光电技术领域,尤其涉及基于透射率动态检测的烟雾识别方法。
背景技术
以下对本发明的相关技术背景进行说明,但这些说明并不一定构成本发明的现有技术。
火灾是人类最常见的严重灾害之一,但是和其他自然灾害相比,火灾所带来的危害是可以降低的。为了能够减少火灾造成的伤害,其中最重要的就是尽早对火灾的发生给予预警。火灾前期因为燃料通常不能够充分燃烧,经常伴有烟雾的出现,因此烟雾可以作为火灾发生的前兆。随着工业的发展,基于可见光的视频监控已经成为保护人们安全生活的重要手段,而其本身的成本低、分辨率高、范围广、无接触的优点使其广泛用于火灾预警系统。因此基于视频的烟雾检测是一个重要的研究和应用方向。
对于视频中的烟雾检测,目前已经存在很多检测算法,主要是通过提取烟雾的视觉特征,如颜色、边缘和纹理等,但这些特征都是依赖于可见光图像的原始信息,所以严重依赖于外界光源和图像中其他运动事物的变化,造成算法抗干扰性不高,错报率和漏报率较高,系统的鲁棒性不强。因此找到一种不依赖于场景中光线变化和不受其他运动事物影响的烟雾检测系统是今后的一个主要研究方向。
发明内容
本发明的目的在于提出基于透射率动态检测的烟雾识别方法,能够精确识别烟雾位置,并且识别结果不依赖于场景中的光线变化和其他运动事物的影响。
本发明基于透射率动态检测的烟雾识别方法,包括:
S1、采用ViBe算法对监控视频中的每一帧图像进行背景更新,提取前景图像;
S2、基于透射率图像和大气散射模型,获取前景图像的反照率图像;
S3、针对待匹配图像中的每个像素,获取该像素与反照率图像对应像素的相似值,当所述相似值超过预设的相似阈值时,判定所述像素为烟雾。
优选地,步骤S1包括:
S11、背景模型表示:定义I(x)为欧式空间中位于x处的像素值,I1、I2、…、IN为选取的样本像素,N为背景样本的数量,则像素x处对应的背景模型M(x)如下式所示:M(x)={I1,I2,…,IN};
S12、背景模型初始化:在第一帧图像中从像素x的八邻域NG(x)里随机选取N个像素值存放到背景模型的N个背景样本中,定义M0(x)作为第一帧图像的背景模型:M0(x)={I0(y)|y∈NG(x)};y为八邻域NG(x)内的任意一个像素;
S13、像素分类:对于任意一帧图像,定义SR(I(x))是以像素x为中心、距离R为半径的集合,当该帧图像的背景模型M(x)与SR(I(x))的交集大于设定阈值#min时,判定像素I(x)为背景像素;
S14、采用ViBe算法进行背景更新:若像素I(x)被分类为背景像素,以设定概率从像素I(x)的背景模型M(x)中随机选取一个背景样本Ik,然后用I(x)来替代;以设定概率从像素x邻域的背景模型MG(x)中随机选取一个背景样本Ik,然后用I(x)来替代。
优选地,所述设定阈值#min=2;和/或,所述设定概率为1/16;和/或,距离R=20。
优选地,步骤S14之后进一步包括:对步骤S14得到的二值化图像进行开运算,并对开运算后的二值化图像进行连通域标记,以标记出的连通域作为前景图像。
优选地,前景图像的反照率图像为:
式中,ρ(x)为欧式空间中像素x处的反照率,I(x)为像素x的像素值,A为天空亮度估计值,t(x)为像素x处的透射率估计值。
优选地,对于任意一帧图像,按照如下步骤确定天空亮度估计值:
对于每一个像素x,对像素x处的最小颜色分量进行最小值滤波,得到像素x的亮度值,记为Θ(x);对像素x处的灰度分量进行边缘提取,对边缘图像E(x)进行分块统计,计算以像素x为中心的邻域内边缘像素数占邻域总像素数的比例,记为Nedge(x);
若像素x的亮度值大于以设定亮度阈值Tv、Nedge(x)小于设定平坦阈值,判定像素x位于候选天空区域;
对候选天空区域标记连通分量,选取图像上方的一个连通分量作为天空区域,将天空区域中的最大像素值确定为天空亮度估计值A。
优选地,设定亮度阈值Tv=0.95×Θmax(x);其中,Θmax(x)为该帧图像的各个像素对应的Θ(x)的最大值。
优选地,对于任意一帧图像,按照如下步骤确定像素x处的透射率估计值:
以像素x在R,G,B三个通道中的最小透射率作为像素x处的透射率粗化估计值
利用高斯型双边滤波对透射率粗化估计值进行平滑处理,获取像素x处的透射率细化估计值tb(x),该tb(x)作为像素x处的透射率估计值:
式中,Wb为归一化系数,
σs为空域高斯模板的尺寸,σr为值域高斯函数的尺度,z为集合SR(I(x))内的任意一个像素。
优选地,对于任意一帧待匹配图像,基于图像灰度值确定待匹配图像中每个像素与反照率图像对应像素的相似值:
式中,D(i,j)为待匹配图像中像素(i,j)与反照率图像对应像素的相似值;M×N为待匹配图像的匹配块尺寸;S(i+s-1,j+t-1)为待匹配图像中像素(i,j)处的反照率;T(s,t)为反照率图像中像素(i,j)处的反照率。
优选地,预设的相似阈值为50。
本发明基于透射率动态检测的烟雾识别方法,采用ViBe算法对监控视频中的每一帧图像进行背景更新,能够精确提取前景图像;基于不依赖于光线变化的透射率图像和大气散射模型,获取前景图像的反照率图像,能够避免场景中光线变化和其他运动事物对识别结果的影响;根据待匹配图像与反照率图像对应像素的相似值,进行相关分析,能够精确定位烟雾位置。
附图说明
通过以下参照附图而提供的具体实施方式部分,本发明的特征和优点将变得更加容易理解,在附图中:
图1是示出本发明基于透射率动态检测的烟雾识别方法的流程示意图;
图2是本发明优选实施例中待匹配图像的示意图;
图3是本发明优选实施例中边缘图像的示意图;
图4是本发明优选实施例中标记出天空区域的待匹配图像示意图;
图5是本发明优选实施例中利用高斯型双边滤波处理后得到的透射率图像示意图;
图6是本发明优选实施例中采用ViBe算法进行运动检测得到的运动检测图像示意图;
图7是本发明优选实施例中进行开运算和连通域标记后得到的前景图像示意图;
图8是本发明优选实施例中待匹配图像的烟雾识别结果示意图。
具体实施方式
下面参照附图对本发明的示例性实施方式进行详细描述。对示例性实施方式的描述仅仅是出于示范目的,而绝不是对本发明及其应用或用法的限制。
在计算机视觉和计算机图形中,下述方程所描述的大气散射模型被广泛使用:
I(x)=Aρ(x)e-βd(x)+A(1-e-βd(x)) (1)
其中:I(x)是像素x的像素值,A是大气光,β是大气散射系数,ρ(x)和d(x)分别是像素x处的场景反照率和景深,其中像素x处的透射率t(x)=1-e-βd(x),我们看到的无遮挡自然图像J(x)=Aρ(x)。
方程右边的第一项J(x)(1-t(x))叫做直接衰减项。由于大气粒子的散射作用,目标表面反射光中的一部分因散射而损失,未被散射的部分直接到达成像传感器,到达的光强随着传播距离的增大而呈指数衰减。第二项At(x)则是大气光成分,这是因为大气粒子对自然光的散射引起大气表现出光源的特性。
大气散射模型阐释了在物体透过烟雾的成像机理。根据模型的意义分析可知,反映大气透射率的量t(x)只是大气散射系数和景深函数而是不受大气光照的影响,而烟雾和场景中其他运动的物体是影响原有场景中透过率的根本原因。本发明基于不依赖于光线变化的透射率图像进行烟雾识别,能够避免场景中光线变化和其他运动事物对识别结果的影响,完整准确地识别烟雾位置。
参见图1,本发明基于透射率动态检测的烟雾识别方法,包括:
S1、采用ViBe算法对监控视频中的每一帧图像进行背景更新,提取前景图像;
S2、基于透射率图像和大气散射模型,获取前景图像的反照率图像;
S3、针对待匹配图像中的每个像素,获取该像素与反照率图像对应像素的相似值,当所述相似值超过预设的相似阈值时,判定所述像素为烟雾。
ViBe算法是一种非参数化聚类背景建模方法,对固定相机在不同环境下具有良好的适应性和实时性,检测效果明显。该算法的独特之处在于背景模型的更新策略。随机的选择是否更新背景模型,随机选择更新对应的背景模型的像素,随机选择更新邻域背景模型的像素。图2是本发明优选实施例中待匹配图像的示意图。在本发明的一些实施例中,步骤S1包括:
S11、背景模型表示:定义I(x)为欧式空间中位于x处的像素值,I1、I2、…、IN为选取的样本像素,N为背景样本的数量,则像素x处对应的背景模型M(x)如下式所示:M(x)={I1,I2,…,IN};
S12、背景模型初始化:在第一帧图像中从像素x的八邻域NG(x)里随机选取N个像素值存放到背景模型的N个背景样本中,定义M0(x)作为第一帧图像的背景模型:M0(x)={I0(y)|y∈NG(x)};y为八邻域NG(x)内的任意一个像素;
S13、像素分类:对于任意一帧图像,定义SR(I(x))是以像素x为中心、距离R为半径的集合,例如距离R=20,当该帧图像的背景模型M(x)与SR(I(x))的交集大于设定阈值#min时,判定像素I(x)为背景像素;
S14、采用ViBe算法进行背景更新:若像素I(x)被分类为背景像素,以设定概率从像素I(x)的背景模型M(x)中随机选取一个背景样本Ik,然后用I(x)来替代;这种随机化更新方式,保证了每一个样本的生命周期呈平滑指数递减,避免了先进先出更新策略的缺陷。为了保证像素邻域空间一致性以及恢复被前景遮挡的背景,本发明的ViBe算法以同样的设定概率,例如设定概率的取值为1/16,从像素x邻域的背景模型MG(x)中随机选取一个背景样本Ik,然后用I(x)来替代。
背景模型的更新就是使得背景模型能够适应背景的不断变化,比如光照的变化,背景物体的变更等等。保守的更新策略是前景点永远不会用来填充背景模型,会引起死锁,比如初始化的时候如果一块静止的区域被错误的检测为运动的,在这种策略下它永远被当做运动的物体来对待;Blind策略是对死锁不敏感,前景背景都可以来更新背景模型,缺点是缓慢移动的物体会融入背景中无法被检测出来。本发明的ViBe算法采用的更新策略是保守的更新策略加前景点计数方法,即对像素点进行统计,如果某个像素点连续N次被检测为前景,则将其更新为背景点。本发明的ViBe算法能够避免上述问题。图6是本发明优选实施例中采用ViBe算法进行运动检测得到的运动检测图像示意图,从图6可以看出基于透过率图像的运动检测能够很完整的提取前景目标。
设定阈值的大小可以根据实际情况进行选择,优选地,设定阈值#min=2。
步骤S14之后可以进一步包括:对步骤S14得到的二值化图像进行开运算,并对开运算后的二值化图像进行连通域标记,以标记出的连通域作为前景图像。开运算可以消除小对象物、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。本领域技术人员可以根据实际需要和目标形状选择合适的开运算模板,图7是本发明优选实施例中进行开运算和连通域标记后得到的前景图像示意图,在图7示出的优选实施例中,选择3×3的圆型模板。
前景图像的反照率图像可以表示为如下关系式:
式中,ρ(x)为欧式空间中像素x处的反照率,I(x)为像素x的像素值,A为天空亮度估计值,t(x)为像素x处的透射率估计值。
对于任意一帧图像,可以按照如下步骤确定像素x处的透射率估计值:
以像素x在R,G,B三个通道中的最小透射率作为像素x处的透射率粗化估计值
利用高斯型双边滤波对透射率粗化估计值进行平滑处理,获取像素x处的透射率细化估计值tb(x),该tb(x)作为像素x处的透射率估计值。图5是本发明优选实施例中利用高斯型双边滤波处理后得到的透射率图像示意图。从图5可以看出我们估计的透射率图像保持了很好的景深特性,而且边缘保持完整。
暗原色先验是通过对户外图像的观察得出的:在绝大多数非天空的局部区域里,某一些像素总会有至少一个颜色通道具有很低的值。换言之,该区域光强度的最小值是个很小的数。暗原色先验即假设至少一个颜色通道的局部区域内,场景反照率趋于零:
对图像J,定义:
Jc代表J的某一个颜色通道,而Ω(x)是以x为中心的一块方形区域。经统计观察得出,Jdark的强度总是很低并且趋近于0。如果J是户外图像,把Jdark称为J的暗原色。
根据等式(1)可知,透射率粗化估计值可以表示为式(3)或(6):
由于大气透过率函数仅是景深的函数,与反照率无关,对透射率细化估计时需要在进行区域平滑处理的同时保持景深突变的边缘细节。因此透射率细化估计可以看成一个平滑问题。边缘保持平滑的目的是使输出图像与输入图像尽可能的相似,但是横穿较大梯度的区域应尽可能的平滑。由于双边滤波理论简单,且有快速算法,因此可以使用快速双边滤波方法来估计。双边滤波是一种边缘保持的非迭代平滑滤波方法。它的权重由空域和值域平滑函数的乘积给出。随着与中心像素的距离以及灰度差值的增大,领域像素的权重逐渐减小。我们使用高斯型双边滤波,即空域和值域平滑函数均是高斯函数。对于透过率的粗估计利用高斯型双边滤波进行平滑处理,可表示为:
式中,Wb为归一化系数,
σs为空域高斯模板的尺寸,σr为值域高斯函数的尺度,z为集合SR(I(x))内的任意一个像素。图5是本发明优选实施例中利用高斯型双边滤波处理后得到的透射率图像示意图。
天空区域具有3个特性:亮度较高、灰度平坦和位置偏上。我们将满足以上3个条件的像素集合确定为天空区域。对于任意一帧图像,可以按照如下步骤确定天空亮度估计值:
对于每一个像素x,对像素x处的最小颜色分量进行最小值滤波,得到像素x的亮度值,记为Θ(x);例如,对彩色图像的最小颜色分量进行最小值滤波,可以如下式表示:
式中,c∈{R,G,B}分别表示R、G、B颜色通道;Ω(x)表示以像素x为中心的邻域,其尺寸自适应的与图像高和宽中的最小值成正比,比例因子为0.025。
对像素x处的灰度分量进行边缘提取,对边缘图像E(x)进行分块统计,计算以像素x为中心的邻域内边缘像素数占邻域总像素数的比例,记为Nedge(x);图3是本发明优选实施例中采用Canny边缘检测算子对彩色图像的灰度分量进行边缘提取得到的边缘图像的示意图;
若像素x的亮度值大于以设定亮度阈值Tv、Nedge(x)小于设定平坦阈值,判定像素x位于候选天空区域;图4是本发明优选实施例中标记出天空区域的待匹配图像示意图;从图4可以看出我们能够准确的估计出天空区域并能因此准确估计出自然光强。
对候选天空区域标记连通分量,选取图像上方的一个连通分量作为天空区域,将天空区域中的最大像素值确定为天空亮度估计值A。
优选地,设定亮度阈值Tv=0.95×Θmax(x);其中,Θmax(x)为该帧图像的各个像素对应的Θ(x)的最大值。
通过运动检测可以获取视频中运动的物体,通过相关分析把烟雾和其他运动的目标进行分类,如果场景中的物体受到烟雾的遮挡,则该部分的反照率的值与原始图像的值相关性较小,而没有被遮挡的部分相关性会很大。因此可以通过求取运动目标原始图像和反照率图像的相关性来对烟雾和其他运动目标进行分类。
两个图像块的相关分析本质上类似于图像匹配,所以可以使用一种基于图像灰度值的判断依据SSD(Sum of Squared Differences),也叫差方和算法,用来描述模板与待匹配图像的相关性。对于任意一帧待匹配图像,基于图像灰度值确定待匹配图像中每个像素与反照率图像对应像素的相似值可以表示如下:
式中,D(i,j)为待匹配图像中像素(i,j)与反照率图像对应像素的相似值;M×N为待匹配图像的匹配块尺寸;S(i+s-1,j+t-1)为待匹配图像中像素(i,j)处的反照率;T(s,t)为反照率图像中像素(i,j)处的反照率。这种算法简单,适用性强,适合分析原图与反照率图像的相关性。预设的相似阈值可以根据实际情况进行选择,例如设置为50。对于前景的每一个像素,我们求取以它为中心的M×N图像块原图与反照率图像的SSD相似值,如果大于预设的相似阈值,则该像素为烟雾。图8是本发明优选实施例中待匹配图像的烟雾识别结果示意图。从图8可以看出我们基于相关分析的分类能过有效的识别烟雾区域。
虽然参照示例性实施方式对本发明进行了描述,但是应当理解,本发明并不局限于文中详细描述和示出的具体实施方式,在不偏离权利要求书所限定的范围的情况下,本领域技术人员可以对所述示例性实施方式做出各种改变。
Claims (10)
1.基于透射率动态检测的烟雾识别方法,其特征在于包括:
S1、采用ViBe算法对监控视频中的每一帧图像进行背景更新,提取前景图像;
S2、基于透射率图像和大气散射模型,获取前景图像的反照率图像;
S3、针对待匹配图像中的每个像素,获取该像素与反照率图像对应像素的相似值,当所述相似值超过预设的相似阈值时,判定所述像素为烟雾。
2.如权利要求1所述的烟雾识别方法,其特征在于,步骤S1包括:
S11、背景模型表示:定义I(x)为欧式空间中位于x处的像素值,I1、I2、…、IN为选取的样本像素,N为背景样本的数量,则像素x处对应的背景模型M(x)如下式所示:M(x)={I1,I2,…,IN};
S12、背景模型初始化:在第一帧图像中从像素x的八邻域NG(x)里随机选取N个像素值存放到背景模型的N个背景样本中,定义M0(x)作为第一帧图像的背景模型:M0(x)={I0(y)|y∈NG(x)};y为八邻域NG(x)内的任意一个像素;
S13、像素分类:对于任意一帧图像,定义SR(I(x))是以像素x为中心、距离R为半径的集合,当该帧图像的背景模型M(x)与SR(I(x))的交集大于设定阈值#min时,判定像素I(x)为背景像素;
S14、采用ViBe算法进行背景更新:若像素I(x)被分类为背景像素,以设定概率从像素I(x)的背景模型M(x)中随机选取一个背景样本Ik,然后用I(x)来替代;以设定概率从像素x邻域的背景模型MG(x)中随机选取一个背景样本Ik,然后用I(x)来替代。
3.如权利要求2所述的烟雾识别方法,其特征在于,所述设定阈值#min=2;和/或,所述设定概率为1/16;和/或,距离R=20。
4.如权利要求2所述的烟雾识别方法,其特征在于,步骤S14之后进一步包括:对步骤S14得到的二值化图像进行开运算,并对开运算后的二值化图像进行连通域标记,以标记出的连通域作为前景图像。
5.如权利要求3所述的烟雾识别方法,其特征在于,前景图像的反照率图像为:
式中,ρ(x)为欧式空间中像素x处的反照率,I(x)为像素x的像素值,A为天空亮度估计值,t(x)为像素x处的透射率估计值。
6.如权利要求5所述的烟雾识别方法,其特征在于:对于任意一帧图像,按照如下步骤确定天空亮度估计值:
对于每一个像素x,对像素x处的最小颜色分量进行最小值滤波,得到像素x的亮度值,记为Θ(x);对像素x处的灰度分量进行边缘提取,对边缘图像E(x)进行分块统计,计算以像素x为中心的邻域内边缘像素数占邻域总像素数的比例,记为Nedge(x);
若像素x的亮度值大于以设定亮度阈值Tv、Nedge(x)小于设定平坦阈值,判定像素x位于候选天空区域;
对候选天空区域标记连通分量,选取图像上方的一个连通分量作为天空区域,将天空区域中的最大像素值确定为天空亮度估计值A。
7.如权利要求6所述的烟雾识别方法,其特征在于,设定亮度阈值Tv=0.95×Θmax(x);其中,Θmax(x)为该帧图像的各个像素对应的Θ(x)的最大值。
8.如权利要求5所述的烟雾识别方法,其特征在于,对于任意一帧图像,按照如下步骤确定像素x处的透射率估计值:
以像素x在R,G,B三个通道中的最小透射率作为像素x处的透射率粗化估计值
利用高斯型双边滤波对透射率粗化估计值进行平滑处理,获取像素x处的透射率细化估计值tb(x),该tb(x)作为像素x处的透射率估计值:
式中,Wb为归一化系数,
σs为空域高斯模板的尺寸,σr为值域高斯函数的尺度,z为集合SR(I(x))内的任意一个像素。
9.如权利要求5所述的烟雾识别方法,其特征在于,对于任意一帧待匹配图像,基于图像灰度值确定待匹配图像中每个像素与反照率图像对应像素的相似值:
式中,D(i,j)为待匹配图像中像素(i,j)与反照率图像对应像素的相似值;M×N为待匹配图像的匹配块尺寸;S(i+s-1,j+t-1)为待匹配图像中像素(i,j)处的反照率;T(s,t)为反照率图像中像素(i,j)处的反照率。
10.如权利要求5所述的烟雾识别方法,其特征在于,预设的相似阈值为50。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710141779.2A CN107045723A (zh) | 2017-03-10 | 2017-03-10 | 基于透射率动态检测的烟雾识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710141779.2A CN107045723A (zh) | 2017-03-10 | 2017-03-10 | 基于透射率动态检测的烟雾识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107045723A true CN107045723A (zh) | 2017-08-15 |
Family
ID=59544204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710141779.2A Pending CN107045723A (zh) | 2017-03-10 | 2017-03-10 | 基于透射率动态检测的烟雾识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107045723A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364020A (zh) * | 2018-02-06 | 2018-08-03 | 中国汽车技术研究中心 | 一种基于专用短程通信的动态识别算法评价方法 |
CN108648409A (zh) * | 2018-04-28 | 2018-10-12 | 北京环境特性研究所 | 一种烟雾检测方法及装置 |
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 |
CN109345613A (zh) * | 2018-09-29 | 2019-02-15 | 佛山市云米电器科技有限公司 | 用于油烟图像处理的动态背景建模方法及油烟机 |
CN109978876A (zh) * | 2019-04-03 | 2019-07-05 | 北京环境特性研究所 | 一种基于快速双边滤波的烟雾识别方法和装置 |
CN110070007A (zh) * | 2019-04-03 | 2019-07-30 | 北京环境特性研究所 | 视频烟雾识别方法、装置、计算机设备和存储介质 |
CN110246138A (zh) * | 2018-03-09 | 2019-09-17 | 中国石油化工股份有限公司 | 一种数字岩心图像孔喉分割的方法 |
CN113674175A (zh) * | 2021-08-23 | 2021-11-19 | 江苏科技大学 | 用于检测跨海大桥结构损害的水下机器人图像增强方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908210A (zh) * | 2010-08-13 | 2010-12-08 | 北京工业大学 | 彩色图像去雾处理方法和系统 |
CN102170574A (zh) * | 2011-05-23 | 2011-08-31 | 北京工业大学 | 一种实时视频去雾处理系统 |
-
2017
- 2017-03-10 CN CN201710141779.2A patent/CN107045723A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908210A (zh) * | 2010-08-13 | 2010-12-08 | 北京工业大学 | 彩色图像去雾处理方法和系统 |
CN102170574A (zh) * | 2011-05-23 | 2011-08-31 | 北京工业大学 | 一种实时视频去雾处理系统 |
Non-Patent Citations (5)
Title |
---|
OLIVIER BARNICH ET AL.: "ViBe: A Universal Background Subtraction Algorithm for Video Sequences", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
徐博: "基于视频的真实场景火焰检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王利娟: "视频监控中火灾烟雾探测方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
禹晶 等: "基于物理模型的快速单幅图像去雾方法", 《自动化学报》 * |
赵荣椿 等: "《数字图像处理与分析》", 30 April 2013, 清华大学出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364020A (zh) * | 2018-02-06 | 2018-08-03 | 中国汽车技术研究中心 | 一种基于专用短程通信的动态识别算法评价方法 |
CN110246138A (zh) * | 2018-03-09 | 2019-09-17 | 中国石油化工股份有限公司 | 一种数字岩心图像孔喉分割的方法 |
CN110246138B (zh) * | 2018-03-09 | 2021-06-15 | 中国石油化工股份有限公司 | 一种数字岩心图像孔喉分割的方法 |
CN108648409A (zh) * | 2018-04-28 | 2018-10-12 | 北京环境特性研究所 | 一种烟雾检测方法及装置 |
CN108648409B (zh) * | 2018-04-28 | 2020-07-24 | 北京环境特性研究所 | 一种烟雾检测方法及装置 |
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 |
CN109345613A (zh) * | 2018-09-29 | 2019-02-15 | 佛山市云米电器科技有限公司 | 用于油烟图像处理的动态背景建模方法及油烟机 |
CN109978876A (zh) * | 2019-04-03 | 2019-07-05 | 北京环境特性研究所 | 一种基于快速双边滤波的烟雾识别方法和装置 |
CN110070007A (zh) * | 2019-04-03 | 2019-07-30 | 北京环境特性研究所 | 视频烟雾识别方法、装置、计算机设备和存储介质 |
CN113674175A (zh) * | 2021-08-23 | 2021-11-19 | 江苏科技大学 | 用于检测跨海大桥结构损害的水下机器人图像增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107045723A (zh) | 基于透射率动态检测的烟雾识别方法 | |
CN107451999B (zh) | 基于图像识别的异物检测方法和装置 | |
CN107948465B (zh) | 一种检测摄像头被干扰的方法和装置 | |
CN104299192B (zh) | 一种基于大气光散射物理模型的单幅图像去雾方法 | |
CN112069975A (zh) | 一种基于紫外、红外、视觉的综合火焰检测方法 | |
CN111951250B (zh) | 一种基于图像的火灾检测方法 | |
CN108038867A (zh) | 基于多特征融合和立体视觉的火焰检测和定位方法 | |
CN115496760B (zh) | 一种阿胶品质鉴定方法 | |
KR101224494B1 (ko) | 촬영 대상의 명도 및 채도 변화에 강건한 영상 기반 연기 검출 방법 | |
CN106296744A (zh) | 一种结合自适应模型和多阴影属性的运动目标检测方法 | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
CN108664939A (zh) | 一种基于hog特征与深度学习的遥感图像飞机识别方法 | |
CN107146210A (zh) | 一种基于图像处理的检测去除阴影方法 | |
CN107563985A (zh) | 一种红外图像空中运动目标的检测方法 | |
CN110288618B (zh) | 一种光照不均图像的多目标分割方法 | |
WO2023159985A1 (zh) | 一种基于视频检测技术的分拣中心异常行为的识别方法 | |
CN111539980A (zh) | 一种基于可见光的多目标追踪方法 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
CN108648409B (zh) | 一种烟雾检测方法及装置 | |
CN112364884B (zh) | 一种移动物体侦测的方法 | |
CN110070007A (zh) | 视频烟雾识别方法、装置、计算机设备和存储介质 | |
CN108230334A (zh) | 基于灰度阈值的高浓度风沙图像分割的方法 | |
CN108279838A (zh) | 一种激光笔远程交互方法 | |
JP2008129864A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN113221603A (zh) | 一种检测监控设备被异物遮挡的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170815 |