CN108038510A - 一种基于疑似火焰区域特征的检测方法 - Google Patents
一种基于疑似火焰区域特征的检测方法 Download PDFInfo
- Publication number
- CN108038510A CN108038510A CN201711402162.8A CN201711402162A CN108038510A CN 108038510 A CN108038510 A CN 108038510A CN 201711402162 A CN201711402162 A CN 201711402162A CN 108038510 A CN108038510 A CN 108038510A
- Authority
- CN
- China
- Prior art keywords
- flame
- mrow
- region
- image
- fire
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明公开了一种基于疑似火焰区域特征的检测方法。本发明方法包括以下步骤:针对火灾图像背景复杂的特点,首先使用互信息法计算两帧图像间的相似性测度以预判断火灾图像,利用组合图像分割法对火焰区域进行分割,排除大部分干扰,得到疑似区域;然后分析疑似区域的面积变化值、致密度、偏心率、重心高度系数、圆形度和矩形度等特征,这些特征可以较全面地表征火灾信息,最后利用支持向量机的分类方法,将提出的火焰特征作为输入量,对火灾图像进行分类识别。本发明算法对不同场景的火灾识别具有较高的准确率,相对于现有技术而言,有效地提高火灾图像的检测效果和准确性。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及一种基于疑似火焰区域特征的检测方法。
背景技术
传统的火灾检测大多基于传感器,通过搜集火灾烟雾颗粒、火焰温度和相对湿度等信息,对火灾进行评估做出响应。但传感器必须放在火焰附近才能有效使用,且不能用于对传感器干扰较大的场景,因此难以适用于大空间、开阔空间以及复杂场景。且难以确定火灾位置、火焰大小、火势发展状况等信息,给火灾的预防和及时消防带来困难。不同于传统的传感器检测方法,视频火焰检测不仅适用于多种场景,而且能够准确检测出火焰相关信息,对于早期的火焰检测效果较好。
基于图像处理的火灾探测技术,是从监控视频中提取疑似火灾图像并对其特征参数进行分析,从而判断是否发生火灾,对火灾图像的识别首先是要从复杂背景中分割出疑似火焰区域。利用统计阈值和背景掩码相结合的方法进行火焰区域提取,但其只能适用于固定背景的场合。也有学者提出HIS和区域生长相结合的分割方法,但其生长点相关准则不容易确定。利用灰度共生矩阵可以得到一系列的纹理特征统计量,这种算法可以减少计算量,但精度不高。
发明内容
本发明的目的在于本发明针对火灾图像背景复杂的特点,提出了一种基于疑似火焰区域特征的检测方法,首先用相似性预判断,再用三层组合分割模型进行初步火焰疑似区域分割,并对疑似火焰区域进行特征提取,最后利用支持向量机(SVM)进行识别归类,以提高火灾图像的检测效果和准确性。
为实现上述发明目的,本发明的一种基于疑似火焰区域特征的检测方法具体包括以下步骤:
S1使用互信息法计算两帧图像间的相似性测度以预判断火灾图像;
S2使用组合图像分割法对火焰区域进行分割;
S3提取步骤2二值图像结果的火焰图像特征参数;
S4利用所述火焰图像特征参数进行基于支持向量机的火焰识别。
进一步地,所述步骤S1包括:采用互信息法计算两帧图像间的相似性测度,通过搜过最大互信息表征两帧图像的相似性;
具体地,用I(A,B)描述随机变量的相关性互信息:
上式中,A和B是随机变量,PA(a)和PB(b)是灰度概率分布密度,PAB(a,b)是联合概率密度。
进一步地,所述步骤S2包括:
S2.1使用差分法分割排除大部分背景不变的区域;
S2.2使用颜色分割法排除颜色和火焰差别较大的干扰区域;
S2.3使用形态学图像处理方法准确地找出火焰区域。
进一步地,所述步骤S2.2包括:
S2.2.1确定火焰R分量范围,背景中部分干扰区域的R分量和火焰差别较大而被排除掉;
S2.2.2确定火焰G分量的范围,将部分R分量和火焰相同但G分量不同的干扰区域排除掉;
S2.2.3确定B分量范围,通过颜色将火焰区域从背景中分割出来。
进一步地,所述步骤S2.2包括:
S2.3.1标记疑似火焰区域中所有“块”状区域,并计算每一个“块”状区域的圆形度;
S2.3.2找出圆形度最大的“块”状区域标记为1,其余“块”状区域标记为0,得到分割后的二值图像。
进一步地,所述步骤3)中,所述火焰特征参数具体包括火焰区域面积变化值、火焰图像致密度、火焰偏心率、圆形度、矩形度和重心高度系数,其分别表示为ΔRn,Ck,T,C,R,RatioWC。
进一步地,所述步骤4)包括:
所述支持向量机的输入特征向量为:为xi=[ΔRn,Ck,T,C,R,RatioWC];
所述支持向量机的输出结果为:
其中,权值wi=αiyi,K(x,xi)为核函数,αi为拉格朗日乘子,在约束条件中,
其中,所述核函数为径向基核函数,其用公式表示为:
K(x,xi)=exp(-||x-xi||2/2δ2)
其中,δ和c是核函数的参数,q是阶数。
与现有技术相比,本发明具有以下有益效果:
本发明方法针对背景复杂的火灾图像,首先利用组合分割模型,排除大部分干扰,得到疑似区域;然后分析疑似区域的面积变化值、致密度、偏心率、重心高度系数、圆形度和矩形度等特征,这些特征可以较全面地表征火灾信息,最后利用支持向量机的分类方法,将提出的火焰特征作为输入量,对火灾图像进行分类识别。本发明算法对不同场景的火灾识别具有较高的准确率,相对于现有技术而言,有效地提高火灾图像的检测效果和准确性。
附图说明
图1是实施例中的一种基于疑似火焰区域特征的检测方法的流程图;
图2是实施例中的SVM支持向量机示意图;
图3是实施例中的视频帧样本示例图。
具体实施方式
本发明提供了一种基于疑似火焰区域特征的检测方法,火灾图像具有面积不断变化、目标区域形状不规则且不断偏移等特征,其具体的特征参数有面积变化值、致密度、偏心率等,因此可利用这些特征对疑似火灾图像进行识别判断。本发明方法首先从视频中按一定的采样频率获取采样图像并利用相似性测度进行预判断,如果预判断结果为疑似火灾图像,则进行分割处理,并对分割处理后的疑似火焰区域进行特征参数的提取,最后将特征参数用支持向量机进行分类识别,如果判断为火灾图像,则系统发出报警。
下面将结合本申请说明书附图,对本发明的一种基于疑似火焰区域特征的检测方法的具体实施例做进一步详细说明,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,本具体实施例的方法具体包括以下步骤:
S1使用互信息法计算两帧图像间的相似性测度以预判断火灾图像,即图1所示流程中的相似性预判断步骤;
大多数时间视频监控的目标区域是正常状态,没有发生火灾,判断当前帧是否含有火灾信息时不需将所有的步骤都计算一遍,可以选择一个典型特征进行初次计算并比较,粗略判断是否是火灾图像,未发生火灾时,相邻帧之间有很强的相关性。当出现火灾后,火灾图像与基准图像的相似性测度数值会有突变。随着火焰的蔓延,图像包含的不同像素点越来越多,帧间相似性测度值会连续变化,因此本发明用相似测度值为依据进行初次判断。
本实施例采用互信息法计算两帧图像间的相似性测度,通过搜过最大互信息表征两帧图像的相似性,用I(A,B)描述随机变量的相关性互信息:
上式中,A和B是随机变量,PA(a)和PB(b)是灰度概率分布密度,PAB(a,b)是联合概率密度。
S2使用组合图像分割法对火焰区域进行分割,即图1所示流程中的3层组合分割步骤;
火焰区域的分割是火灾特征提取的前提,由于火灾发生环境、燃烧材料和背景中干扰物的多样性,对火焰区域的分割是决定最后识别准确率的关键步骤,具体地,本发明用三层组合分割法得到分割后的疑似火焰区域,所述三层组合分割法具体包括如下步骤:
S2.1使用差分法分割排除大部分背景不变的区域;
差分法通常选取一幅不含前景运动目标的图像作为背景图像,然后将当前图像和背景图像进行差分得到背景相对单一的图像。当相减后的图像中某一像素的差值大于某阈值T时,就认为该像素是前景像素(运动目标),小于某阈值T时认为是背景像素,差值为:
ΔPi(x,y)=Pi(x,y)-P0(x,y) (2)
上式中Pi(x,y)为当前帧,P0(x,y)为基准帧。经过差分运算后得到的就是背景相对简单的差值图像,该差值图像包含位置相对变化的火焰疑似区域。
S2.2使用颜色分割法排除颜色和火焰差别较大的干扰区域;
火焰的颜色特征比较明显,一般在亮红色到亮黄色范围内,而且火焰区域的亮度在图像中往往是比较明亮的部分,和背景区域有着强烈的对比,进行颜色分割步骤如下:
S2.2.1确定火焰R分量范围,背景中部分干扰区域的R分量和火焰差别较大而被排除掉;
S2.2.2确定火焰G分量的范围,将部分R分量和火焰相同但G分量不同的干扰区域排除掉;
S2.2.3确定B分量范围,通过颜色将火焰区域从背景中分割出来。
S2.3使用形态学图像处理方法准确地找出火焰区域;
在利用差分法初步分割出疑似火焰区域后,此时疑似火焰区域包含大小和形状不同的不连通“块”状干扰区域,小的干扰"块"能够通过腐蚀膨胀运算去除,大的干扰“块”区域用圆形度分割法去除,其具体包括如下步骤:
S2.3.1标记所有“块”状区域,并计算每一个“块”状区域的圆形度;
S2.3.2找出圆形度最大的“块”状区域标记为1,其余“块”状区域标记为0,得到分割后的二值图像。
步骤2的组合分割算法可对常见的干扰物进行排除,做到尽可能准确地提取火焰区域。
S3提取步骤2二值图像结果的火焰图像特征参数,即图1所示流程中的火焰特征参数提取;
火焰图像特征要能够表征火灾信息,本发明选取了6个典型特征作为火灾识别的依据:面积变化值、致密度、偏心率、重心高度系数、圆形度和矩形度。
1)火焰区域面积变化值
火灾发生时,过火区域不断变化,可以用火焰区域面积变化值表征火灾信息,计算连续帧的火焰区域面积值,通过相减得到变化值:
ΔRn=|A(pn)-A(pn-1)| (3)
ΔRn式中是面积变化值,A为火焰区域面积,pn为待处理帧,pn-1为基准帧或前一帧。
2)火焰图像致密度
致密度通常用来描述物体边界的复杂程度,也称为圆形度,致密度越大,表示相同单位面积内的周长越长,也就是形状越复杂,区域越离散;反之,目标区域形状越简单。利用致密度可以排除形状规则的强干扰物体(如太阳,路灯等)。
致密度可用公式表示为:
其中,Ck为编号为k的图元的致密度,为第k个图元的周长。
3)火焰偏心率
偏心率也称伸长度,它描述了物体形状的紧凑性,往往用于区分细长物体和扁宽无敌。火焰在燃烧时形状不固定,但绝不多数呈扁宽型,可以利用偏心率来表征火焰区域的形状的特征。
偏心率可用公式表示为
其中,l和w分别为宽高值。
4)圆形度
圆形度表示物体边缘与圆的相似程度,是一种物体边缘轮廓复杂程度的度量,通过物体边缘的总长度和物体所在区域的面积,可计算出物体的圆形度值C,如式:
其中,S为物体所在区域面积,L为物体所在区域周长,即区域边界的长度,该长度可从边界链码中得到。
圆形度衡量了物体边缘的复杂程度,其最小值取1,物体边缘越复杂,圆形度的取值越高。由于与火焰颜色相似的车灯、路灯、太阳等物体边缘复杂度不高,圆形度近似为1,而火焰燃烧时边缘较为复杂,圆形度一般远大于1,因此通过圆形度可区分边缘复杂度不高的物体。
5)矩形度
与圆形度相似,矩形度表示边缘与矩形的相似程度,矩形度R的公式如下:
式中:SR为包含物体所在区域最小矩形的面积。矩形度反应了物体对其最小外接矩形的充满程度。
R的取值范围为0-1,因为通过矩形度,不仅可以区分类似矩形的物体(矩形度接近为1),还可以区分弯曲纤细的物体(矩形度接近为0)。火焰的矩形度一般在0.5左右。
6)重心高度系数
重心高度系数体现了物体重心高度与物体总高度的关系,其公式定义如式所示:
RatioWC=HC/H (8)
其中,HC为物体重心高度,H为物体总高度。大部分形状规则的物体重心位于中央,即RatioWC=0.5;火焰产生的大片浓烟等区域重心偏上,即RatioWC>0.5;而火焰的重心一般偏下,即RatioWC<0.5。由此可区分火焰与一些重心偏上和靠近中央的物体。
S4利用所述火焰图像特征参数进行基于支持向量机的火焰识别;
SVM(支持向量机)作为一种二分类器,通过训练数据集建立一个超平面,使得2类样本以最大间隔分开,然后利用训练结果对测试数据集进行分类。SVM不仅可以训练高维空间向量,而且对于有限的数据训练集有着较好的分类效果。除此之外,由于在实际应用中大部分的数据集是非线性的,在SVM中提供了由低维空间到高维空间非线性映射的核函数机制,因此SVM不仅可用于线性分类,还适用于非线性分类。
SVM通过某种事先选择的非线性映射将输入向量映射到一个高维特征空间,在这个高维特征空间中构造最优分类超平面。在形式上SVM分类函数类似于一个神经网络,输出是中间节点的线性组合,每个中间节点对应于一个支持向量,如图2所示:
图2中,输出(决策规则):权值wi=αiyi,αi为拉格朗日乘子,在约束条件中,K(x,xi)为核函数,x=(x1,x2,...,xd)为输入向量。
SVM的非线性核函数包括多项式核函数、径向基核函数(radial basis function,RBF)和Sigmoid核函数,所述多项式核函数、径向基核函数和Sigmoid核函数分别如公式(9)、公式(10)和公式(11)所示:
k1(x,xi)=[δ·(x,xi)+1]q (9)
k2(x,xi)=exp(-||x-xi||2/2δ2) (10)
k3(x,xi)=tanh(δ·(x,xi)+c) (11)
其中,本发明采用径向基核函数作为核函数,xi=[ΔRn,Ck,T,C,R,RatioWC]是输入特征向量,δ和c是核函数的参数,q是阶数,δ取6.5时分类效果好。
本实施例采用的视频来源与Bilkent大学的火灾视频库,表1描述了选取的6段视频情况,视频的帧样本示例及检测结果如图3所示,4段火焰视频3a–3d和2段非火焰视频3e、3f的算法比较如表2和表3所示。其中TP代表火焰视频的检测率,FP代表漏检率,TN代表非火焰视频的正确率,FN代表误检率。
表1视频情况描述
表2火焰视频检测结果
表3非火焰视频检测结果
其中,算法1为《基于图像处理的支持向量机在舰船火灾探测中的应用》(A SVMapproach for vessel fire detection based on image processing),算法2为《基于多特征融合技术的视频火焰检测算法》(Video flame detection algorithm based onmulti-feature fusion technique)。对比表2-3中的数据可知,本发明算法检测率较高,误检率较低,更有效地检测火焰。
本发明中提出的方法实际上可嵌入FPGA实现,开发具有火焰识别的相机或摄像机。以上实施例仅起到解释本发明技术方案的作用,本发明所要求的保护范围并不局限于上述实施例所述的实现系统和具体实施步骤。因此,仅对上述实施例中具体的公式及算法进行简单替换,但其实质内容仍与本发明所述方法相一致的技术方案,均应属于本发明的保护范围。
Claims (7)
1.一种基于疑似火焰区域特征的检测方法,其特征在于,包括如下步骤:
S1使用互信息法计算两帧图像间的相似性测度以预判断火灾图像;
S2使用组合图像分割法对火焰区域进行分割;
S3提取步骤2二值图像结果的火焰图像特征参数;
S4利用所述火焰图像特征参数进行基于支持向量机的火焰识别。
2.根据权利要求1所述的一种基于疑似火焰区域特征的检测方法,其特征在于,所述步骤S1包括:采用互信息法计算两帧图像间的相似性测度,通过搜过最大互信息表征两帧图像的相似性;
具体地,用I(A,B)描述随机变量的相关性互信息:
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>,</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
</mrow>
</munder>
<msub>
<mi>P</mi>
<mrow>
<mi>A</mi>
<mi>B</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>A</mi>
<mi>B</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>P</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>P</mi>
<mi>B</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
上式中,A和B是随机变量,PA(a)和PB(b)是灰度概率分布密度,PAB(a,b)是联合概率密度。
3.根据权利要求1所述的一种基于疑似火焰区域特征的检测方法,其特征在于,所述步骤S2包括:
S2.1使用差分法分割排除大部分背景不变的区域;
S2.2使用颜色分割法排除颜色和火焰差别较大的干扰区域;
S2.3使用形态学图像处理方法准确地找出火焰区域。
4.根据权利要求3所述的一种基于疑似火焰区域特征的检测方法,其特征在于,所述步骤S2.2包括:
S2.2.1确定火焰R分量范围,背景中部分干扰区域的R分量和火焰差别较大而被排除掉;
S2.2.2确定火焰G分量的范围,将部分R分量和火焰相同但G分量不同的干扰区域排除掉;
S2.2.3确定B分量范围,通过颜色将火焰区域从背景中分割出来。
5.根据权利要求3或4所述的一种基于疑似火焰区域特征的检测方法,其特征在于,所述步骤S2.2包括:
S2.3.1标记疑似火焰区域中所有块状区域,并计算每一个块状区域的圆形度;
S2.3.2找出圆形度最大的块状区域标记为1,其余块状区域标记为0,得到分割后的二值图像。
6.根据权利要求1所述的一种基于疑似火焰区域特征的检测方法,其特征在于,所述步骤3)中,所述火焰特征参数具体包括火焰区域面积变化值、火焰图像致密度、火焰偏心率、圆形度、矩形度和重心高度系数,其分别表示为ΔRn,Ck,T,C,R,RatioWC。
7.根据权利要求4所述的一种基于疑似火焰区域特征的检测方法,其特征在于,所述步骤4)包括:
所述支持向量机的输入特征向量为:为xi=[ΔRn,Ck,T,C,R,RatioWC];
所述支持向量机的输出结果为:
其中,权值wi=αiyi,K(x,xi)为核函数,αi为拉格朗日乘子,在约束条件中,αi≥0,i=1,2,...,n;
其中,所述核函数为径向基核函数,其用公式表示为:
K(x,xi)=exp(-||x-xi||2/2δ2)
其中,δ和c是核函数的参数,q是阶数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711402162.8A CN108038510A (zh) | 2017-12-22 | 2017-12-22 | 一种基于疑似火焰区域特征的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711402162.8A CN108038510A (zh) | 2017-12-22 | 2017-12-22 | 一种基于疑似火焰区域特征的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108038510A true CN108038510A (zh) | 2018-05-15 |
Family
ID=62100343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711402162.8A Pending CN108038510A (zh) | 2017-12-22 | 2017-12-22 | 一种基于疑似火焰区域特征的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038510A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165577A (zh) * | 2018-08-07 | 2019-01-08 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
CN110136083A (zh) * | 2019-05-14 | 2019-08-16 | 深圳大学 | 一种结合交互式的底图更新方法及装置 |
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 |
CN111223263A (zh) * | 2020-03-11 | 2020-06-02 | 四川路桥建设集团交通工程有限公司 | 一种全自动综合型火灾预警响应系统 |
CN112115766A (zh) * | 2020-07-28 | 2020-12-22 | 辽宁长江智能科技股份有限公司 | 一种基于视频画面的火焰识别方法、装置、设备及存储介质 |
CN115359617A (zh) * | 2022-08-26 | 2022-11-18 | 新创碳谷控股有限公司 | 一种氧化炉火焰检测方法、计算机设备及存储介质 |
CN115713833A (zh) * | 2022-08-30 | 2023-02-24 | 新创碳谷集团有限公司 | 一种基于面积特征的火焰检测方法、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1763478A (zh) * | 2005-09-19 | 2006-04-26 | 西安理工大学 | 基于模糊核函数支持向量机的空气预热器热点检测方法 |
CN103886344A (zh) * | 2014-04-14 | 2014-06-25 | 西安科技大学 | 一种图像型火灾火焰识别方法 |
CN104598895A (zh) * | 2015-02-10 | 2015-05-06 | 天津艾思科尔科技有限公司 | 一种基于视频图像分析的火焰检测方法与装置 |
CN104853151A (zh) * | 2015-04-17 | 2015-08-19 | 张家港江苏科技大学产业技术研究院 | 一种基于视频图像的大空间火灾监测系统 |
-
2017
- 2017-12-22 CN CN201711402162.8A patent/CN108038510A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1763478A (zh) * | 2005-09-19 | 2006-04-26 | 西安理工大学 | 基于模糊核函数支持向量机的空气预热器热点检测方法 |
CN103886344A (zh) * | 2014-04-14 | 2014-06-25 | 西安科技大学 | 一种图像型火灾火焰识别方法 |
CN104598895A (zh) * | 2015-02-10 | 2015-05-06 | 天津艾思科尔科技有限公司 | 一种基于视频图像分析的火焰检测方法与装置 |
CN104853151A (zh) * | 2015-04-17 | 2015-08-19 | 张家港江苏科技大学产业技术研究院 | 一种基于视频图像的大空间火灾监测系统 |
Non-Patent Citations (2)
Title |
---|
厉谨 等: "一种新型的图像型火灾识别算法的研究", 《江苏师范大学学报(自然科学版)》 * |
吴茜茵 等: "多特征融合的火焰检测算法", 《智能系统学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165577A (zh) * | 2018-08-07 | 2019-01-08 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
CN109165577B (zh) * | 2018-08-07 | 2022-03-25 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
CN110136083A (zh) * | 2019-05-14 | 2019-08-16 | 深圳大学 | 一种结合交互式的底图更新方法及装置 |
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 |
CN111223263A (zh) * | 2020-03-11 | 2020-06-02 | 四川路桥建设集团交通工程有限公司 | 一种全自动综合型火灾预警响应系统 |
CN112115766A (zh) * | 2020-07-28 | 2020-12-22 | 辽宁长江智能科技股份有限公司 | 一种基于视频画面的火焰识别方法、装置、设备及存储介质 |
CN115359617A (zh) * | 2022-08-26 | 2022-11-18 | 新创碳谷控股有限公司 | 一种氧化炉火焰检测方法、计算机设备及存储介质 |
CN115713833A (zh) * | 2022-08-30 | 2023-02-24 | 新创碳谷集团有限公司 | 一种基于面积特征的火焰检测方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038510A (zh) | 一种基于疑似火焰区域特征的检测方法 | |
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 | |
CN106845443A (zh) | 基于多特征融合的视频火焰检测方法 | |
CN104737202B (zh) | 火灾检测方法和装置 | |
CN110516609A (zh) | 一种基于图像多特征融合的火灾视频检测及预警方法 | |
CN105678811B (zh) | 一种基于运动检测的人体异常行为检测方法 | |
Rosin et al. | Evaluation of global image thresholding for change detection | |
CN108109137A (zh) | 车辆部件的机器视觉检测系统及方法 | |
CN105608479B (zh) | 结合深度数据的异常行为检测方法及系统 | |
CN104680519B (zh) | 基于轮廓和颜色的七巧板识别方法 | |
CN111179279A (zh) | 一种基于紫外、双目视觉的综合火焰检测方法 | |
CN102982313B (zh) | 烟雾检测的方法 | |
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 | |
CN106910204B (zh) | 一种对海面船只自动跟踪识别的方法和系统 | |
CN104809463A (zh) | 一种基于密集尺度不变特征转换字典学习的高精度火灾火焰检测方法 | |
CN108564069A (zh) | 一种工业佩戴安全帽视频检测方法 | |
JP2019061484A (ja) | 画像処理装置及びその制御方法及びプログラム | |
CN106210634A (zh) | 一种智慧金睛识别人员倒地报警方法和装置 | |
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 | |
CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
CN101316371B (zh) | 火焰侦测方法及装置 | |
JP5358851B2 (ja) | 不審行動検知方法および不審行動検知装置 | |
CN111079518A (zh) | 一种基于执法办案区场景下的倒地异常行为识别方法 | |
KR20100093797A (ko) | 카메라의 영상을 이용한 보행자 계수 방법 및 장치 | |
TW201432633A (zh) | 跌倒偵測方法 |
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 |
Application publication date: 20180515 |
|
RJ01 | Rejection of invention patent application after publication |