CN108447219A - 基于视频图像的火灾检测系统及方法 - Google Patents
基于视频图像的火灾检测系统及方法 Download PDFInfo
- Publication number
- CN108447219A CN108447219A CN201810486414.8A CN201810486414A CN108447219A CN 108447219 A CN108447219 A CN 108447219A CN 201810486414 A CN201810486414 A CN 201810486414A CN 108447219 A CN108447219 A CN 108447219A
- Authority
- CN
- China
- Prior art keywords
- video
- fire
- module
- video image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 230000003542 behavioural effect Effects 0.000 claims abstract description 15
- 230000003068 static effect Effects 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000006002 Pepper Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000013442 quality metrics Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了基于视频图像的火灾检测系统与方法。依次由视频采集模块、火灾检测模块、视频输出模块和火灾报警模块连接而成。摄像头获取覆盖范围内的视频图像通过接口线传输到TVP5150芯片中，将采集的视频转换成数字信号，并写入TM320DM6437核心芯片中，火灾检测模块先对视频图像预处理，再进行颜色特征提取和运动目标提取，将两者相与得到疑似火焰区域，然后对疑似火焰区域提取静态特征和动态特征，作为SVM分类器的输入，判断是否有火灾，将处理后的视频图像显示在计算机显示屏上，同时报警模块根据判断结果发出报警信号。本发明结合现有的监控系统，大大节约成本，在保证实时性的基础上，提高检测的准确性。
Description
技术领域
本发明涉及火灾检测系统及方法，特别涉及一种基于视频图像的火灾检测系统及方法。
背景技术
从古至今，火灾是人类重要的一大安全隐患，随着社会的快速发展，火灾在现代生活中造成的人类人身危害越来越严重，经济损失更是无法估计，更甚至对环境造成危害，破坏生态系统。因此，能够准确快速的检测到火灾成为目前重要的研究课题。传统的火灾探测器主要利用传感器对火燃烧时产生的温度、光谱、烟雾等火灾参数进行采样检测是否发生火灾，一般为感温型探测器、感烟型探测器、感光型探测器和复合型探测器。上述传统的火灾探测器能实现自动检测火灾，但是具有反应时间过长、误报率高等缺点，尤其是在高层建筑、森林、公路隧道和公共交通工具等特殊情况中，无法及时准确的检测火灾。
随着科学技术的发展，图像处理技术发展日趋成熟，人们逐渐将图像处理技术应用到火灾探测中，该方法能够快速、有效的提取图像中的火灾参数进行火灾判断，实现了火灾的有效监测。但是主要在计算机上对采集的视频进行检测分析，具有体积大，成本高，实时性差等缺点。在基于视频图像的火灾检测系统的现有方法中，有许多方法被提出。在这些方法中，基于视频图像的火灾检测主要分为两个方面：运动目标的分割和火灾识别。在实际过程中易受干扰物和环境的影响，易造成误报率高的缺点。
发明内容
本发明的目的是克服现有技术中存在的不足，提供一种基于视频图像的火灾检测系统及方法，该检测系统是一种快速准确的检测系统，结合现有的视频监控系统和将DSP应用于检测系统中，大大的节约成本，提出的基于视频图像的火灾检测系统和方法有效地提高火灾检测系统的实时性和准确性。
为达到上述的目的，本发明采取的技术方案为：
基于视频图像的火灾检测系统，包括：视频采集模块、火灾检测模块、视频输出模块和火灾报警模块。
所述的视频采集模块为视频输入模块包括摄像头和TVP5150解码芯片；
所述的火灾检测模块包括视频预处理模块、运动目标提取模块、火灾分析模块和火灾判断模块，设置于DSP中；
所述的视频输出模块即计算机显示屏；
所述的火灾报警模块根据所述的火灾检测模块的判断发出报警信号；
作为优选，所述的DSP的型号可以为TI公司高性能定点的TMS320DM6437型。
具体地，所述的视频采集模块通过摄像头获取覆盖范围内的视频图像，并通过接口线将视频传输到TVP5150芯片中，对采集的视频进行模拟信号转换成数字信号处理，将转换后的数字信号写入所述的火灾检测模块即TM320DM6437核心芯片中，先进行所述的视频预处理模块即对转换后的视频进行去燥等预处理，接着进行所述的运动目标提取模块即对预处理后的视频进行颜色特征提取分割和运动目标提取相与得到疑似火焰区域，然后对处理后的疑似火焰区域进行所述的火灾分析模块即提取静态特征和动态特征，再进行所述的火灾判断模块即将提取的静态特征和动态特征作为SVM分类器的输入，根据训练的样本建立SVM模型判断是否发生火灾，最后将信号传输到所述的火灾报警模块和所述的视频输出模块，根据是否发生火灾发出报警信号并将视频图像显示在计算机显示屏上。
基于视频图像的火灾检测方法，该方法包括以下步骤:
步骤1，视频采集模块采集摄像头覆盖范围内的视频图像，并通过接口线将视频传输到TVP5150芯片中，对采集的视频进行模拟信号转换成数字信号处理，并存入TM320DM6437缓存区；
步骤2，火灾检测模块对转换后的视频信号进行视频预处理，接着进行运动目标提取模块即颜色特征提取分割和运动目标提取相与得到疑似火焰区域，然后进行火灾分析模块即对疑似火焰区域提取静态特征和动态特征，最后进行所述的火灾判断模块即将提取的静态特征和动态特征作为SVM分类的输入，根据训练SVM模型判断是否发生火灾；
步骤3，视频输出模块将处理过视频图像显示计算机显示屏上；
步骤4，火灾报警模块根据火灾检测模块的判断发出报警信号，并进行下一次检测，重复步骤1-步骤4。
所述的基于视频图像的火灾检测方法，优选的，所述的步骤2包括：
步骤2-1，所述的视频预处理，采用中值滤波对图像进行滤波，去除图像中的噪声，尤其是椒盐噪声，选定二维3×3窗口对图像进行中值滤波；
步骤2-2，所述的颜色特征提取，采用颜色模型规则基于RGB和YCbCr空间，将规则相与得到颜色疑似区域，规则具体包括：
规则1：R>G,R>B
规则2：R>Rmean
规则3：△T1≤B/(R+1)≤△T2
规则4：S≥(255-R×ST/RT)
规则5：Y>Cb,Cr>Cb
规则6：|Cr-Cb|≥τ
式中，R、G、B分别表示RGB空间的红色分量、绿色分量和蓝色分量，Rmean表示红色分量的均值，△T1和△T2表示阈值，S、R分别表示HIS空间的饱和度和红色分量，ST和RT表示饱和度和红色分量，Y、Cb和Cr分别表示YCbCr空间的亮度分量、红色分量和蓝色分量，τ表示Cb分量和Cr分量差的阈值。
步骤2-3，所述的运动目标提取即对滤波后的图像采用基于GMM的ViBe的背景差分法，提取运动目标；
首先，采用GMM提取出视频中的背景，引入高斯密度函数建立背景模型，公式如下：
式中，χ表示该帧的像素值，μ表示高斯分布的均值，σ2表示协方差。
接着，将高斯背景模型中提取出的背景传入给ViBe检测算法进行背景建模，随机选择其中20个八邻域中的像素点建立样本背景模型即初始化模型，即：B＝(v1,v2...v20)；
然后，根据建立的背景模型提取前景目标区域即运动目标区域，计算当前像素点与其样本集中的每个点的距离，当距离小于阈值R出现次数count大于阈值min，则判为前景，公式如下：
再对背景模型更新，若一像素点被判别为背景点，它有1/16的概率替换样本集中的一点，依次更新背景模型，当某一像素连续出现M次被检测为前景，则将其更新为背景点；
最后，输出前景运动目标区域；
步骤2-4，将颜色疑似区域与前景运动目标区域相与得到疑似火焰区域；
步骤2-5，对疑似火焰区域提取先进行形态学处理，再提取火焰圆角度和尖角数的静态特征，火焰闪烁和面积变化动态特征；
步骤2-6，首先采集训练样本训练SVM模型，选取径向基核函数和参数δ＝0.2来完成SVM模型的训练，将提取的静态特征和动态特征作为SVM的输入，判断是否发生火灾，若判断为真，说明有火灾发生，将信号传输给报警模块并将视频图像传输给输出模块。
本发明具有的有益效果是：
(1)本发明提出的基于视频图像的火灾检测系统，相对于传统的火灾检测，将DSP和系统各个模块连接工作，提高了火灾检测的实时性和鲁棒性；
(2)本发明提出的颜色特征提取，可以较完整的提取出目标区域，尤其是排除掉疑似火焰区域，缩小检测范围；
(3)本发明的运动目标提取，改善了ViBe算法鬼影和空洞的缺点，能够较完整的提取目标区域，保证后面步骤的进行，大大降低了误报率，提高准确性；
(4)本发明利用现有的视频监控系统，减少经济成本的投入。
附图说明
图1是本发明的基于视频图像的火灾检测系统框图；
图2是本发明的基于视频图像的火灾检测系统的硬件结构图；
图3是本发明的基于视频图像的火灾检测方法的流程图；
图4是本发明基于GMM的ViBe的背景差分法的运动目标提取的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1、图2所示，本发明的基于视频图像的火灾检测系统，由视频采集模块、以及视频预处理模块、运动目标提取模块、火灾分析模块和火灾判断模块组成的火灾检测模块、视频输出模块和火灾报警模块连接而成。
具体地，摄像头获取覆盖范围内的视频图像，并通过接口线将视频传输到TVP5150芯片中，对采集的视频进行模拟信号转换成数字信号处理，将转换后的数字信号写入所述的火灾检测模块即TM320DM6437核心芯片中，对转换后的视频进行去燥等预处理，接着对预处理后的视频进行颜色特征提取分割和运动目标提取，相与得到疑似火焰区域，然后对处理后的疑似火焰区域提取静态特征和动态特征，再将提取的静态特征和动态特征作为SVM分类的输入，根据样本训练的SVM模型判断是否发生火灾，结合是否发生火灾发出报警信号并将视频图像显示在计算机显示屏上。
如图3所示，基于视频图像的火灾检测方法，该方法包括以下步骤:
步骤1，视频采集模块采集摄像头覆盖范围内的视频图像，并通过接口线将视频传输到TVP5150芯片中，对采集的视频进行模拟信号转换成数字信号处理，并存入TM320DM6437缓存区；
步骤2，对转换后的视频信号进行视频预处理，选定二维3×3窗口对图像进行中值滤波，去除图像中的噪声，尤其是椒盐噪声；
步骤3，对预处理后的视频图像进行运动目标提取即颜色特征提取和运动目标提取，所述的颜色特征提取，采用颜色模型规则基于RGB和YCbCr空间，将规则相与得到颜色疑似区域，规则具体包括：
规则1：R>G,R>B
规则2：R>Rmean
规则3：△T1≤B/(R+1)≤△T2
规则4：S≥(255-R×ST/RT)
规则5：Y>Cb,Cr>Cb
规则6：|Cr-Cb|≥τ
式中，R、G、B分别表示RGB空间的红色分量、绿色分量和蓝色分量，Rmean表示红色分量的均值，△T1和△T2表示阈值，S、R分别表示HIS空间的饱和度和红色分量，ST和RT表示饱和度和红色分量，Y、Cb和Cr分别表示YCbCr空间的亮度分量、红色分量和蓝色分量，τ表示Cb分量和Cr分量差的阈值。
步骤4，所述的运动目标提取即对滤波后的图像采用基于GMM的ViBe的背景差分法，提取运动目标；
式中，χ表示该帧的像素值，μ表示高斯分布的均值，σ2表示协方差。
接着，将高斯背景模型中提取出的背景传入给ViBe检测算法进行背景建模，随机选择其中20个八邻域中的像素点建立样本背景模型即初始化模型，即：B＝(v1,v2...v20)；
然后，根据建立的背景模型提取前景目标区域即运动目标区域，计算当前像素点与其样本集中的每个点的距离，当距离小于阈值R出现次数count大于阈值min，则判为前景，公式如下：
再对背景模型更新，若一像素点被判别为背景点，它有1/16的概率替换样本集中的一点，依次更新背景模型，当某一像素连续出现M次被检测为前景，则将其更新为背景点；
最后，输出前景运动目标区域；
步骤5，将颜色疑似区域与前景运动目标区域相与得到疑似火焰区域；
步骤6，对疑似火焰区域提取，先进行形态学处理，再提取火焰圆角度和尖角数的静态特征，火焰闪烁和面积变化动态特征；
步骤7，根据提取的静态特征和动态特征对疑似火焰区域判断是否为火灾，首先采集训练样本(干扰物样本，火焰样本，正常样本)训练SVM模型，选取径向基核函数和参数δ＝0.2来完成SVM模型的训练，将提取的静态特征和动态特征作为SVM的输入，判断是否发生火灾，若判断为真，说明有火灾发生，将信号传输给报警模块发出报警信号并将视频图像传输到计算机显示屏上显示，并继续进行下一次的检测，重复步骤1-步骤7。
以上实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述实例施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依据可以对前述各实施例记载的技术方案进行修改，或对其部分技术特征进行等同替换，而这些修改或替换，并不使相应技术方案的本质脱离本发明技术方案的精神和范畴。
Claims (6)
1.基于视频图像的火灾检测系统，其特征在于：视频采集模块、火灾检测模块、视频输出模块和火灾报警模块连接而成。
所述的视频采集模块包括摄像头和TVP5150解码芯片；
所述的火灾检测模块包括视频预处理模块、运动目标提取模块、火灾分析模块和火灾判断模块，设置于DSP中，用于对视频图像的处理；
所述的DSP的型号可以为TI公司高性能定点的TMS320DM6437型；
所述的视频输出模块即计算机显示屏，显示处理后的视频图像；
所述的火灾报警模块根据所述的火灾检测模块的判断发出报警信号。
2.根据权利要求1所述系统的基于视频图像的火灾检测方法，其特征在于，该方法包括以下步骤：
步骤1，视频采集模块采集摄像头覆盖范围内的视频图像，并通过接口线将视频传输到TVP5150芯片中，对采集的视频进行模拟信号转换成数字信号处理，并存入TM320DM6437缓存区；
步骤2，火灾检测模块对转换后的视频信号先进行视频预处理，接着进行运动目标提取模块即颜色特征提取分割和运动目标提取，两者相与得到疑似火焰区域，然后进行火灾分析模块即对疑似火焰区域提取静态特征和动态特征，最后进行火灾判断模块即将提取的静态特征和动态特征作为SVM分类器的输入，根据训练的SVM模型判断是否发生火灾；
步骤3，视频输出模块将处理过的视频图像显示于计算机显示屏上；
步骤4，火灾报警模块根据火灾检测模块的判断发出报警信号。
3.根据权利要求2所述的基于视频图像的火灾检测方法，其特征在于，所述的视频预处理，采用中值滤波对图像进行滤波，去除图像中的噪声，尤其是椒盐噪声，选定二维3×3窗口对图像进行中值滤波。
4.根据权利要求2所述的基于视频图像的火灾检测方法，其特征在于，所述的颜色特征提取，采用颜色模型规则基于RGB、YCbCr和HSI空间，将规则相与得到颜色疑似区域，规则具体包括：
规则1：R＞G,R＞B
规则2：R＞Rmean
规则3：ΔT1≤B/(R+1)≤ΔT2
规则4：S≥(255-R×ST/RT)
规则5：Y＞Cb,Cr＞Cb
规则6：|Cr-Cb|≥τ
式中，R、G、B分别表示RGB空间的红色分量、绿色分量和蓝色分量，Rmean表示红色分量的均值，ΔT1和ΔT2表示阈值，S、R分别表示HIS空间的饱和度和红色分量，ST和RT表示饱和度和红色分量，Y、Cb和Cr分别表示YCbCr空间的亮度分量、红色分量和蓝色分量，τ表示Cb分量和Cr分量差的阈值。
5.根据权利要求2所述的基于视频图像的火灾检测方法，其特征在于，所述的运动目标提取，对滤波后的图像采用基于GMM的ViBe的背景差分法，提取运动目标。
首先，采用GMM提取出视频中的背景，引入高斯密度函数建立背景模型，公式如下：
式中，χ表示该帧的像素值，μ表示高斯分布的均值，σ2表示协方差。
接着，将高斯背景模型中提取出的背景传入给ViBe检测算法进行背景建模，随机选择其中20个八邻域中的像素点建立样本背景模型即初始化模型，即：B＝(v1,v2...v20)；
然后，根据建立的背景模型提取前景目标区域即运动目标区域，计算当前像素点与其样本集中的每个点的距离，当距离小于阈值R出现次数count大于阈值min，则判为前景，公式如下：
再对背景模型更新，若一像素点被判别为背景点，它有1/16的概率替换样本集中的一点，依次更新背景模型，当某一像素连续出现M次被检测为前景，则将其更新为背景点；
最后，输出前景运动目标区域。
6.根据权利要求2所述的基于视频图像的火灾检测方法，其特征在于，所述的火灾判断模块，首先采集训练样本训练SVM模型，选取径向基核函数和参数δ＝0.2来完成SVM模型的训练，将提取的静态特征和动态特征作为SVM的输入，判断是否发生火灾，若判断为真，说明有火灾发生，将信号传输给报警模块并将视频图像传输给输出模块显示在计算机显示屏上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810486414.8A CN108447219A (zh) | 2018-05-21 | 2018-05-21 | 基于视频图像的火灾检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810486414.8A CN108447219A (zh) | 2018-05-21 | 2018-05-21 | 基于视频图像的火灾检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108447219A true CN108447219A (zh) | 2018-08-24 |
Family
ID=63204188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810486414.8A Pending CN108447219A (zh) | 2018-05-21 | 2018-05-21 | 基于视频图像的火灾检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108447219A (zh) |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109360370A (zh) * | 2018-11-30 | 2019-02-19 | 广州高新兴机器人有限公司 | 一种基于机器人烟火检测的方法 |
| CN109472192A (zh) * | 2018-09-20 | 2019-03-15 | 国网江苏省电力有限公司检修分公司 | 一种变电站室外具备抗干扰能力的火焰图像识别方法 |
| CN109598700A (zh) * | 2018-10-16 | 2019-04-09 | 天津大学 | 采用卷积神经网络的早期火灾检测方法 |
| CN110211323A (zh) * | 2019-05-29 | 2019-09-06 | 广州澳盾智能科技有限公司 | 基于级联分类的森林火灾识别方法 |
| CN110263661A (zh) * | 2019-05-28 | 2019-09-20 | 安徽南瑞继远电网技术有限公司 | 一种基于新颜色空间与fast-LOF的火焰检测方法及装置 |
| CN110516609A (zh) * | 2019-08-28 | 2019-11-29 | 南京邮电大学 | 一种基于图像多特征融合的火灾视频检测及预警方法 |
| CN110717946A (zh) * | 2019-09-25 | 2020-01-21 | 浙江万胜智能科技股份有限公司 | 一种从视频图像中筛选火焰目标的方法 |
| CN110751014A (zh) * | 2019-08-29 | 2020-02-04 | 桂林电子科技大学 | 一种火焰检测系统及方法 |
| CN110796008A (zh) * | 2019-09-27 | 2020-02-14 | 天津大学 | 一种基于视频图像的早期火灾检测方法 |
| CN110956611A (zh) * | 2019-11-01 | 2020-04-03 | 武汉纺织大学 | 一种集成卷积神经网络的烟雾检测方法 |
| 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 |
| CN111613037A (zh) * | 2020-04-30 | 2020-09-01 | 杭州拓深科技有限公司 | 一种基于智能算法的降低复合烟感误报的方法 |
| CN111626188A (zh) * | 2020-05-26 | 2020-09-04 | 西南大学 | 一种室内不可控明火监测方法及系统 |
| CN111986437A (zh) * | 2020-07-02 | 2020-11-24 | 湖南翰坤实业有限公司 | 一种火源探测及定位方法、系统 |
| CN112288986A (zh) * | 2020-10-28 | 2021-01-29 | 金娇荣 | 一种电动汽车充电安全监控和预警系统 |
| CN112347937A (zh) * | 2020-11-06 | 2021-02-09 | 南京朗联消防科技有限公司 | 一种基于视觉感知的室内火灾监测系统及方法 |
| CN112699970A (zh) * | 2021-02-26 | 2021-04-23 | 江苏昂内斯电力科技股份有限公司 | 一种多特征信息融合的火焰检测系统及其方法 |
| CN112699801A (zh) * | 2020-12-30 | 2021-04-23 | 上海船舶电子设备研究所(中国船舶重工集团公司第七二六研究所) | 基于视频图像的火灾识别方法及系统 |
| CN112907885A (zh) * | 2021-01-12 | 2021-06-04 | 中国计量大学 | 基于scnn的分散集中式家居图像火灾报警系统及方法 |
| CN113077604A (zh) * | 2021-03-18 | 2021-07-06 | 合肥科大立安安全技术有限责任公司 | 一种隧道型复合火焰探测识别方法 |
| CN113128439A (zh) * | 2021-04-27 | 2021-07-16 | 云南电网有限责任公司电力科学研究院 | 一种基于视频图像序列的火焰实时检测算法及系统 |
| CN113205562A (zh) * | 2021-05-31 | 2021-08-03 | 中国矿业大学(北京) | 一种基于双目视觉的矿井热动力灾害判识与定位方法 |
| CN113570802A (zh) * | 2021-06-25 | 2021-10-29 | 浙江大华技术股份有限公司 | 一种摄像机警戒方法、警戒装置和计算机可读存储介质 |
| CN113688748A (zh) * | 2021-08-27 | 2021-11-23 | 武汉大千信息技术有限公司 | 一种火灾检测的模型及方法 |
| CN113990017A (zh) * | 2021-11-21 | 2022-01-28 | 特斯联科技集团有限公司 | 基于pnn神经网络的森林草原火灾预警系统及方法 |
| CN116597603A (zh) * | 2023-07-19 | 2023-08-15 | 山东哲远信息科技有限公司 | 一种智能消防火灾报警系统及其控制方法 |
-
2018
- 2018-05-21 CN CN201810486414.8A patent/CN108447219A/zh active Pending
Cited By (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472192A (zh) * | 2018-09-20 | 2019-03-15 | 国网江苏省电力有限公司检修分公司 | 一种变电站室外具备抗干扰能力的火焰图像识别方法 |
| CN109598700A (zh) * | 2018-10-16 | 2019-04-09 | 天津大学 | 采用卷积神经网络的早期火灾检测方法 |
| CN109360370A (zh) * | 2018-11-30 | 2019-02-19 | 广州高新兴机器人有限公司 | 一种基于机器人烟火检测的方法 |
| CN110263661B (zh) * | 2019-05-28 | 2023-11-17 | 国网山东省电力公司电力科学研究院 | 一种基于新颜色空间与fast-LOF的火焰检测方法及装置 |
| CN110263661A (zh) * | 2019-05-28 | 2019-09-20 | 安徽南瑞继远电网技术有限公司 | 一种基于新颜色空间与fast-LOF的火焰检测方法及装置 |
| CN110211323A (zh) * | 2019-05-29 | 2019-09-06 | 广州澳盾智能科技有限公司 | 基于级联分类的森林火灾识别方法 |
| CN110516609A (zh) * | 2019-08-28 | 2019-11-29 | 南京邮电大学 | 一种基于图像多特征融合的火灾视频检测及预警方法 |
| CN110516609B (zh) * | 2019-08-28 | 2022-04-22 | 南京邮电大学 | 一种基于图像多特征融合的火灾视频检测及预警方法 |
| CN110751014A (zh) * | 2019-08-29 | 2020-02-04 | 桂林电子科技大学 | 一种火焰检测系统及方法 |
| CN110717946A (zh) * | 2019-09-25 | 2020-01-21 | 浙江万胜智能科技股份有限公司 | 一种从视频图像中筛选火焰目标的方法 |
| CN110796008A (zh) * | 2019-09-27 | 2020-02-14 | 天津大学 | 一种基于视频图像的早期火灾检测方法 |
| CN110956611A (zh) * | 2019-11-01 | 2020-04-03 | 武汉纺织大学 | 一种集成卷积神经网络的烟雾检测方法 |
| 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 |
| CN111613037A (zh) * | 2020-04-30 | 2020-09-01 | 杭州拓深科技有限公司 | 一种基于智能算法的降低复合烟感误报的方法 |
| CN111626188B (zh) * | 2020-05-26 | 2022-05-06 | 西南大学 | 一种室内不可控明火监测方法及系统 |
| CN111626188A (zh) * | 2020-05-26 | 2020-09-04 | 西南大学 | 一种室内不可控明火监测方法及系统 |
| CN111986437A (zh) * | 2020-07-02 | 2020-11-24 | 湖南翰坤实业有限公司 | 一种火源探测及定位方法、系统 |
| CN112288986A (zh) * | 2020-10-28 | 2021-01-29 | 金娇荣 | 一种电动汽车充电安全监控和预警系统 |
| CN112347937A (zh) * | 2020-11-06 | 2021-02-09 | 南京朗联消防科技有限公司 | 一种基于视觉感知的室内火灾监测系统及方法 |
| CN112347937B (zh) * | 2020-11-06 | 2023-11-10 | 南京朗联消防科技有限公司 | 一种基于视觉感知的室内火灾监测系统及方法 |
| CN112699801A (zh) * | 2020-12-30 | 2021-04-23 | 上海船舶电子设备研究所(中国船舶重工集团公司第七二六研究所) | 基于视频图像的火灾识别方法及系统 |
| CN112699801B (zh) * | 2020-12-30 | 2022-11-11 | 上海船舶电子设备研究所(中国船舶重工集团公司第七二六研究所) | 基于视频图像的火灾识别方法及系统 |
| CN112907885A (zh) * | 2021-01-12 | 2021-06-04 | 中国计量大学 | 基于scnn的分散集中式家居图像火灾报警系统及方法 |
| CN112907885B (zh) * | 2021-01-12 | 2022-08-16 | 中国计量大学 | 基于scnn的分散集中式家居图像火灾报警系统及方法 |
| CN112699970A (zh) * | 2021-02-26 | 2021-04-23 | 江苏昂内斯电力科技股份有限公司 | 一种多特征信息融合的火焰检测系统及其方法 |
| CN113077604A (zh) * | 2021-03-18 | 2021-07-06 | 合肥科大立安安全技术有限责任公司 | 一种隧道型复合火焰探测识别方法 |
| CN113128439A (zh) * | 2021-04-27 | 2021-07-16 | 云南电网有限责任公司电力科学研究院 | 一种基于视频图像序列的火焰实时检测算法及系统 |
| CN113205562B (zh) * | 2021-05-31 | 2023-09-15 | 中国矿业大学(北京) | 一种基于双目视觉的矿井热动力灾害判识与定位方法 |
| CN113205562A (zh) * | 2021-05-31 | 2021-08-03 | 中国矿业大学(北京) | 一种基于双目视觉的矿井热动力灾害判识与定位方法 |
| CN113570802B (zh) * | 2021-06-25 | 2022-12-23 | 浙江大华技术股份有限公司 | 一种摄像机警戒方法、警戒装置和计算机可读存储介质 |
| CN113570802A (zh) * | 2021-06-25 | 2021-10-29 | 浙江大华技术股份有限公司 | 一种摄像机警戒方法、警戒装置和计算机可读存储介质 |
| CN113688748A (zh) * | 2021-08-27 | 2021-11-23 | 武汉大千信息技术有限公司 | 一种火灾检测的模型及方法 |
| CN113688748B (zh) * | 2021-08-27 | 2023-08-18 | 武汉大千信息技术有限公司 | 一种火灾检测的模型及方法 |
| CN113990017B (zh) * | 2021-11-21 | 2022-04-29 | 特斯联科技集团有限公司 | 基于pnn神经网络的森林草原火灾预警系统及方法 |
| CN113990017A (zh) * | 2021-11-21 | 2022-01-28 | 特斯联科技集团有限公司 | 基于pnn神经网络的森林草原火灾预警系统及方法 |
| CN116597603A (zh) * | 2023-07-19 | 2023-08-15 | 山东哲远信息科技有限公司 | 一种智能消防火灾报警系统及其控制方法 |
| CN116597603B (zh) * | 2023-07-19 | 2023-10-10 | 山东哲远信息科技有限公司 | 一种智能消防火灾报警系统及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108447219A (zh) | 基于视频图像的火灾检测系统及方法 | |
| CN110516609B (zh) | 一种基于图像多特征融合的火灾视频检测及预警方法 | |
| CN107944359B (zh) | 基于视频的火焰检测方法 | |
| 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 | |
| EP3648448B1 (en) | Target feature extraction method and device, and application system | |
| CN106600888B (zh) | 一种森林火灾自动检测方法及系统 | |
| CN101738394B (zh) | 室内烟雾检测方法及系统 | |
| CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
| CN103996045B (zh) | 一种基于视频的多种特征融合的烟雾识别方法 | |
| CN106951838B (zh) | 一种基于图像水纹的落水报警系统及其方法 | |
| CN113192038B (zh) | 基于深度学习的已有火焰环境中异常烟火识别监测方法 | |
| CN101316371B (zh) | 火焰侦测方法及装置 | |
| CN104036250A (zh) | 视频行人检测与跟踪方法 | |
| KR102540208B1 (ko) | 딥러닝을 이용한 화재감지방법 | |
| CN113221763A (zh) | 一种基于视频图像亮度的火焰识别方法 | |
| CN109741565A (zh) | 煤矿火灾识别系统及方法 | |
| CN109274945A (zh) | 一种自适应进行图像真彩色还原的方法及系统 | |
| Celik et al. | Computer vision based fire detection in color images | |
| CN111985314A (zh) | 一种基于ViBe与改进LBP的烟雾检测方法 | |
| CN113657250A (zh) | 一种基于监控视频的火焰检测方法及系统 | |
| CN110660187B (zh) | 一种基于边缘计算的森林火警监测系统 | |
| CN110502995B (zh) | 基于细微面部动作识别的驾驶员打哈欠检测方法 | |
| CN116453233A (zh) | 一种融合超声波和图像信息的人脸多模态检测方法及系统 | |
| CN110751014A (zh) | 一种火焰检测系统及方法 | |
| CN111860395B (zh) | 基于视觉和加速度信息实现监所暴力行为检测的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180824 |