CN108921020A - 一种消防火灾图像识别方法及其装置 - Google Patents
一种消防火灾图像识别方法及其装置 Download PDFInfo
- Publication number
- CN108921020A CN108921020A CN201810533012.9A CN201810533012A CN108921020A CN 108921020 A CN108921020 A CN 108921020A CN 201810533012 A CN201810533012 A CN 201810533012A CN 108921020 A CN108921020 A CN 108921020A
- Authority
- CN
- China
- Prior art keywords
- value
- image
- given
- vertex
- feature
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明涉及消防火灾图像识别方法及其装置,用于获取给定图特征三角形集合,特征三角形的三个顶点中,任意一个顶点的第一坐标值为该顶点对应的至少一个像素点在设定方向上的坐标值,该顶点的第二坐标值为该顶点对应的至少一个像素点的等价Y/U/V值,且在将特征三角形的三个顶点按第一坐标值排序后各个顶点的第二坐标值与该点的实际Y/U/V值之差不大于设定的阈值;从给定图像确定的全部特征三角形,按照三条边的相似度进行归类,生成给定图特征三角形集合;以给定图特征三角形集合作为基本依据来从外到内逐行以及逐列逐个计算并判定由目标图像确定的特征三角形与给定图特征三角形集合的相似度评价值进行清理与判定。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种消防火灾图像识别方法及其装置。
背景技术
消防火灾图像识别技术,即利用计算机替代人的眼睛,对消防火灾图像进行自动识别的技术。在火灾初起(即“刚刚冒烟起火”)阶段进行监控识别和实时报警,很有意义。
目前的计算机消防火灾图像识别方法已经有很多,通常是使用火焰颜色、亮度、闪烁、运动目标、边缘维数、圆形度等特征参数来建模,攻克技术围绕均是放“火焰的构成及判定”这一点上。
然而,由于火焰本身的图像及其背景都是千变万化、变幻不定的,难以找到一以贯之的一套通用规则,因此,各种火焰模型都难免存在某些缺憾。而且烟雾在大多数情况下也是火灾不可分割的一部分,但火焰模型与烟雾模型则完全不是一回事。更何况,及时发现火灾只是消防领域基本需求的第一步,更重要的是能够自动扑灭火灾,做到消灾减灾;而诸如智能水炮射流灭火的关键是如何让水炮打得准,从而做到快速灭火,这就涉及到火焰、烟雾、水流轨迹、激光笔点等一系列目标物的实时图像识别,其中激光笔点图像识别是为了将摄像机图像坐标体系与水炮等灭火执行机构坐标体系连接起来。以上这些都不是现有单一的计算机消防火灾图像识别技术所能及的。
发明内容
本发明实施例提供一种消防火灾图像识别方法及装置,用以解决现有的计算机消防火灾图像识别技术无法较为有效和快捷地一体化识别火焰、烟雾、水流轨迹、激光笔点等一系列问题。
本发明实施例提供的一种消防火灾图像识别方法,包括:
目标图像和给定图像逐行/逐列特征三角形的生成:其中,特征三角形的三个顶点中,任意一个顶点的第一坐标值为该顶点对应的至少一个像素点在设定方向上的坐标值,该顶点的第二坐标值为该顶点对应的至少一个像素点的等价Y(灰度)/U(Cb,即彩色中的蓝色分量)/V(Cr,即彩色中的红色分量) 值,且在将特征三角形的三个顶点按第一坐标值排序后各个顶点的第二坐标值与该点的实际Y/U/V值之差不大于设定的阈值。
从给定图像确定的全部特征三角形,按照三条边的相似度进行归类,生成给定图特征三角形集合。
以给定图特征三角形集合作为基本依据来从外到内逐行/逐列逐个计算并判定由目标图像确定的特征三角形与给定图特征三角形集合的相似度评价值。
本发明实施例提供的一种消防火灾图像识别装置,包括:
第一确定模块,用于获取给定图特征三角形集合;其中,特征三角形的三个顶点中,任意一个顶点的第一坐标值为该顶点对应的至少一个像素点在设定方向上的坐标值,该顶点的第二坐标值为该顶点对应的至少一个像素点的等价 Y/U/V值,且在将特征三角形的三个顶点按第一坐标值排序后各个顶点的第二坐标值与该点的实际Y/U/V值之差不大于设定的阈值。
从给定图像确定的全部特征三角形,按照三条边的相似度进行归类,生成给定图特征三角形集合。
第二确定模块,用于以给定图特征三角形集合作为基本依据来从外到内逐行/逐列逐个计算并判定由目标图像确定的特征三角形与给定图特征三角形集合的相似度评价值。
本发明实施例提供的一种消防火灾图像识别方法,包括:从给定图像确定的全部特征三角形,按照三条边的相似度进行归类,生成给定图特征三角形集合;以给定图特征三角形集合作为基本依据来从外到内逐行/逐列逐个计算并判定由目标图像确定的特征三角形与给定图特征三角形集合的相似度评价值,由此对目标图像的四周进行清理,使得目标图像只保留火灾图像部分,也可以直接判定整个目标图像是否为消防火灾图像。采用本发明实施例,可以快速地对火焰、烟雾、水流轨迹、激光笔点等内容不规则的消防火灾图像进行判定和处理,减少漏识和误识,提高识别准确率。
附图说明
图1为本发明实施例提供的消防火灾图像识别方法流程图;
图2a-图2c为本发明实施例的火焰、烟雾和激光笔点给定图像(给定图片库);其中,图2a为47个火焰给定图片,图2b为7个烟雾给定图片,图2c 为4个激光笔点给定图片。
图3为本发明实施例的其中一个示例给定图片展示Y值特征三角形生成过程;其中,图3a为图2a中示例给定图片zm3_1_00590106_170112111747.bmp;图3b为标记处图3a中第19行的位置;图3c为第19行Y值特征三角形,图 3d为图3的第19行Y值特征三角形局部放大图。
图4a-图4b为本发明实施例的其中一个示例给定图片展示U值特征三角形生成过程;图4a为19行U值特征三角形,图4b为图3c中第19行U值特征三角形局部放大图。
图5a-图5b为本发明实施例的其中一个示例给定图片展示V值特征三角形生成过程;图5a为第19行V值特征三角形,图5b为第19行V值特征三角形局部放大图。
图6a-图6f为本发明实施例给定图片库Y、U、V值特征三角形归类结果;图6a为Y值行特征三角形归类结果;图6b为Y值列特征三角形归类结果;图6c为U值行特征三角形归类结果;图6d为U值列特征三角形归类结果;图6e为V值行特征三角形归类结果,图6f为V值列特征三角形归类结果。
图7为本发明实施例的一帧目标图像,用以展示目标图像的特征三角形生成,以及据此进行消防火灾图像识别;
图8a-图8b所示,为本发明实施例提供的初选目标图像(1:1显示结果);图8a为1920×1080当前帧初选结果,图8b为初选目标图像结构。
图9所示,为本发明实施例的具体处理流程图,使得目标图像只保留火灾图像部分,也可以直接判定整个初选目标图像是否为消防火灾图像;
图10a-图10f所示,为本发明实施例展示从上到下对示例初选目标图像进行清理的具体方法和步骤;图10a为第1行Y值特征三角形;图10b为第1 行Y/U/V相似度评价值;图10c为第50行Y值特征三角形;图10d为第50 行Y/U/V相似度评价值;图10e为第51行Y值特征三角形。
图11a-图11c所示,为本发明实施例完成处理后的输出目标图像,即“复选目标图像”。图11a为初选目标对象,图11b为复选目标图像,图11c为1920 ×1080当前帧复选结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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,都属于本发明保护的范围。
本发明实施例中以给定图特征三角形集合作为基本依据来从外到内逐行 /逐列逐个计算并判定由目标图像确定的特征三角形与给定图特征三角形集合的相似度评价值,其中,特征三角形的三个顶点中,任意一个顶点的第一坐标值为该顶点对应的至少一个像素点在设定方向上的坐标值,该顶点的第二坐标值为该顶点对应的至少一个像素点的等价Y/U/V值,且在将特征三角形的三个顶点按第一坐标值排序后各个顶点的第二坐标值与该点的实际Y/U/V值之差不大于设定的阈值。
从给定图像确定的全部特征三角形,按照三条边的相似度进行归类,生成给定图特征三角形集合。
下面结合说明书附图对本发明实施例作进一步详细描述。
如图1所示,为本发明实施例提供的消防火灾图像识别方法流程图,包括以下步骤:
S101:用于获取给定图特征三角形集合;其中,特征三角形的三个顶点中,任意一个顶点的第一坐标值为该顶点对应的至少一个像素点在设定方向上的坐标值,该顶点的第二坐标值为该顶点对应的至少一个像素点的等价Y/U/V 值,且在将特征三角形的三个顶点按第一坐标值排序后各个顶点的第二坐标值与该点的实际Y/U/V值之差不大于设定的阈值。
从给定图像确定的全部特征三角形,按照三条边的相似度进行归类,生成给定图特征三角形集合。
S102:用于以给定图特征三角形集合作为基本依据来从外到内逐行/逐列逐个计算并判定由目标图像确定的特征三角形与给定图特征三角形集合的相似度评价值。
步骤S101中,在平面坐标系中,第一坐标值可以为横坐标值,第二坐标值可以为纵坐标值,或者,第一坐标值为纵坐标值,第二坐标值为横坐标值,其中的第二坐标值即为特征三角形顶点对应的Y/U/V值。
在具体实施过程中,若给定图像、源图像与目标图像为黑白、灰度图像,则其中的第二坐标值即为特征三角形顶点只需要考虑Y值即可(此时U、V值恒为0)。
若给定图像、源图像与目标图像为彩色图像,则应依次考虑Y/U/V值,对这三者的相似度评价值结果进行综合考虑。
本发明作为一种消防火灾图像识别方法及其装置,相应的实施例软件也已大体上开发完成,下面以此实施例软件来具体描述本发明。
本发明适用于火焰、烟雾、水流轨迹和激光笔点等与消防系统有关的目标图像一体化识别。为简化计,以下只以火焰图像识别作为实施例进行说明,其余如烟雾、激光笔点和水流轨迹等均大体类似,可以依此类推。
目前的计算机消防火灾图像识别方法已经有很多,基本上都是把重点放在“火焰的构成及判定”这一点上,为此使用火焰颜色、亮度、闪烁、运动目标、边缘维数、圆形度等特征参数来构建火焰模型和进行火焰判定。
本发明则反其道而行之,不再关心“火焰的构成”本身,而是直接把给定图片作为火焰的基本依据,与给定图片较为相似的图片内容即为所求的目标物,即刻意绕过了“火焰的构成”这一棘手的问题;也就是说,给定图片是火焰,与给定图片较为相似的图片内容即为火焰目标物;若给定图片是烟雾,与给定图片较为相似的图片内容即为烟雾目标物,依此类推,由此,消防火灾图像识别的关键内容就转变为探求目标图像与给定图像(给定图片库)的比对方法和相似度评价值计算方法了。
本发明着重考察各个像素点(通常以行、列或者行/列均值等为长度单位) Y、U、V值之间构成的相对关系,并由此引申出Y、U、V值特征三角形及其集合,再依据特征三角形的形状(重点是只看三个边长是否一致或者大体一致,而不考虑特征三角形所处的具体位置、角度及其排列顺序)、高度(即灰度值,或者叫亮度值,通常应把两幅图像归置到同一个亮度水平来比对)来判定目标图像块与给定图像(给定图片库)块之间的相似度,也就是说,本发明将特征三角形作为构成目标图像块与给定图像(给定图片库)块的基本元素,由于特征三角形的数目远比像素点数目为少,因此图像识别处理速度也就大为提高。
在我们的实施例中,如图2a-图2c所示,火焰、烟雾和激光笔点给定图像 (给定图片库)依次各用了47、7和4个给定图片。其中,图2a为47个火焰给定图片,图2b为7个烟雾给定图片,图2c为4个激光笔点给定图片。
在单纯只考虑给定图片(孤立)像素点本身的算法中,给定图片本身的质量对最终识别正确率影响甚大,但就本发明而言,考察的是像素点之间的比例关系形成的特征三角形,因此,给定图片的某个局部如果有非火焰成分存在,整体而言对最终识别正确率的影响相对较小。
以47个火焰给定图像(给定图片库)的其中一个为例来具体说明如何生成特征三角形,示例给定图片zm3_1_00590106_170112111747.bmp,如图3a 所示的倒数第3个图像。
具体来看看第19行(图3b左侧直线标注行),其Y值特征三角形示于图 3c,连续曲线a(Tzh)为该行Y值原值,连续曲线b即为拟合出来的Y值特征三角形,即任意连续的3根连续曲线b构成一个特征三角形,从图3d的局部放大图可以看得更为清楚一些。
图3c的横坐标是示例给定图片宽度方向的像素值坐标(高度方向本例已固定为第19行),纵坐标是像素点的Y值连续曲线a,纵坐标是像素点的Y值拟合值(近似值)连续曲线b,要求拟合值与实际Y值之差不大于设定的阈值。
图4a-图4b所示为同一行的U值的特征三角形,图5a-图5b所示为同一行的V值的特征三角形;也即Y/U/V值特征三角形是分别处理的。
因此,连续曲线a是表征逐个像素点实际Y/U/V值的曲线,连续曲线b是拟合连续曲线aY/U/V值的直线线段。Y/U/V值的连续曲线b按第一坐标值排序,从左至右依次每3个转折点构成特征三角形的三个顶点a、b、c,每个特征三角形可以得到三条边长Ya、Yb、Yc/Ua、Ub、Uc/Va、Vb、Vc。
依此类推,全部47个给定图片的逐行/逐列均可由此获得若干个特征三角形,设依次为Yn、Un、Vn个。由于三条边长即可以唯一确定一个三角形,而且,三条边长等比例伸缩时,不会影响该三角形三个角的大小,也即三角形的形状保持不变。据此可以对Yn、Un、Vn个特征三角形进行相似性归类,即三条边长相同或者差不多相同的归于一起,如图6所示,包括Y、U、V值的行/ 列特征三角形集合,一共6个数据单元,称之为给定图特征三角形集合,以图 6(a)第1行为例,第1行数据“002828,001379,004167,000088,0-245,234,229”的具体含义如下
边长为2828、1379、4167(放大了256倍,实际为11.04、5.38、16.27,单位为像素)的Y值特征三角形,归类后计有88个这样的Y值特征三角形,而其后3个数依次为三个顶点a、b、c的Y值;其余各行依次类推。
本发明的消防火灾图像识别装置每次在投入(实时监控火灾的)运行之前,都会先行自动重新生成一次给定图特征三角形集合,即每次运行都会先进行预处理,这样做主要有以下两点好处:一是在运行中可以直接调用这些数据,以节省处理时间;二是对给定图片库的增删优化,在下次运行时即可生效,这为本发明的消防火灾图像识别装置加入自学习功能,提供了方便;在有互联网的情况下,还可以实现云自学习功能。
至于目标图像的特征三角形生成,以及据此进行消防火灾图像识别,我们以图7所示的一帧源图像的具体处理为例来加以描述。
经过任何一种传统的处理方法(这里使用我们自己研发出来的初选方法,由于不在本发明的描述范围之内,只直接给出结果,具体过程此处从略),先行从源图像中初选出如图8a所示的目标图像块,其中蓝色部分为火焰本体点,绿色或者红色部分为相对于前1帧的变化点;显然,初选目标图像的上部有多余部分,即为与给定图(47个给定图片)的某些像素点颜色比较接近的背景物 (挡板),使用初选的处理方法难以轻易去除;从图8b彩图及初选目标图像1:1 显示结果,可以看得更为清晰一些(灰色图及虚框为烟雾的初选识别结果,这里从略)。
利用本发明则可以较为快捷和方便地对这个初选目标图像的四周进行清理,使得目标图像只保留真正的火灾图像部分;也可以直接判定整个初选目标图像是否为消防火灾图像;具体的处理流程图如图9所示。
初选目标图像块由外向里逐行/逐列修理,该行/列是否可以删除,将由该行/列的特征三角形与给定图特征三角形集合的相似度综合评价值来决定。
实施例图10a-图10f是从上到下逐行处理。图10a横坐标是初选目标图像块宽度方向的像素值坐标(高度方向此处已固定为第1行),纵坐标连续曲线c 是像素点的Y值曲线,纵坐标连续曲线d是像素点的Y值拟合值(近似值),要求拟合值与实际Y值之差不大于设定的阈值。图10a的连续曲线c与连续曲线d恰巧完全重合。
图10b示例中,[△8,6,5;%39,33,43;37]的含义为:
初选目标图像每行的特征三角形数目均值依次为8、6、5个;每行Y、U、 V相似度评价均值为39%、33%、43%,总的相似度评价值为37%。
其中,每行Y、U、V相似度评价值的计算方法:该行的Y、U、V值某个特征三角形与给定图特征三角形集合中的任何一个特征三角形相同或者近似,取值1,否则取值0;比对完毕,取值1的特征三角形数目与该行特征三角形数目的比值,即为该行的相似度评价值。
图10b示例中,〖30+0〗的含义为:
综合了该行特征三角形数目和Y、U、V相似度评价值的该行相似度综合评价值z为30(满分值255),该行落在47个给定图片Y、U、V值特征三角形区间的特征三角形顶点数w为0。可以根据实际情况设定是否删除该行的 [z,w]阀值,例如,本实施例要求z≥75,或者w≥3时z≥25,否则即可以删除该行。据此,本例第1行应予删除。
本实施例逐行由上到下处理,凡不满足“z≥75,或者w≥3时z≥25”的行均可删除,本例直至第51行为止;图10c和图10d是第50行的情况,图10e 和图10f是第51行的情况。
依此类推,再继续完成“从下到上和从左到右、从右到左”三个方向的处理。完成处理后的目标图像如图11b所示,我们称之为“复选目标图像”。对照图8a和图11c,可以从整帧图像看到从“初选目标图像”到“复选目标图像”的变化情况。
经过本发明方法的处理,初选目标图像上部的多余部分已经大体上被剔除。按照我们的初选方法,初选目标图像与47个给定图片的匹配度(即比对出的相似度评价值)为91.74%,复选目标图像与47个给定图片的匹配度则升至99.99%。
整个处理过程实测约需0.25s时间。
如前所述,本发明的核心思想是将特征三角形视作为基本元素,只要初选目标图像的某个特征三角形与给定图特征三角形集合里的任意一个特征三角形相似即可,而不需要考虑这个特征三角形在图像中的具体位置、角度及其排列顺序,打个比方,如果将太行山、王屋山视作一个特征三角形状,那么无论将太行山、王屋山搬到什么地方,处于何种角度,它都永远是太行山、王屋山形状,当某个地方出现了与太行山、王屋山形状相同的物体,那我们就知道,原来神仙下凡将太行山、王屋山搬到了这个地方;当目标图像的特征三角形与给定图特征三角形集合的相似数量足够多,即匹配度足够高,就基本可以认定这个初选目标图像与给定图像极为类似,而无论给定图像(给定图片库)是火焰、烟雾、激光笔点还是水流轨迹,概莫如此,具体的处理手法也是基本上相同。
因此,利用本发明的确可以较为快捷和方便地对初选目标图像的四周进行清理,使得目标图像只保留火灾图像部分,也可以直接判定整个初选目标图像是否为消防火灾图像,为消防系统火灾探测和自动灭火的一体化控制提供了方便。
本发明将消防火灾图像识别方法化繁为简,由于处理速度较快,使得火灾实时监控、数据提取和实时判定对硬件装置的要求也大幅降低,由此大幅度提高了消防系统的性价比。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器、云存储等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种消防火灾图像识别方法,其特征在于,包括:
步骤S101:用于获取给定图特征三角形集合,特征三角形的三个顶点中,任意一个顶点的第一坐标值为该顶点对应的至少一个像素点在设定方向上的坐标值,该顶点的第二坐标值为该顶点对应的至少一个像素点的等价Y/U/V值,且在将特征三角形的三个顶点按第一坐标值排序后各个顶点的第二坐标值与该点的实际Y/U/V值之差不大于设定的阈值;
从给定图像确定的全部特征三角形,按照三条边的相似度进行归类,生成给定图特征三角形集合;
步骤S102:以给定图特征三角形集合作为基本依据来从外到内逐行以及逐列逐个计算并判定由目标图像确定的特征三角形与给定图特征三角形集合的相似度评价值,由此对目标图像的四周进行清理,使得目标图像只保留火灾图像部分,也可以直接判定整个目标图像是否为消防火灾图像。
2.如权利要求1所述的消防火灾图像识别方法,其特征在于,在步骤S101中,在平面坐标系中,第一坐标值可以为横坐标值,第二坐标值可以为纵坐标值,或者,第一坐标值为纵坐标值,第二坐标值为横坐标值,其中的第二坐标值即为所述特征三角形顶点对应的Y/U/V值。
3.如权利要求2所述的消防火灾图像识别方法,其特征在于,若给定图像、源图像与目标图像为黑白、灰度图像,则其中的第二坐标值即为特征三角形顶点只需要考虑Y值,此时U、V值恒为0。
4.如权利要求2所述的消防火灾图像识别方法,其特征在于,若给定图像、源图像与目标图像为彩色图像,则应依次考虑Y/U/V值,对这三者的相似度评价值结果进行综合考虑。
5.如权利要求1所述的消防火灾图像识别方法,其特征在于,给定图特征三角形集合包括:以行、列或者行/列均值等为长度单位的各个像素点构成Y、U、V值之间的相对关系,得到Y、U、V值特征三角形及其集合。
6.如权利要求5所述的消防火灾图像识别方法,其特征在于,再依据特征三角形的形状、高度来判定目标图像块与给定图像来判定目标图像块与给定图像块之间的相似度。
7.如权利要求6所述的消防火灾图像识别方法,其特征在于,所述三角形的形状是指:三个边长是否一致或者大体一致,而不考虑特征三角形所处的具体位置、角度及其排列顺序;所述亮度是指:灰度值或者叫亮度值,通常应把两幅图像归置到同一个亮度水平来比对;给定图像是指:给定图片库。
8.一种消防火灾图像识别装置,其特征在于,包括:
归类集合模块,用于根据由目标图像确定的逐行/逐列逐个特征三角形与给定图特征三角形集合的相似度评价值,由此对目标图像的四周进行清理,使得目标图像只保留火灾图像部分,也可以直接判定整个目标图像是否为消防火灾图像;其中,特征三角形的三个顶点中,任意一个顶点的第一坐标值为该顶点对应的至少一个像素点在设定方向上的坐标值,该顶点的第二坐标值为该顶点对应的至少一个像素点的等价Y/U/V值,且在将特征三角形的三个顶点按第一坐标值排序后各个顶点的第二坐标值与该点的实际Y/U/V值之差不大于设定的阈值;从给定图像确定的全部特征三角形,按照三条边的相似度进行归类,生成给定图特征三角形集合;
评价确定模块,用于以给定图特征三角形集合作为基本依据来从外到内逐行以及逐列逐个计算并判定由目标图像确定的特征三角形与给定图特征三角形集合的相似度评价值。
9.如权利要求8所述的消防火灾图像识别装置,其特征在于,所述归类集合模块具体用于:
从给定图像确定的全部特征三角形,按照三条边的相似度进行归类,生成给定图特征三角形集合。
10.如权利要求8所述的消防火灾图像识别装置,其特征在于,所述归类集合模块包括:所述给定图特征三角形集合包括:以行、列或者行/列均值等为长度单位的各个像素点构成Y、U、V值之间的相对关系,得到Y、U、V值特征三角形及其集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533012.9A CN108921020A (zh) | 2018-05-29 | 2018-05-29 | 一种消防火灾图像识别方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533012.9A CN108921020A (zh) | 2018-05-29 | 2018-05-29 | 一种消防火灾图像识别方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921020A true CN108921020A (zh) | 2018-11-30 |
Family
ID=64419774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810533012.9A Pending CN108921020A (zh) | 2018-05-29 | 2018-05-29 | 一种消防火灾图像识别方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921020A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332092A (zh) * | 2011-09-14 | 2012-01-25 | 广州灵视信息科技有限公司 | 一种基于视频分析的火焰检测方法 |
CN103903249A (zh) * | 2012-12-27 | 2014-07-02 | 纽海信息技术(上海)有限公司 | 图像匹配系统及方法 |
CN103927511A (zh) * | 2014-02-25 | 2014-07-16 | 华北电力大学(保定) | 基于差异特征描述的图像识别方法 |
CN104182719A (zh) * | 2013-05-21 | 2014-12-03 | 宁波华易基业信息科技有限公司 | 一种图像识别方法及装置 |
CN104408706A (zh) * | 2014-09-30 | 2015-03-11 | 天津艾思科尔科技有限公司 | 一种基于双波段图像的火灾检测及定位方法 |
CN104504382A (zh) * | 2015-01-13 | 2015-04-08 | 东华大学 | 一种基于图像处理技术的火焰识别算法 |
US20150278603A1 (en) * | 2014-03-31 | 2015-10-01 | Regents Of The University Of Minnesota | Unsupervised spatio-temporal data mining framework for burned area mapping |
CN107067412A (zh) * | 2017-04-01 | 2017-08-18 | 江苏移动信息系统集成有限公司 | 一种多信息融合的视频火焰烟雾检测方法 |
CN107133977A (zh) * | 2017-05-18 | 2017-09-05 | 华中科技大学 | 一种基于概率产生模型的快速立体匹配方法 |
-
2018
- 2018-05-29 CN CN201810533012.9A patent/CN108921020A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332092A (zh) * | 2011-09-14 | 2012-01-25 | 广州灵视信息科技有限公司 | 一种基于视频分析的火焰检测方法 |
CN103903249A (zh) * | 2012-12-27 | 2014-07-02 | 纽海信息技术(上海)有限公司 | 图像匹配系统及方法 |
CN104182719A (zh) * | 2013-05-21 | 2014-12-03 | 宁波华易基业信息科技有限公司 | 一种图像识别方法及装置 |
CN103927511A (zh) * | 2014-02-25 | 2014-07-16 | 华北电力大学(保定) | 基于差异特征描述的图像识别方法 |
US20150278603A1 (en) * | 2014-03-31 | 2015-10-01 | Regents Of The University Of Minnesota | Unsupervised spatio-temporal data mining framework for burned area mapping |
CN104408706A (zh) * | 2014-09-30 | 2015-03-11 | 天津艾思科尔科技有限公司 | 一种基于双波段图像的火灾检测及定位方法 |
CN104504382A (zh) * | 2015-01-13 | 2015-04-08 | 东华大学 | 一种基于图像处理技术的火焰识别算法 |
CN107067412A (zh) * | 2017-04-01 | 2017-08-18 | 江苏移动信息系统集成有限公司 | 一种多信息融合的视频火焰烟雾检测方法 |
CN107133977A (zh) * | 2017-05-18 | 2017-09-05 | 华中科技大学 | 一种基于概率产生模型的快速立体匹配方法 |
Non-Patent Citations (1)
Title |
---|
郭欢: "基于数字图像处理的森林火灾探测算法的研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522819B (zh) | 一种基于深度学习的火灾图像识别方法 | |
Zhang et al. | Wildland forest fire smoke detection based on faster R-CNN using synthetic smoke images | |
CN107808133B (zh) | 基于无人机巡线的油气管道安全监测方法、系统及软件存储器 | |
CN106951867A (zh) | 基于卷积神经网络的人脸识别方法、装置、系统及设备 | |
CN111259751A (zh) | 基于视频的人体行为识别方法、装置、设备及存储介质 | |
CN110378997A (zh) | 一种基于orb-slam2的动态场景建图与定位方法 | |
CN109902018A (zh) | 一种智能驾驶系统测试案例的获取方法 | |
CN109983482A (zh) | 已学习模型生成方法、已学习模型生成装置、信号数据判别方法、信号数据判别装置以及信号数据判别程序 | |
CN111783640A (zh) | 检测方法、装置、设备以及存储介质 | |
CN109543744B (zh) | 一种基于龙芯派的多类别深度学习图像识别方法及其应用 | |
CN113177968A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN110390327A (zh) | 前景提取方法、装置、计算机设备及存储介质 | |
CN109840503A (zh) | 一种确定种类信息的方法及装置 | |
CN110738163A (zh) | 一种矿井人员违规动作识别系统 | |
CN114565891A (zh) | 一种基于图形生成技术的烟火监测方法及系统 | |
CN112101181A (zh) | 一种基于深度学习的自动化隐患场景识别方法及系统 | |
US20110142336A1 (en) | Similar shader search apparatus and method using image feature extraction | |
US10964096B2 (en) | Methods for detecting if an object is visible | |
CN108921020A (zh) | 一种消防火灾图像识别方法及其装置 | |
CN117152844A (zh) | 基于计算机视觉的高完整性工人施工姿态检测方法及系统 | |
CN112288883A (zh) | 作业指导信息的提示方法、装置、电子设备及存储介质 | |
CN115995097A (zh) | 一种基于深度学习的安全头盔佩戴标准判断方法 | |
CN110414792A (zh) | 基于bim和大数据的部品集采管理系统及相关产品 | |
CN109063708A (zh) | 基于轮廓提取的工业图像特征识别方法及系统 | |
Wang et al. | Coactive design of human-machine collaborative damage assessment using UAV images and decision trees |
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 | ||
CB02 | Change of applicant information |
Address after: 100871, Beijing, Haidian District Cheng Fu Road No. 207, Beida Jade Bird building, block C, 2 Applicant after: Bluebird fire Co.,Ltd. Address before: 100871, Beijing, Haidian District Cheng Fu Road No. 207, Beida Jade Bird building, block C, 2 Applicant before: BEIDA JADE BIRD UNIVERSAL FIRE ALARM DEVICE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |
|
RJ01 | Rejection of invention patent application after publication |