CN109325946A - 一种危险化学品堆垛监测方法和系统 - Google Patents
一种危险化学品堆垛监测方法和系统 Download PDFInfo
- Publication number
- CN109325946A CN109325946A CN201811078415.5A CN201811078415A CN109325946A CN 109325946 A CN109325946 A CN 109325946A CN 201811078415 A CN201811078415 A CN 201811078415A CN 109325946 A CN109325946 A CN 109325946A
- Authority
- CN
- China
- Prior art keywords
- color channel
- hazardous chemical
- color
- image
- monitoring
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种危险化学品堆垛监测方法和系统,属于危险化学品存储技术领域,解决现有技术危险化学品仓库内部货物安全储存状态监测困难问题,该方法实时获取危险化学品堆垛监测照片,从所有颜色通道数据选取N个颜色通道,在N个颜色通道上为监测图片建立混合高斯模型,利用高斯模型生成背景图像;通过背景差分法判断危险化学品的位置变化情况。该方法更好地提取主要特征进行高斯建模,将多指标问题转化为较少的综合指标,将高维空间转化为低维空间处理,在N个主要颜色通道上为监测图片建立混合高斯模型,解决了现有图像处理过程中图像信息数据较大的问题。
Description
技术领域
本发明属于危险化学品存储技术领域,具体涉及一种危险化学品堆垛监测方法和系统。
背景技术
现今,危险化学品仓库需求量随社会的发展越来越大,危险化学品燃烧,爆炸,腐蚀等特点存在严重的安全事故隐患。不仅关系到企业本身安全,而且关系到企业周边居民公共安全和生态环境安全。面对此问题,急需危险化学品仓库内部货物安全储存状态监测与预警。现阶段我国危险化学品安全监管主要是以人工视频监控为主,不符合现代企业信息化、自动化的要求。
机器视觉是人工智能正在快速发展的一个分支,双目视觉三维测量的应用非常广泛,对危险化学品堆垛进行图像处理的研究是很有潜力的发展方向,但目前,尚且没有能够适合实际应用需求的危险化学品仓库内部货物安全储存状态监测方案。
发明内容
为了解决现有技术危险化学品仓库内部货物安全储存状态监测困难问题,本发明提供了一种危险化学品堆垛监测方法和系统,其具有监测准确等特点。
一方面,一种危险化学品堆垛监测方法,包括::
实时获取危险化学品堆垛监测照片,获取所述监测照片上图像包括R、G、 B和H、S、V在内的颜色通道数据;
按照预设规则从所述R、G、B和H、S、V在内的颜色通道数据选取N个颜色通道,所述N个颜色通道用于表征所述监测图像的像素分布,N是大于等于1小于6的自然数;
在所述N个颜色通道上为所述监测图片建立混合高斯模型,所述高斯模型用于反映一段时间内所述监测图片上图像运动的统计特征,所述高斯模型由K 个高斯分布组成;
利用所述高斯模型生成背景图像;
通过背景差分法确定包含所述危险化学品的第一前景区域,判断所述危险化学品的位置变化情况。
进一步可选的,在所述判断所述危险化学品的位置变化情况之前,还包括:
对所述R、G、B和H、S、V在内的颜色通道数据进行处理,将颜色相似重合部分进行分类,并将分类结果作用于所述第一前景区域,形成第二前景区域。
进一步可选的,所述对所述R、G、B和H、S、V在内的颜色通道数据进行处理,将颜色相似重合部分进行分类包括:
对R、G、B和H、S、V 6个颜色通道数据求均值;
同一图像中R、G、B颜色通道的均值两两间求差值,找出差值最大的2 个值与对应的颜色通道,作为第一判断标准;
H、S、V不同图像的相同通道间的均值相减,筛选出差值最大的2个值与相应颜色通道作为第二判断标准;
将同时满足所述第一判断标准的R、G、B颜色通道,和满足所述第二判断标准H、S、V颜色通道分为一类。
进一步可选的,所述按照预设规则从所述R、G、B和H、S、V在内的颜色通道数据选取N个颜色通道包括:
分别将每个颜色通道数据按列优先存储形成1列后进行归一化处理,形成新的图像矩阵;
计算所述新的图像矩阵的协方差阵;
计算所述协方差矩阵的特征值及特征向量;
筛选出N个较大特征值及其对应的颜色通道。
进一步可选的,所述实时获取危险化学品堆垛监测照片为:通过至少2个摄像头从多个角度实时获取危险化学品堆垛监测照片。
进一步可选的,K取3或4或5。
另一方面,一种危险化学品堆垛监测系统,包括:至少两个摄像头和处理器,所述处理器用于实现上述任一危险化学品堆垛监测方法。
本发明实施例提供的一种危险化学品堆垛监测方法,实时获取危险化学品堆垛监测照片,获取监测照片上图像包括R、G、B和H、S、V在内的颜色通道数据;选取N个主要颜色通道,更好地提取主要特征进行高斯建模,将多指标问题转化为较少的综合指标,将高维空间转化为低维空间处理,在N个主要颜色通道上为监测图片建立混合高斯模型,解决了现有图像处理过程中图像信息数据较大的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种危险化学品堆垛监测方法流程示意图;
图2是本发明实施例提供的另一种危险化学品堆垛监测方法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
堆垛安全“5距”(跺距、墙距、柱距、灯距、梁距)是保证危险化学品存储安全的重要因素,仓库背景较为复杂,因为后续处理只考虑货物目标区域,所以仓库内堆垛的提取尤为重要,为保证后续堆垛还原的准确性,本发明实施例提出了一种危险化学品堆垛监测方法,用于对危险化学品的存放进行监测。
该方法相对现有技术中,采用现有背景差分法进行危险化学品监测过程中,很好的解决了由于危险化学品仓库内墙壁颜色与货物色彩接近,导致的部分目标信息丢失的问题,使得检测危险化学品的信息更加完整,以便后续的研究。
参见图1,该危险化学品堆垛监测方法包括:
101、实时获取危险化学品堆垛监测照片,获取监测照片上图像包括R、G、 B和H、S、V在内的颜色通道数据;
102、按照预设规则从R、G、B和H、S、V在内的颜色通道数据选取N 个颜色通道,该N个颜色通道用于表征监测图像的像素分布,N是大于等于1 小于6的自然数;
103、在N个颜色通道上为监测图片建立混合高斯模型,高斯模型用于反映一段时间内监测图片上图像运动的统计特征,高斯模型由K个高斯分布组成;
104、利用高斯模型生成背景图像;
105、通过背景差分法确定包含危险化学品的第一前景区域,判断危险化学品的位置变化情况。
本实施例提供的一种危险化学品堆垛监测方法,实时获取危险化学品堆垛监测照片,获取监测照片上图像包括R、G、B和H、S、V在内的颜色通道数据;选取N个主要颜色通道,更好地提取主要特征进行高斯建模,将多指标问题转化为较少的综合指标,将高维空间转化为低维空间处理,在N个主要颜色通道上为监测图片建立混合高斯模型,解决了现有图像处理过程中图像信息数据较大的问题。
基于上述危险化学品堆垛监测方法,本发明提供一种改进的实施例,混合高斯模型可以迅速响应实际背景的变化,生成的背景能准确的反映场景信息。能够有效克服普通背景建模中的一些不利影响。但是对光线突变等问题不能很好地解决,而堆垛在室内环境,能很好地使用混合高斯模型。图像信息数据较大,为了更好地提取主要特征进行高斯建模,参见图2,本实施例首先,将多指标问题转化为较少的综合指标,将高维空间转化为低维空间处理;其次,针对目标和背景颜色接近的区域,高斯混合模型存在一定缺陷,易丢失部分图像信息。采用颜色相近分析法处理部分数据,最后作用于高斯检测区域,形成检测最终目标。具体的,本实施方法包括以下过程:
201、实时获取危险化学品堆垛监测照片,获取监测照片上图像包括R、G、 B和H、S、V在内的颜色通道数据;
为了全面对仓库中的危险化学品进行监测,通过至少2个摄像头从多个角度实时获取危险化学品堆垛监测照片。
202、按照预设规则从R、G、B和H、S、V在内的颜色通道数据选取N 个颜色通道,该N个颜色通道用于表征监测图像的像素分布,N是大于等于1 的自然数;
步骤202可以通过以下过程实现:
首先,分别将每个颜色通道数据按列优先存储形成1列后进行归一化处理,形成新的图像矩阵;
其次,计算所述新的图像矩阵的协方差阵;
再次,计算所述协方差矩阵的特征值及特征向量;
最后,筛选出N个较大特征值及其对应的颜色通道。
具体的,步骤202找到主要的3个颜色通道,后续的高斯混合模型数据建立在这3个主要颜色通道数据上。
1,获取图像的R、G、B和H、S、V通道数据,分别将每个通道数据按列优先存储形成1列后进行归一化处理,形成新的图像矩阵I。Ii'(1≤i'≤6) 表示每个颜色通道数据。归一化处理式为
2,计算I的协方差阵为
3,计算协方差矩阵的特征值及特征向量,公式为
4,筛选出λ中3个较大特征值作为主要特征值,其对应的颜色通道作为表征图像像素分布的主成分颜色通道。
203、在N个颜色通道上为监测图片建立混合高斯模型,高斯模型用于反映一段时间内监测图片上图像运动的统计特征,高斯模型由K个高斯分布组成;
本发明实施例对K的取值不做限定,可以由本领域技术人员根据实际需要进行选取,如可以选取3或4或5。
混合高斯模型表达式为公式(1)(2)所示。
其中,wi,t是第i个高斯模型的权值,满足k 为高斯模型的个数,ρi(Xt,μi,t,∑i,t)为第i个高斯分量的概率密度函数。μi,t是第i个高斯分布的均值向量,∑i,t为第i个高斯分布的协方差矩阵。
当|Xi-μi,t-1|≤2.5σi,t-1时,认为当前帧图像的像素与第i个高斯分布匹配为背景点,反之前景点。
204、利用高斯模型生成背景图像;
205、通过背景差分法确定包含危险化学品的第一前景区域。
206、对所述R、G、B和H、S、V在内的颜色通道数据进行处理,将颜色相似重合部分进行分类,并将分类结果作用于所述第一前景区域,形成第二前景区域。
彩色图像不仅包含亮度信息,还包含颜色信息,如色调和饱和度。对彩色图像进行分割,首先选择合适的颜色空间,再选择合适的分割方法。影响彩色图像分割效果的因素有很多,其中重要因素是光线变化,图像由于受到光线的影响而使得图像表现颜色发生变化,如果仅考虑颜色信息而不考虑亮度信息则会导致分割不精确。因此,一般彩色图像分割通常要结合颜色信息和亮度信息。 RGB色彩模式是目前应用最为广泛的颜色系统之一,它是通过对红(Red)、绿 (Green)、蓝(Blue)3个颜色通道的变化以及它们之间的相互叠加来得到各式各样的颜色。;HSV(Hue-Saturation-Value)颜色空间是均匀的颜色空间,反映了人的视觉对颜色的感觉,亮度分量与图像的彩色信息无关。色调和饱和度分量与人感受颜色的方式是紧密相连的。
针对仓库内部环境,墙壁颜色和部分货物箱体颜色接近的情况,提取大量不同时间下墙壁图片和墙壁货物重合部分的图片进行彩色图像分析,提出了一种基于RGB和HSV共同作用下的像素特征差值分类方法。对特殊图像进行分析,即只存在货物的a图,和只存在墙壁的b图,其余像素值为黑色0。分别获取a、b图的R、G、B和H、S、V 6个通道的数据,m为图像行数,n为列数。
1、步骤206可以通过以下过程实现:
2、对R、G、B和H、S、V 6个颜色通道数据求均值;
3、同一图像R、G、B颜色通道的均值两两间求差值,找出差值最大的2 个值与对应颜色通道数据作为第一判断标准;
4、H、S、V不同图像间相对应通道的均值相减,筛选出差值最大的2个颜色通道数据作为第二判断标准;
5、将同时满足所述第一判断标准的R、G、B颜色通道,和满足所述第二判断标准H、S、V颜色通道分为一类。
具体的,相关步骤如下:
(1)根据RGB和HSV各自数据特征,确定判断阈值。首先对6个通道数据求均值,公式如(1)(2)所示,然后同一图像R、G、B通道的均值两两间求差值,找出差值最大的2个值与对应通道。H、S、V不同图像间相对应通道的均值相减,筛选出差值最大的2个通道的数据作为判断标准。
(2)R、G、B通道进行像素值判定:若其中一差值x对应两通道像素均值为E1、E2(E1<E2),则当满足两个差值所对应条件时则 RGB判定结果成立。公式(3)所示。I1和I2、I3和I4为同一图像相同位置不同通道的像素值。
(3)H、S、V通道进行像素值判定:若其中一差值x′对应两通道像素均值为E3、 E4(E3<E4),则当满足两个差值所对应条件时则HSV判定结果成立。公式(4)所示。I1′和I2′、I3′和I4′为不同图像相同位置相同通道的像素值。
(4)RGB和HSV共同作用,公式如下:即可把颜色相似重合部分进行分类。最终作用于高斯模型下的前景区域,则更准确提取目标。
106判断危险化学品的位置变化情况。
本实施例提供的一种危险化学品堆垛监测方法,实时获取危险化学品堆垛监测照片,获取监测照片上图像包括R、G、B和H、S、V在内的颜色通道数据;选取N个主要颜色通道,更好地提取主要特征进行高斯建模,将多指标问题转化为较少的综合指标,将高维空间转化为低维空间处理,在N个主要颜色通道上为监测图片建立混合高斯模型,高斯混合模型对背景的自适应性高,能够较好地描述复杂背景,适合天气变化小,适用于在室内。但是由于目标和背景颜色接近的区域,高斯混合模型存在一定缺陷,易丢失部分图像信息。该方法解决了墙壁颜色与货物色彩接近部分信息丢失的问题,使得检测货物的信息更加完整,以便后续的研究。
高斯混合模型对背景的自适应性高,能够较好地描述复杂背景,适合天气变化小,适用于在室内。但是由于目标和背景颜色接近的区域,高斯混合模型存在一定缺陷,易丢失部分图像信息。
本实施例提供的一种危险化学品堆垛监测方法,实时获取危险化学品堆垛监测照片,获取监测照片上图像包括R、G、B和H、S、V在内的颜色通道数据;选取N个主要颜色通道,更好地提取主要特征进行高斯建模,将多指标问题转化为较少的综合指标,将高维空间转化为低维空间处理,在N个主要颜色通道上为监测图片建立混合高斯模型,解决了现有图像处理过程中图像信息数据较大的问题。
一种危险化学品堆垛监测系统,包括:至少两个摄像头和处理器,所述处理器用于实现上述危险化学品堆垛监测方法。
本实施例提供的一种危险化学品堆垛监测系统,处理器实时获取危险化学品堆垛监测照片,获取监测照片上图像包括R、G、B和H、S、V在内的颜色通道数据;选取N个主要颜色通道,更好地提取主要特征进行高斯建模,将多指标问题转化为较少的综合指标,将高维空间转化为低维空间处理,在N个主要颜色通道上为监测图片建立混合高斯模型,解决了现有图像处理过程中图像信息数据较大的问题。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种危险化学品堆垛监测方法,其特征在于,包括::
实时获取危险化学品堆垛监测照片,获取所述监测照片上图像包括R、G、B和H、S、V在内的颜色通道数据;
按照预设规则从所述R、G、B和H、S、V在内的颜色通道数据选取N个颜色通道,所述N个颜色通道用于表征所述监测图像的像素分布,N是大于等于1小于6的自然数;
在所述N个颜色通道上为所述监测图片建立混合高斯模型,所述高斯模型用于反映一段时间内所述监测图片上图像运动的统计特征,所述高斯模型由K个高斯分布组成;
利用所述高斯模型生成背景图像;
通过背景差分法确定包含所述危险化学品的第一前景区域,判断所述危险化学品的位置变化情况。
2.根据权利要求1所述的方法,其特征在于,在所述判断所述危险化学品的位置变化情况之前,还包括:
对所述R、G、B和H、S、V在内的颜色通道数据进行处理,将颜色相似重合部分进行分类,并将分类结果作用于所述第一前景区域,形成第二前景区域。
3.根据权利要求2所述的方法,其特征在于,所述对所述R、G、B和H、S、V在内的颜色通道数据进行处理,将颜色相似重合部分进行分类包括:
对R、G、B和H、S、V 6个颜色通道数据求均值;(两张图像)
同一图像中R、G、B颜色通道的均值两两间求差值,找出差值最大的2个值与对应的颜色通道,作为第一判断标准;
H、S、V不同图像的相同通道间的均值相减,筛选出差值最大的2个值与相应颜色通道作为第二判断标准;
将同时满足所述第一判断标准的R、G、B颜色通道,和满足所述第二判断标准H、S、V颜色通道分为一类。
4.根据权利要求1所述的方法,其特征在于,所述按照预设规则从所述R、G、B和H、S、V在内的颜色通道数据选取N个颜色通道包括:
分别将每个颜色通道数据按列优先存储形成1列后进行归一化处理,形成新的图像矩阵;
计算所述新的图像矩阵的协方差阵;
计算所述协方差矩阵的特征值及特征向量;
筛选出N个较大特征值及其对应的颜色通道。
5.根据权利要求1所述的方法,其特征在于,所述实时获取危险化学品堆垛监测照片为:通过至少2个摄像头从多个角度实时获取危险化学品堆垛监测照片。
6.根据权利要求1所述的方法,其特征在于,K取3或4或5。
7.一种危险化学品堆垛监测系统,其特征在于,包括:至少两个摄像头和处理器,所述处理器用于实现权利要求1-6任一项所述的危险化学品堆垛监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811078415.5A CN109325946B (zh) | 2018-09-14 | 2018-09-14 | 一种危险化学品堆垛监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811078415.5A CN109325946B (zh) | 2018-09-14 | 2018-09-14 | 一种危险化学品堆垛监测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325946A true CN109325946A (zh) | 2019-02-12 |
CN109325946B CN109325946B (zh) | 2021-08-24 |
Family
ID=65265469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811078415.5A Active CN109325946B (zh) | 2018-09-14 | 2018-09-14 | 一种危险化学品堆垛监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325946B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816051A (zh) * | 2019-02-25 | 2019-05-28 | 北京石油化工学院 | 一种危化品货物特征点匹配方法及系统 |
CN113034490A (zh) * | 2021-04-16 | 2021-06-25 | 北京石油化工学院 | 化学品库房的堆垛安全距离监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582168A (zh) * | 2009-06-16 | 2009-11-18 | 武汉大学 | 基于模糊连接度的抠图样本集构造方法 |
CN102073851A (zh) * | 2011-01-13 | 2011-05-25 | 北京科技大学 | 一种城市交通事故自动识别方法和系统 |
CN102509073A (zh) * | 2011-10-17 | 2012-06-20 | 上海交通大学 | 一种基于高斯背景模型的静态目标分割的方法 |
CN103440491A (zh) * | 2013-06-24 | 2013-12-11 | 中国科学院上海微系统与信息技术研究所 | 一种基于颜色特征的密集人流量实时检测方法 |
CN104318076A (zh) * | 2014-10-09 | 2015-01-28 | 上海市安全生产科学研究所 | 基于mer的危险化学品重大危险源分级方法 |
CN104880157A (zh) * | 2015-05-04 | 2015-09-02 | 北京石油化工学院 | 仓储安全距离监测方法、装置及系统 |
US20170154238A1 (en) * | 2015-11-26 | 2017-06-01 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for skin color detection |
-
2018
- 2018-09-14 CN CN201811078415.5A patent/CN109325946B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101582168A (zh) * | 2009-06-16 | 2009-11-18 | 武汉大学 | 基于模糊连接度的抠图样本集构造方法 |
CN102073851A (zh) * | 2011-01-13 | 2011-05-25 | 北京科技大学 | 一种城市交通事故自动识别方法和系统 |
CN102509073A (zh) * | 2011-10-17 | 2012-06-20 | 上海交通大学 | 一种基于高斯背景模型的静态目标分割的方法 |
CN103440491A (zh) * | 2013-06-24 | 2013-12-11 | 中国科学院上海微系统与信息技术研究所 | 一种基于颜色特征的密集人流量实时检测方法 |
CN104318076A (zh) * | 2014-10-09 | 2015-01-28 | 上海市安全生产科学研究所 | 基于mer的危险化学品重大危险源分级方法 |
CN104880157A (zh) * | 2015-05-04 | 2015-09-02 | 北京石油化工学院 | 仓储安全距离监测方法、装置及系统 |
US20170154238A1 (en) * | 2015-11-26 | 2017-06-01 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for skin color detection |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816051A (zh) * | 2019-02-25 | 2019-05-28 | 北京石油化工学院 | 一种危化品货物特征点匹配方法及系统 |
CN113034490A (zh) * | 2021-04-16 | 2021-06-25 | 北京石油化工学院 | 化学品库房的堆垛安全距离监测方法 |
CN113034490B (zh) * | 2021-04-16 | 2023-10-10 | 北京石油化工学院 | 化学品库房的堆垛安全距离监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109325946B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105631880B (zh) | 车道线分割方法和装置 | |
US8139852B2 (en) | Color classification method, color recognition method, color classification apparatus, color recognition apparatus, color recognition system, computer program, and recording medium | |
Premal et al. | Image processing based forest fire detection using YCbCr colour model | |
US7336819B2 (en) | Detection of sky in digital color images | |
US8385638B2 (en) | Detecting skin tone in images | |
CN111666834A (zh) | 一种基于图像识别技术的森林火灾自动监测识别系统及方法 | |
Luo et al. | A physical model-based approach to detecting sky in photographic images | |
CN106096603A (zh) | 一种融合多特征的动态火焰检测方法及装置 | |
CN113221763A (zh) | 一种基于视频图像亮度的火焰识别方法 | |
CN109325946A (zh) | 一种危险化学品堆垛监测方法和系统 | |
CN109740527B (zh) | 一种视频帧中图像处理方法 | |
CN109064444B (zh) | 基于显著性分析的轨道板病害检测方法 | |
KR102040562B1 (ko) | 영상정보를 활용한 시정거리 추정 방법 | |
CN112686105B (zh) | 一种基于视频图像多特征融合的雾浓度等级识别方法 | |
CN114092458A (zh) | 一种基于改进NanoDet深度网络的发动机浓烟淡烟自动检测方法 | |
Vijaylaxmi et al. | Fire detection using YCbCr color model | |
Das et al. | A novel shadow detection method using fuzzy rule based model | |
KR20150055481A (ko) | 영상 내 그림자 화소 제거를 위한 배경 기반 방법 | |
Guo et al. | Research on water hazards detection method based on A-MSRCR and improved YOLO | |
Saxena et al. | An effective approach for forest fire detection in surveillance video using rule-based and temporal variations | |
CN117011785B (zh) | 基于时空关联和高斯热图的烟火检测方法、装置及系统 | |
CN108737814A (zh) | 一种基于动态模式分解的视频镜头检测方法 | |
Al Hakeem et al. | An Automatic System for Detection of Fires in Outdoor Areas | |
CN109726691B (zh) | 一种监控方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |