CN109410222A - 一种火焰检测方法及装置 - Google Patents
一种火焰检测方法及装置 Download PDFInfo
- Publication number
- CN109410222A CN109410222A CN201811296833.1A CN201811296833A CN109410222A CN 109410222 A CN109410222 A CN 109410222A CN 201811296833 A CN201811296833 A CN 201811296833A CN 109410222 A CN109410222 A CN 109410222A
- Authority
- CN
- China
- Prior art keywords
- flame
- region
- doubtful
- connected region
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种火焰检测方法及装置,所述方法包括:步骤S1,实时获取红外图像;步骤S2,对获得的红外图像进行灰度阈值分割;步骤S3,采用连通区域法对灰度分割后的图像进行连通区域处理,获取一系列的连通区域;步骤S4,对连通区域进行筛选,获得疑似火焰区域;步骤S5,遍历疑似火焰区域,对各疑似火焰区域提取火焰抖动特征;步骤S6,根据各疑似火焰区域的火焰抖动特征确定其是否火焰区域,并记录火焰位置,通过本发明可有效快速地识别出火焰目标。
Description
技术领域
本发明涉及图像、视频处理技术领域,特别是涉及一种火焰检测方法及装置。
背景技术
近年来,大空间建筑火灾、矿井火灾、森林火灾、隧道火灾等频繁发生不仅使人类的生命和财产受巨大损失,也对人类生态环境造成了极大的破坏。随着科学的不断进步,人们开始着眼于智能视频分析的研究来防范火灾,因此基于图像视频分析的火焰检测和识别方法得到了快速的推广。
基于图像视频分析的火焰检测和识别方法通常包括了疑似火焰区域的提取和火焰识别。疑似火焰区域的提取是火焰识别的前提,将火焰图像从背景中分离出来是火灾探测的基础,关系到后续特征提取的可靠性和目标识别的准确度。采用基于背景模型的差分法的疑似火灾区域提取,该算法通过基于背景模型实现对火焰的有效检测,结合区域聚类增长的算法,最终实现区域提取。这些方法是假定初始化背景不包含运动目标的训练序列,限制了背景模型的使用条件。
基于视频图像的火焰检测可利用火焰的运动、颜色、时频等特征实现火焰识别。其中,仅利用颜色等静态特征的火焰识别方法,容易受到类似与火焰颜色景物干扰,影响了系统的鲁棒性。Phollips等人利用火焰的灰度直方图强度以及相邻帧的时间变化进行火焰识别,同样需要比较好的检测环境(较少的移动的非火焰亮光干扰),而且其实验数据为自己主观确定的,若输入数据发生变化,则效果会大打折扣。
发明内容
为克服上述现有技术存在的不足,本发明之目的在于提供一种火焰检测方法及装置,以能够有效快速地识别出火焰目标。
为达上述及其它目的,本发明提出一种火焰检测方法,包括:
步骤S1,实时获取红外图像;
步骤S2,对获得的红外图像进行灰度阈值分割;
步骤S3,采用连通区域法对灰度分割后的图像进行连通区域处理,获取一系列的连通区域;
步骤S4,对连通区域进行筛选,获得疑似火焰区域;
步骤S5,遍历疑似火焰区域,对各疑似火焰区域提取火焰抖动特征;
步骤S6,根据各疑似火焰区域的火焰抖动特征确定其是否火焰区域,并记录火焰位置。
优选地,步骤S4进一步包括:
步骤S400,统计各连通区域的平均亮度值并判断其是否满足要求;
步骤S401,若判断结果为满足要求,则判断该连通区域为疑似火焰区域,否则判断其不是疑似火焰区域。
优选地,所述判断其是否满足要求指的是判断各单独连通区域的平均亮度值是否大于0.75*全部连通区域的平均亮度值。
优选地,于步骤S5中,所述火焰抖动特征包括但不限于高度变化特征、形状因子变化特征、面积变化特征以及相似度特征。
优选地,步骤S5进一步包括:
步骤S500,利用当前帧与前一帧的每个单独连通区域进行高度做差并进行DCT变换计算得到疑似火焰区域的高度变化特征;
步骤S501,利用当前帧与前一帧的每个单独连通区域形状因子做差计算得到疑似火焰区域的的形状因子变化特征;
步骤S502,利用当前帧与前一帧的每个单独连通区域面积做差计算得到疑似火焰区域的面积变化特征;
步骤S503,利用当前帧与第一帧的每个单独连通区域的相似度值作为相似度特征。
优选地,步骤S6进一步包括:
步骤S600,累计序列特征;
步骤S601,判断序列的帧数是否足够,若否则返回步骤S1,若是则进一步对各疑似火焰区域的火焰抖动特征进行加权求和,获得该疑似火焰区域的总特征值;
步骤S602,判断各疑似火焰区域的总特征值是否大于预设阈值;
步骤S603,若大于预设阈值,则确定其为火焰区域,记录火焰位置,否则,则判定其不为火焰区域。
优选地,所述序列特征指的是开始计算特征值后的连续若干帧。
优选地,于步骤S1中,利用红外成像仪获取红外图像。
为达到上述目的,本发明还提供一种火焰检测装置,包括:
红外图像采集单元,用于实时获取红外图像;
图像分割单元,用于对获得的红外图像进行灰度阈值分割;
连通区域确定单元,用于采用连通区域法对灰度分割后的图像进行连通区域处理,获取一系列的连通区域;
疑似火焰区域判定单元,用于对连通区域进行筛选,获得疑似火焰区域;
火焰抖动特征提取单元,用于遍历疑似火焰区域,对各疑似火焰区域提取火焰抖动特征;
火焰确定单元,用于根据各疑似火焰区域的火焰抖动特征确定其是否火焰区域,并记录火焰位置。
优选地,所述疑似火焰区域判定单元进一步包括:
平均亮度值统计单元,统计并计算各连通区域的平均亮度值;
判断单元,用于判断各连通区域的平均亮度值是否满足要求;
判断结果处理单元,于判断结果为满足要求时,则判断该连通区域为疑似火焰区域,否则判断其不是疑似火焰区域。
与现有技术相比,本发明一种火焰检测方法及装置通过实时获取红外图像,对获得的红外图像进行灰度阈值分割,然后对连通区域进行筛选,获得疑似火焰区域,并遍历疑似火焰区域,对各疑似火焰区域提取火焰抖动特征,最后根据各疑似火焰区域的火焰抖动特征确定其是否火焰区域,并记录火焰位置,实现了快速有效地识别出火焰目标的目的。
附图说明
图1为本发明一种火焰检测方法的步骤流程图;
图2为本发明一种火焰检测装置的系统架构图;
图3为本发明具体实施例中疑似火焰区域判定单元204的细部结构图;
图4为本发明具体实施例中火焰抖动特征提取单元205的细部结构图;
图5为本发明具体实施例中火焰确定单元206的细部结构图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种火焰检测方法的步骤流程图。如图1所示,本发明一种火焰检测方法,包括:
步骤S1,实时获取红外图像。在本发明具体实施例中,于现场通过红外成像仪实时获取红外图像。
步骤S2,对获得的红外图像进行灰度阈值分割。
红外线辐射是自然界存在的一种最为广泛的电磁波辐射,它是基于任何物体在常规环境下都会产生自身的分子和原子无规则的运动,并不停地辐射出热红外能量,分子和原子运动愈剧烈,辐射的能量愈大,反之辐射的能量愈小。红外成像仪根据物体发射或反射的红外线成像,不同焰色的火焰在红外视频图像中均具有较高亮度。因此,在本发明中采用阈值法对红外图像进行图像分割。
阈值法是一种常用的图像分割方法,它用一个或几个阈值将图像的灰度分为几个部分,认为属于同一部分的像素是同一个物体,适用于目标和背景占据不同灰度范围的图像。在火焰检测当中,不同焰色的火焰与其背景的灰度差异较大,因此可以采用阈值法进行灰度分割。
步骤S3,采用连通区域法对灰度分割后的图像进行连通区域处理,获取一系列的连通区域。这里连通区域的定义如下:复平面上的一个区域G,如果在其中任做一条简单闭区间,而闭曲线的内部总属于G,就称G为连通区域。确定联通区域的方法可采用填充法,由于本发明采用的连通区域法为现有技术,在此不予赘述。
步骤S4,对连通区域进行筛选,获得疑似火焰区域。于步骤S4中,通过对各连通区域的平均亮度值进行筛选确定疑似火焰区域,具体地,步骤S4进一步包括:
步骤S400,统计各连通区域的平均亮度值并判断其是否满足要求。这里的判断其是否满足要求指的是判断各单独连通区域的平均亮度值是否大于0.75*全部连通区域的平均亮度值。也就是说,首先统计各连通区域内各像素点的亮度值,依次计算各连通区域的平均亮度值后,还计算全部连通区域的平均亮度值,然后将各连通区域的平均亮度值与0.75*全部连通区域的平均亮度值进行比较,根据比较结果判断其是否为疑似火焰区域。
步骤S401,若判断结果为满足要求,即该单独连通区域的平均亮度值大于0.75*全部连通区域的平均亮度值,则判断该连通区域为疑似火焰区域,否则判断其不是疑似火焰区域,则对其不予处理。也就是说,当连通区域的平均亮度值大于0.75*全部连通区域的平均亮度值时,才认为其可能为火焰区域,有可能出现了火灾情况,否则则认为其不可能为火焰区域。
步骤S5,遍历疑似火焰区域,对各疑似火焰区域提取火焰抖动特征,这里的火焰抖动特征包括但不限于高度变化特征、形状因子变化特征、面积变化特征以及相似度特征。
具体地,步骤S5进一步包括:
步骤S500,利用当前帧与前一帧的每个单独连通区域进行高度做差并进行DCT(Discrete Cosine Transform,离散余弦变换)变换计算得到疑似火焰区域的高度变化特征;
步骤S501,利用当前帧与前一帧的每个单独连通区域形状因子(面积除以周长)做差计算得到疑似火焰区域的的形状因子变化特征;
步骤S502,利用当前帧与前一帧的每个单独连通区域面积做差计算得到疑似火焰区域的面积变化特征;
步骤S503,利用当前帧与第一帧的每个单独连通区域的相似度值作为相似度特征;
步骤S6,根据各疑似火焰区域的火焰抖动特征确定其是否火焰区域,并记录火焰位置。
具体地,步骤S6进一步包括:
步骤S600,累计序列特征,这里的序列特征指的是连续若干帧(例如为32帧),连续若干帧(例如32帧)的特征组成一个序列。例如,连续32帧是一个序列,序列特征就是每个特征有32个数的数组,数组里面一个数分别存一帧的特征值。
步骤S601,判断序列的帧数是否足够(如本发明具体实施例中的32帧),若否则返回步骤S1,若是则进一步对各疑似火焰区域的火焰抖动特征进行加权求和,获得该疑似火焰区域的总特征值;在本发明具体实施例中,这里的帧数指的是连续计数视频32帧,是开始计算特征值后计算特征值的视频累计帧数,累计计算32帧后会清零,重新开始累计一直到32帧后清零;
步骤S602,判断疑似火焰区域的总特征值是否大于预设阈值;
步骤S603,若大于预设阈值,则确定其为火焰区域,记录火焰位置,否则,则判定其不为火焰区域。
图2为本发明一种火焰检测装置的系统架构图。如图2所示,本发明一种火焰检测装置,包括:
红外图像采集单元201,用于实时获取红外图像。在本发明具体实施例中,红外图像采集单元201于现场通过红外成像仪实时获取红外图像。
图像分割单元202,用于对获得的红外图像进行灰度阈值分割。
红外线辐射是自然界存在的一种最为广泛的电磁波辐射,它是基于任何物体在常规环境下都会产生自身的分子和原子无规则的运动,并不停地辐射出热红外能量,分子和原子运动愈剧烈,辐射的能量愈大,反之辐射的能量愈小。红外成像仪根据物体发射或反射的红外线成像,不同焰色的火焰在红外视频图像中均具有较高亮度。因此,在本发明中图像分割单元202采用阈值法对红外图像进行图像分割。
阈值法是一种常用的图像分割方法,它用一个或几个阈值将图像的灰度分为几个部分,认为属于同一部分的像素是同一个物体,适用于目标和背景占据不同灰度范围的图像。在火焰检测当中,不同焰色的火焰与其背景的灰度差异较大,因此可以采用阈值法进行灰度分割。
连通区域确定单元203,用于采用连通区域法对灰度分割后的图像进行连通区域处理,获取一系列的连通区域。这里连通区域的定义如下:复平面上的一个区域G,如果在其中任做一条简单闭区间,而闭曲线的内部总属于G,就称G为连通区域。确定联通区域的方法可采用填充法,由于本发明采用的连通区域法为现有技术,在此不予赘述。
疑似火焰区域判定单元204,用于对连通区域进行筛选,获得疑似火焰区域。在本发明具体实施例中,疑似火焰区域判定单元204通过对各连通区域的平均亮度值进行筛选确定疑似火焰区域,具体地,如图3所示,疑似火焰区域判定单元204进一步包括:
平均亮度值统计单元2041,统计并计算各连通区域的平均亮度值。在本发明具体实施例中,首先统计各连通区域内各像素点的亮度值,依次计算各连通区域的平均亮度值后,还计算全部连通区域的平均亮度值。
判断单元2042,用于判断各连通区域的平均亮度值是否满足要求。这里的判断各连通区域的平均亮度值是否满足要求指的是判断各单独连通区域的平均亮度值是否大于0.75*全部连通区域的平均亮度值。也就是说,于平均亮度值统计单元2041统计各连通区域内各像素点的亮度值,依次计算各连通区域的平均亮度值并计算全部连通区域的平均亮度值后,将各连通区域的平均亮度值与0.75*全部连通区域的平均亮度值进行比较,根据比较结果判断其是否为疑似火焰区域。
判断结果处理单元2043,于判断结果为大于该预设亮度阈值,则判断该连通区域为疑似火焰区域,否则判断其不是疑似火焰区域,则对其不予处理。也就是说,当判断结果处理单元2043判断出连通区域的平均亮度值大于0.75*全部连通区域的平均亮度值时,才认为其可能为火焰区域,有可能出现了火灾情况,否则则认为其不可能为火焰区域。
火焰抖动特征提取单元205,用于遍历疑似火焰区域,对各疑似火焰区域提取火焰抖动特征,这里的火焰抖动特征包括但不限于高度变化特征、形状因子变化特征、面积变化特征以及相似度特征。
具体地,如图4所示,火焰抖动特征提取单元205进一步包括:
高度变化特征提取单元2051,用于利用当前帧与前一帧的每个单独连通区域进行高度做差并进行DCT(Discrete Cosine Transform,离散余弦变换)变换计算得到疑似火焰区域的高度变化特征;
形状因子变化特征提取单元2052,用于利用当前帧与前一帧的每个单独连通区域形状因子(面积除以周长)做差计算得到疑似火焰区域的的形状因子变化特征;
面积变化特征提取单元2053,用于利用当前帧与前一帧的每个单独连通区域面积做差计算得到疑似火焰区域的面积变化特征;
相似度特征提取单元2054,用于利用当前帧与第一帧的每个单独连通区域的相似度值作为相似度特征;
火焰确定单元206,用于根据各疑似火焰区域的火焰抖动特征确定其是否火焰区域,并记录火焰位置。
具体地,如图5所示,火焰确定单元206进一步包括:
序列特征累计单元2061,用于累计序列特征,这里的序列特征指的是连续若干帧(例如32)帧,连续若干帧(32帧)的特征组成一个序列。例如,连续32帧是一个序列,序列特征就是每个特征有32个数的数组,数组里面一个数分别存一帧的特征值。
疑似火焰区域总特征值计算单元2062,用于判断序列的帧数是否满足,于判断出结果为是时,进一步对疑似火焰区域的火焰抖动特征进行加权求和,获得该疑似火焰区域的总特征值。
总特征值判断单元2063,用于判断疑似火焰区域的总特征值是否大于预设阈值;
结果处理单元2064,若总特征值判断单元2063的判断结果为大于预设阈值,则确定其为火焰区域,记录火焰位置,否则,则判断其不为火焰区域。
综上所述,本发明一种火焰检测方法及装置通过实时获取红外图像,对获得的红外图像进行灰度阈值分割,然后对连通区域进行筛选,获得疑似火焰区域,并遍历疑似火焰区域,对各疑似火焰区域提取火焰抖动特征,最后根据各疑似火焰区域的火焰抖动特征确定其是否火焰区域,并记录火焰位置,实现了快速有效地识别出火焰目标的目的。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (10)
1.一种火焰检测方法,包括:
步骤S1,实时获取红外图像;
步骤S2,对获得的红外图像进行灰度阈值分割;
步骤S3,采用连通区域法对灰度分割后的图像进行连通区域处理,获取一系列的连通区域;
步骤S4,对连通区域进行筛选,获得疑似火焰区域;
步骤S5,遍历疑似火焰区域,对各疑似火焰区域提取火焰抖动特征;
步骤S6,根据各疑似火焰区域的火焰抖动特征确定其是否火焰区域,并记录火焰位置。
2.如权利要求1所述的一种火焰检测方法,其特征在于,步骤S4进一步包括:
步骤S400,统计各连通区域的平均亮度值并判断其是否满足要求;
步骤S401,若判断结果为满足要求,则判断该连通区域为疑似火焰区域,否则判断其不是疑似火焰区域。
3.如权利要求2所述的一种火焰检测方法,其特征在于:所述判断其是否满足要求指的是判断各单独连通区域的平均亮度值是否大于0.75*全部连通区域的平均亮度值。
4.如权利要求2所述的一种火焰检测方法,其特征在于:于步骤S5中,所述火焰抖动特征包括但不限于高度变化特征、形状因子变化特征、面积变化特征以及相似度特征。
5.如权利要求4所述的一种火焰检测方法,其特征在于,步骤S5进一步包括:
步骤S500,利用当前帧与前一帧的每个单独连通区域进行高度做差并进行DCT变换计算得到疑似火焰区域的高度变化特征;
步骤S501,利用当前帧与前一帧的每个单独连通区域形状因子做差计算得到疑似火焰区域的的形状因子变化特征;
步骤S502,利用当前帧与前一帧的每个单独连通区域面积做差计算得到疑似火焰区域的面积变化特征;
步骤S503,利用当前帧与第一帧的每个单独连通区域的相似度值作为相似度特征。
6.如权利要求4所述的一种火焰检测方法,其特征在于,步骤S6进一步包括:
步骤S600,累计序列特征;
步骤S601,判断序列的帧数是否足够,若否则返回步骤S1,若是则进一步对各疑似火焰区域的火焰抖动特征进行加权求和,获得该疑似火焰区域的总特征值;
步骤S602,判断各疑似火焰区域的总特征值是否大于预设阈值;
步骤S603,若大于预设阈值,则确定其为火焰区域,记录火焰位置,否则,则判定其不为火焰区域。
7.如权利要求6所述的一种火焰检测方法,其特征在于:所述序列特征指的是开始计算特征值后的连续若干帧。
8.如权利要求1所述的一种火焰检测方法,其特征在于:于步骤S1中,利用红外成像仪获取红外图像。
9.一种火焰检测装置,包括:
红外图像采集单元,用于实时获取红外图像;
图像分割单元,用于对获得的红外图像进行灰度阈值分割;
连通区域确定单元,用于采用连通区域法对灰度分割后的图像进行连通区域处理,获取一系列的连通区域;
疑似火焰区域判定单元,用于对连通区域进行筛选,获得疑似火焰区域;
火焰抖动特征提取单元,用于遍历疑似火焰区域,对各疑似火焰区域提取火焰抖动特征;
火焰确定单元,用于根据各疑似火焰区域的火焰抖动特征确定其是否火焰区域,并记录火焰位置。
10.如权利要求9所述的一种火焰检测装置,其特征在于,所述疑似火焰区域判定单元进一步包括:
平均亮度值统计单元,统计并计算各连通区域的平均亮度值;
判断单元,用于判断各连通区域的平均亮度值是否满足要求;
判断结果处理单元,于判断结果为满足要求时,则判断该连通区域为疑似火焰区域,否则判断其不是疑似火焰区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811296833.1A CN109410222B (zh) | 2018-11-01 | 2018-11-01 | 一种火焰检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811296833.1A CN109410222B (zh) | 2018-11-01 | 2018-11-01 | 一种火焰检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410222A true CN109410222A (zh) | 2019-03-01 |
CN109410222B CN109410222B (zh) | 2023-02-03 |
Family
ID=65470964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811296833.1A Active CN109410222B (zh) | 2018-11-01 | 2018-11-01 | 一种火焰检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410222B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490826A (zh) * | 2019-08-26 | 2019-11-22 | 河南农业大学 | 一种照相机中雾滴样本图像处理方法 |
CN112598712A (zh) * | 2020-12-28 | 2021-04-02 | 浙江天衡五维电子科技有限公司 | 一种日盲紫外羽烟检测方法及告警系统 |
CN113177496A (zh) * | 2021-05-10 | 2021-07-27 | 浙江大华技术股份有限公司 | 一种火点检测方法、装置、设备及存储介质 |
CN117152675A (zh) * | 2023-07-21 | 2023-12-01 | 华能(广东)能源开发有限公司汕头电厂 | 燃烧器着火检测方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140109671A (ko) * | 2013-03-06 | 2014-09-16 | 대구대학교 산학협력단 | 카메라의 명암 영상신호를 이용한 화염 검출방법 |
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 |
CN105046868A (zh) * | 2015-06-16 | 2015-11-11 | 苏州华启智能科技股份有限公司 | 一种狭长环境中基于红外热像仪的火灾预警方法 |
-
2018
- 2018-11-01 CN CN201811296833.1A patent/CN109410222B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140109671A (ko) * | 2013-03-06 | 2014-09-16 | 대구대학교 산학협력단 | 카메라의 명암 영상신호를 이용한 화염 검출방법 |
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 |
CN105046868A (zh) * | 2015-06-16 | 2015-11-11 | 苏州华启智能科技股份有限公司 | 一种狭长环境中基于红外热像仪的火灾预警方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490826A (zh) * | 2019-08-26 | 2019-11-22 | 河南农业大学 | 一种照相机中雾滴样本图像处理方法 |
CN110490826B (zh) * | 2019-08-26 | 2021-09-17 | 河南农业大学 | 一种照相机中雾滴样本图像处理方法 |
CN112598712A (zh) * | 2020-12-28 | 2021-04-02 | 浙江天衡五维电子科技有限公司 | 一种日盲紫外羽烟检测方法及告警系统 |
CN113177496A (zh) * | 2021-05-10 | 2021-07-27 | 浙江大华技术股份有限公司 | 一种火点检测方法、装置、设备及存储介质 |
CN117152675A (zh) * | 2023-07-21 | 2023-12-01 | 华能(广东)能源开发有限公司汕头电厂 | 燃烧器着火检测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109410222B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410222A (zh) | 一种火焰检测方法及装置 | |
CN107609470B (zh) | 野外火灾早期烟雾视频检测的方法 | |
RU2393544C2 (ru) | Способ и устройство для обнаружения пламени | |
Çetin et al. | Video fire detection–review | |
Calderara et al. | Vision based smoke detection system using image energy and color information | |
Qureshi et al. | QuickBlaze: early fire detection using a combined video processing approach | |
Emmy Prema et al. | Multi feature analysis of smoke in YUV color space for early forest fire detection | |
Liu et al. | Object motion detection using information theoretic spatio-temporal saliency | |
CN108027874A (zh) | 使用深度摄像头的基于计算机视觉的安全系统 | |
CN109376747A (zh) | 一种基于双流卷积神经网络的视频火焰检测方法 | |
CN111951250B (zh) | 一种基于图像的火灾检测方法 | |
WO2023273011A9 (zh) | 高空抛物检测方法和装置、设备,及计算机存储介质 | |
Bang et al. | Motion object and regional detection method using block-based background difference video frames | |
CN110874592A (zh) | 一种基于总有界变分的森林火灾烟雾图像检测方法 | |
CN101316371B (zh) | 火焰侦测方法及装置 | |
CN104463869A (zh) | 一种视频火焰图像复合识别方法 | |
CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
CN110503017A (zh) | 基于图像处理的智慧节能室内人数检测系统与方法 | |
Shu et al. | Small moving vehicle detection via local enhancement fusion for satellite video | |
Panda et al. | A new Wronskian change detection model based codebook background subtraction for visual surveillance applications | |
Li et al. | Biological eagle eye-based method for change detection in water scenes | |
CN103903020A9 (zh) | 一种基于CodeBook的火灾图像识别方法及装置 | |
Xia et al. | A dense background representation method for traffic surveillance based on roadside LiDAR | |
Zhang et al. | Key frame extraction based on quaternion Fourier transform with multiple features fusion | |
Morse et al. | Color anomaly detection and suggestion for wilderness search and rescue |
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 |