CN110717946A - 一种从视频图像中筛选火焰目标的方法 - Google Patents
一种从视频图像中筛选火焰目标的方法 Download PDFInfo
- Publication number
- CN110717946A CN110717946A CN201910911444.3A CN201910911444A CN110717946A CN 110717946 A CN110717946 A CN 110717946A CN 201910911444 A CN201910911444 A CN 201910911444A CN 110717946 A CN110717946 A CN 110717946A
- Authority
- CN
- China
- Prior art keywords
- image
- video image
- condition
- channel
- distance
- 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 38
- 238000012216 screening Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 abstract description 18
- 238000001914 filtration Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 9
- 239000003086 colorant Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052754 neon Inorganic materials 0.000 description 1
- GKAOGPIIYCISHV-UHFFFAOYSA-N neon atom Chemical compound [Ne] GKAOGPIIYCISHV-UHFFFAOYSA-N 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- G06T5/92—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- 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
Abstract
本发明公开了一种从视频图像中筛选火焰目标的方法,将输入的视频图像的颜色空间从RGB颜色空间转换为Lab颜色空间,然后根据输入的第一帧图像建立背景模板。对后续帧图像首先判断图像中像素点是否满足火焰目标的颜色条件,对满足颜色条件的像素点继续计算出与背景模板样本集中的样本在Lab颜色空间中的距离,统计满足距离条件的样本点的个数,最终根据样本个数判定是否为火焰区域。根据该判定结果生成与输入的视频图像大小相同的二值化掩模图像,并与输入的视频图像做与运算,得出仅包含所需目标的图像,完成火焰目标筛选。本发明结合了运动目标检测算法和颜色阈值过滤算法,能够更准确的筛选出目标,提高火灾探测的准确率和实时性。
Description
技术领域
本发明涉及视频图像处理和火灾探测领域,尤其涉及一种从视频图像中筛选火焰目标的方法。
背景技术
火灾是一种破坏力很强的灾害,严重威胁人们的生命和财产安全。传统火灾探测手段存在误报率高,对火灾响应不及时、安装布置不便等缺点,基于视频图像处理的火灾探测方法,在大空间火灾探测场景中已得到应用,在现有的基于视频图像的火灾探测方法中,通常采用基于颜色阈值过滤算法或运动目标检测算法来提取火焰目标。这两种方法分别利用火焰的颜色特征和动态特征从视频图像中筛选火焰目标,但颜色阈值过滤算法无法去除如霓虹灯、广告牌等和火焰颜色相近的干扰目标,而运动目标检测算法无法去除运动状态的干扰目标。降低了火灾探测的准确性和实时性。
发明内容
本发明的目的在于提供一种从视频图像中筛选火焰目标的方法,可提高火灾探测的实时性和准确性。
为实现上述目的,本发明提供了一种从视频图像中筛选火焰目标的方法,所述方法包括以下步骤:
对输入的视频图像的颜色空间进行转换,得到Lab空间图像;
判断所述Lab空间图像为第一帧图像,构建像素点的样本集,建立背景模板;
判断所述Lab空间图像不是第一帧图像,则判断像素点是否满足火焰目标颜色条件;
计算满足颜色条件的像素点与所述背景模板中样本之间的距离,统计满足距离条件的样本个数并给出判断结果;
根据判断结果,生成二值化掩模图像;
将所述二值化掩模图像和输入的视频图像做与运算,完成筛选。
其中,所述对输入的视频图像的颜色空间进行转换的过程中,所述对输入的视频图像的颜色空间进行转换的过程中,将所述颜色空间从RGB颜色空间转换为Lab颜色空间。
其中,所述判断像素点是否满足火焰目标颜色条件,包括:
若像素点不满足条件L通道的值大于L通道阈值、a通道的值小于a通道阈值和b通道值大于b通道阈值,则所述像素点为背景点;
若像素点满足条件L通道的值大于L通道阈值、a通道的值小于a通道阈值和b通道值大于b通道阈值,则进行像素点与所述背景模板中的样本之间的距离计算。
其中,所述统计满足距离条件的样本个数并给出判断结果,包括:
统计所述背景模板样本集中样本点与满足火焰目标颜色条件的所述像素点之间的距离大于所述Lab颜色空间中阈值距离的样本个数。
其中,所述统计满足距离条件的样本个数并给出判断结果,还包括:
根据所述样本个数与样本集样本总数的比值,给出判断结果。
其中,所述给出判断结果,包括:
统计出来的所述样本个数小于判定阈值个数,所述满足条件的像素点为背景点,并更新背景模板;
统计出来的所述样本点个数大于判定阈值个数,所述满足条件的像素点为前景点。
其中,在统计满足距离条件的样本个数并给出判断结果之后,所述方法还包括:
生成与输入的视频图像大小相同的二值化掩模图像,并对所述背景点和所述前景点进行标记。
其中,所述二值化掩模图像和输入的原视频图像做与运算,包括:
所述二值化掩模图像和输入的原视频图像做与运算,得到仅包含所述前景点的目标图像。
本发明提供的一种从视频图像中筛选火焰目标的方法,通过将输入的视频图像的颜色空间从RGB颜色空间转换为Lab颜色空间,所述Lab颜色空间拥有L、a、b三个独立的通道,且空间内颜色分布均匀,降低亮度通道在距离计算中的权重,可以减少由于背景亮度变化引起的误判;根据输入的视频图像的第一帧图像的像素点和样本数据建立背景模板,将输入的视频图像不是第一帧图像的像素点,根据火焰目标颜色条件判断像素点的颜色是否为火焰目标,若不满足条件提前判定为背景点,去除了无关目标像素点的距离计算及判定过程,减少了计算量,提高了算法的运行速度;若满足条件,则计算像素点在Lab颜色空间中与样本集中的距离,统计所述距离大于阈值的个数,给出判定结果,根据所述判定结果,生成与原图像大小相同的二值化掩模图像,并与输入的视频图像做与运算,过滤掉了静止的以及颜色不符的非火焰目标,得到仅包含前景目标的图像,完成火焰目标筛选。本发明融合了运动目标检测算法和颜色阈值过滤算法,提高火灾探测的实时性和准确性。
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是本发明提供的从视频图像中筛选火焰目标的方法流程图。
图2是本发明提供的从视频图像中筛选火焰目标的方法的具体流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1,本发明提供一种从视频图像中筛选火焰目标的方法,所述方法包括:
S101、对输入的视频图像的颜色空间进行转换,得到Lab空间图像。
具体的,对输入的视频图像的颜色空间进行转换,从RGB颜色空间转换为Lab颜色空间。所述Lab是一种设备无关的颜色空间,采用L,a,b三个通道表示颜色,其中所述L通道代表亮度,取值范围[0,100],所述a通道表示从绿色到红色,取值范围为[-128,127],所述b通道表示从蓝色到黄色,取值范围为[-128,127]。Lab颜色空间内颜色分布均匀,各通道相互独立,有利于进行颜色特征分析,降低亮度通道在距离计算中的权重,可以减少由于背景亮度变化引起的误判。
S102、判断所述Lab空间图像为第一帧图像,构建样本集,建立背景模板。
具体的,若所述Lab空间图像为第一帧图像,则根据所述第一帧图像建立背景模板,所述背景模板的建立方法为:
为单个像素点构建大小为20的样本集,样本数据为像素点在Lab颜色空间中三个通道的数值。每次从以该点为中心的3×3范围内的9个像素点中随机选取一个作为样本数据,直至完成样本集的构建;
采用上述方法遍历第一帧图像中的每一个像素点,完成图像中所有像素点的样本集构建,以像素点的样本集作为整幅图像的背景模板。
S103、判断所述Lab空间图像不是第一帧图像,则判断像素点是否满足火焰目标颜色条件。
具体的,若不满足颜色条件,则判定该像素点为背景点;若满足条件则根据像素值,进行距离计算。判定条件为L>Lth&a<ath&b>bth,其中,所述L、a、b分别为像素点再所述Lab颜色空间的三个通道的值,Lth、ath、bth分别为火焰目标三个通道的判断阈值,具体取值可根据应用场景的不同,统计真实火焰目标图像像素点三个通道数值得出。由于提前判定出背景点,去除了无关目标像素点的距离计算及判定过程,减少了计算量,提高了算法的运行速度。
S104、计算满足颜色条件的像素点与所述背景模板样本集中样本之间的距离,统计满足距离条件的样本个数并给出判断结果。
具体的,首先分别计算像素点再Lab颜色空间中与所述样本集中20个样本的距离d,根据具体场景的不同距离d可采用欧氏距离、曼哈顿距离、切比雪夫距离等。
其次,统计样本集中样本点与像素点之间的距离d>dth的样本个数N,若N<Nmin,则将判定该点为背景点,同时以1/Φ的概率将该点的像素值更新到自己和周围的8个邻域中随机一点的样本集中。若N>Nmin,则判定该点为前景点,其中,dth为距离阈值,Nmin为样本个数阈值。
S105、根据判断结果,生成二值化掩模图像。
具体的,根据视频图像中每个像素点的判定结果,生成与输入的视频图像大小相同的二值化掩模图像,将背景点的颜色值记为0,前景点的颜色值记为255。
S106、将所述二值化掩模图像和输入的视频图像做与运算,完成筛选。
具体的,将所述二值化掩模图像和输入的视频图像做与运算,过滤掉了更多的非火焰目标,得到仅包含前景点的目标图像,完成了火焰目标的筛选,提高了火灾探测的检测速度和准确率。
在本实施方式中,以火灾检测方法为例,如图2所示,火灾检测方法包含火焰目标筛选,火焰特征提取,火灾判别三个阶段。火焰目标筛选采用本发明中的筛选方法,火焰特征提取阶段选择火焰的颜色直方图、圆形度、矩形度、质心高度、面积变化率等几个特征作为提取目标。火灾判别采用支持SVM向量机模型对特征进行分类判断。具体步骤如下:
步骤一,输入视频图像,将输入的视频图像颜色空间由RGB空间转化到Lab空间。
步骤二,根据首帧图像,建立背景模板。方法如下:
1)、为单个像素点构建大小为20的样本集,样本数据为像素点在Lab颜色空间中三个通道的数值。每次从以该点为中心的3×3范围内的9个像素点中随机选取一个作为样本数据,直至完成样本集的构建。
2)、采用1)中的方法遍历第一帧图像中的全部像素点,完成图像中所有像素点的样本集构建,以像素点的样本集作为整幅图像的背景模板。
步骤三,判断图像中像素点的颜色是否满足火焰目标颜色条件,若不满足条件直接判定该像素点为背景点,若满足,则进入步骤四。具体判定条件具体为:L>Lth&a<ath&b>bth
其中,L,a,b分别为像素点在Lab空间中三个通道的值,Lth,ath,bth分别为火焰目标三个通道的判定阈值,根据火焰颜色经验和Lab三通道取值范围,选择三个值分别为50,2*(b-10),-10。
步骤四,分别计算像素点在Lab空间中与样本集中20个样本的距离d。距离d可采用曼哈顿距离,计算公式如下:
其中,L,a,b是像素点在Lab空间中三个通道的值,Ls,as,bs为样本点点在Lab空间中三个通道的值。
步骤五,统计样本集中样本点与该点之间的距离d>dth的个数N,并将N与Nmin比较,其中dth为阈值距离,Nmin为判断阈值个数。若N<2,则将判定该点为背景点,同时以1/16的概率将该点的像素值更新到自己和周围的8个邻域中随机一点的样本集中。若N>2,则判定该点为前景点。
步骤六,根据视频图像中每个像素点的判定结果,生成与原图像大小相同的二值化掩模图像,其中背景点的颜色值记为0,前景点的颜色值记为255。
步骤七,将掩模图像和原视频图像做与运算,得到仅包含前景目标的图像,筛选出火焰目标。
步骤八,分别提取火焰目标的颜色直方图、圆形度、矩形度、质心高度、面积变化率。
步骤九,采用SVM支持向量机模型对提取到的特征进行分类,判别是否发生火灾。SVM模型构建方法如下:
数据集选择300幅真实火焰目标图像特征和100幅干扰目标图像特征进行训练,干扰目标图像有行人、行驶的汽车、路灯、广告牌等。选择RBF核函数,利用网格搜索和交叉验证法确定最优参数。
本发明提供的一种从视频图像中筛选火焰目标的方法,首先通过将输入的视频图像的颜色空间从RGB颜色空间转换为Lab颜色空间,所述Lab颜色空间拥有L、a、b三个独立的通道,且空间内颜色分布均匀,降低亮度通道在距离计算中的权重,可以减少由于背景亮度变化引起的误判;然后根据输入的视频图像的第一帧图像的像素点和样本数据建立背景模板,其它帧图像得出像素点则根据火焰目标颜色条件判断像素点的颜色是否为火焰目标,若不满足则提前标记为背景点,去除了无关目标像素点的距离计算及判定过程,减少了计算量,提高了算法的运行速度;最后计算像素点在Lab空间中与样本集中的距离,统计所述距离大于阈值距离的个数,给出判定结果,根据所述判定结果,生成与输入的视频图像大小相同的二值化掩模图像,并与输入的视频图像做与运算,过滤掉了更多的非火焰目标,得到仅包含前景点的目标图像,完成筛选。本实施例融合了运动目标检测算法和颜色阈值过滤算法,提高火灾探测的实时性和准确性。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (8)
1.一种从视频图像中筛选火焰目标的方法,其特征在于,所述方法包括以下步骤:
对输入的视频图像的颜色空间进行转换,得到Lab空间图像;
判断所述Lab空间图像为第一帧图像,构建像素点的样本集,建立背景模板;
判断所述Lab空间图像不是第一帧图像,则判断像素点是否满足火焰目标颜色条件;
计算满足颜色条件的像素点与所述背景模板中样本之间的距离,统计满足距离条件的样本个数并给出判断结果;
根据判断结果,生成二值化掩模图像;
将所述二值化掩模图像和输入的视频图像做与运算,完成筛选。
2.如权利要求1所述的一种从视频图像中筛选火焰目标的方法,其特征在于,所述对输入的视频图像的颜色空间进行转换的过程中,将所述颜色空间从RGB颜色空间转换为Lab颜色空间。
3.如权利要求1所述的一种从视频图像中筛选火焰目标的方法,其特征在于,所述判断像素点是否满足火焰目标颜色条件,包括:
若像素点不满足条件L通道的值大于L通道阈值、a通道的值小于a通道阈值和b通道值大于b通道阈值,则所述像素点为背景点;
若像素点满足条件L通道的值大于L通道阈值、a通道的值小于a通道阈值和b通道值大于b通道阈值,则进行像素点与所述背景模板中的样本之间的距离计算。
4.如权利要求1所述的一种从视频图像中筛选火焰目标的方法,其特征在于,所述统计满足距离条件的样本个数并给出判断结果,包括:
统计所述背景模板样本集中样本点与满足火焰目标颜色条件的所述像素点之间的距离大于所述Lab颜色空间中阈值距离的样本个数。
5.如权利要求4所述的一种从视频图像中筛选火焰目标的方法,其特征在于,所述统计满足距离条件的样本个数并给出判断结果,还包括:
根据所述样本个数与样本集中样本总数的比值,给出判断结果。
6.如权利要求5所述的一种从视频图像中筛选火焰目标的方法,其特征在于,所述给出判断结果,包括:
统计出来的所述样本个数小于判定阈值个数,所述满足条件的像素点为背景点,并更新背景模板;
统计出来的所述样本个数大于判定阈值个数,所述满足条件的像素点为前景点。
7.如权利要求6所述的一种从视频图像中筛选火焰目标的方法,其特征在于,在统计满足距离条件的样本个数并给出判断结果之后,所述方法还包括:
生成与输入的视频图像大小相同的二值化掩模图像,并对所述背景点和所述前景点进行标记。
8.如权利要求7所述的一种从视频图像中筛选火焰目标的方法,其特征在于,所述二值化掩模图像和输入的视频图像做与运算,包括:
所述二值化掩模图像和输入的视频图像做与运算,得到包含所述前景点的目标图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911444.3A CN110717946A (zh) | 2019-09-25 | 2019-09-25 | 一种从视频图像中筛选火焰目标的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911444.3A CN110717946A (zh) | 2019-09-25 | 2019-09-25 | 一种从视频图像中筛选火焰目标的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717946A true CN110717946A (zh) | 2020-01-21 |
Family
ID=69210842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910911444.3A Pending CN110717946A (zh) | 2019-09-25 | 2019-09-25 | 一种从视频图像中筛选火焰目标的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717946A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608727A (zh) * | 2016-03-01 | 2016-05-25 | 中国科学院计算技术研究所 | 一种数据驱动的近岸涌浪动画合成方法及系统 |
CN105788142A (zh) * | 2016-05-11 | 2016-07-20 | 中国计量大学 | 一种基于视频图像处理的火灾检测系统及检测方法 |
CN107563303A (zh) * | 2017-08-09 | 2018-01-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
CN108038867A (zh) * | 2017-12-22 | 2018-05-15 | 湖南源信光电科技股份有限公司 | 基于多特征融合和立体视觉的火焰检测和定位方法 |
CN108447219A (zh) * | 2018-05-21 | 2018-08-24 | 中国计量大学 | 基于视频图像的火灾检测系统及方法 |
CN109903257A (zh) * | 2019-03-08 | 2019-06-18 | 上海大学 | 一种基于图像语义分割的虚拟头发染色方法 |
-
2019
- 2019-09-25 CN CN201910911444.3A patent/CN110717946A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608727A (zh) * | 2016-03-01 | 2016-05-25 | 中国科学院计算技术研究所 | 一种数据驱动的近岸涌浪动画合成方法及系统 |
CN105788142A (zh) * | 2016-05-11 | 2016-07-20 | 中国计量大学 | 一种基于视频图像处理的火灾检测系统及检测方法 |
CN107563303A (zh) * | 2017-08-09 | 2018-01-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
CN108038867A (zh) * | 2017-12-22 | 2018-05-15 | 湖南源信光电科技股份有限公司 | 基于多特征融合和立体视觉的火焰检测和定位方法 |
CN108447219A (zh) * | 2018-05-21 | 2018-08-24 | 中国计量大学 | 基于视频图像的火灾检测系统及方法 |
CN109903257A (zh) * | 2019-03-08 | 2019-06-18 | 上海大学 | 一种基于图像语义分割的虚拟头发染色方法 |
Non-Patent Citations (2)
Title |
---|
张慧珍 等: "基于超像素分割与闪频特征判别的视频火焰检测", 《数据采集与处理》 * |
谢伟: "多特征融合的视频火焰检测算法研究", 《电脑知识与技术》 * |
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 | |
CN110084095B (zh) | 车道线检测方法、车道线检测装置和计算机存储介质 | |
KR101432440B1 (ko) | 화재 연기 감지 방법 및 장치 | |
CN107944359A (zh) | 基于视频的火焰检测方法 | |
CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
CN101515326A (zh) | 一种适用于识别和检测大空间火灾火焰的方法 | |
JP2008518344A (ja) | ビデオデータを処理するための方法及びシステム | |
CN108280409B (zh) | 一种基于多特征融合的大空间视频烟雾检测方法 | |
CN113221763B (zh) | 一种基于视频图像亮度的火焰识别方法 | |
CN111126293A (zh) | 一种火焰和烟雾异常情况检测方法及系统 | |
CN111860324A (zh) | 基于小波变换的高频分量检测及色彩识别的火灾预警方法 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
CN113744326B (zh) | 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法 | |
CN114359733A (zh) | 一种基于视觉的烟雾火情的检测方法及系统 | |
CN111460964A (zh) | 一种广电传输机房低照度条件下运动目标检测方法 | |
US20040114054A1 (en) | Method of detecting a significant change of scene | |
CN107832732B (zh) | 基于三叉树遍历的车道线检测方法 | |
US9235882B2 (en) | Method for detecting existence of dust spots in digital images based on locally adaptive thresholding | |
CN107346421B (zh) | 一种基于颜色不变性的视频烟雾检测方法 | |
CN113723229A (zh) | 信号灯的检测方法、装置及计算机可读存储介质 | |
CN113657250A (zh) | 一种基于监控视频的火焰检测方法及系统 | |
CN113096103A (zh) | 一种面向放空火炬的烟气智能影像感知方法 | |
AU2002232008A1 (en) | Method of detecting a significant change of scene | |
CN110717946A (zh) | 一种从视频图像中筛选火焰目标的方法 | |
CN111860646A (zh) | 基于神经网络的森林火灾检测方法 |
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: 20200121 |
|
RJ01 | Rejection of invention patent application after publication |