CN110738218A - 一种输电线路通道烟火隐患识别方法及装置 - Google Patents
一种输电线路通道烟火隐患识别方法及装置 Download PDFInfo
- Publication number
- CN110738218A CN110738218A CN201910974662.1A CN201910974662A CN110738218A CN 110738218 A CN110738218 A CN 110738218A CN 201910974662 A CN201910974662 A CN 201910974662A CN 110738218 A CN110738218 A CN 110738218A
- Authority
- CN
- China
- Prior art keywords
- color
- firework
- module
- histogram
- texture
- 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
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度纹理特征与SVM的输电线路通道烟火隐患识别方法及装置,包括以下步骤:(1)收集输电线路中的烟火目标样本图片;(2)将RGB颜色空间转换为HSV及YCbCr颜色空间;(3)计算颜色直方图;(4)对颜色直方图进行均衡化和二值化处理,得到烟火区域;(5)利用烟火的分形特性,选择不同尺度的纹理特征,得到纹理图像;(6)使用支持向量机进行训练与分类,确定是否是烟火;(7)输出图像,并将确认是烟火区域矩形标注。本发明克服现有技术的不足,可以极大有效的避免光照、镜头抖动、场景变化所带来的影响,减少误报率并且能够满足检测处理速度的要求。
Description
技术领域
本发明涉及输电线路通道可视化图像处理技术领域,更具体地,涉及一种基于多尺度纹理特征与SVM的输电线路通道烟火隐患识别方法。
背景技术
目前成熟的火灾监测系统已有许多,大多采用遥感及红外热感成像检测火灾,需要相应的专业设备,而使用有色光图像进行检测的则较少,且都是使用视频分析的形式,利用动态视频进行检测火焰的方法主要是提取视频中运动目标的动态特征变化规律,火焰较明显的动态特征有:面积、边缘、形态变化及整体移动,分层变化,内、外焰变化,频闪规律,烟雾特征等。对火焰识别方法一般有基于LBP特征和GBP特征的火焰识别、基于改进分层聚类和支持向量机(SVM)的火灾识别算法等方法。其难点在于如何定位烟火区域及对烟火区域进行分类,判断其是否为烟火。针对输电线路通道可视化监拍装置拍摄的图片,因其易受背景晃动、天气变化、噪声等外界环境因素以及目标自身特征的多样性的影响,利用上述方法识别图片中的烟火隐患存在如下缺点:
1、主要处理的图片是输电线路通道图像,拍摄时间间隔较长,无法获得火灾变化的时序信息,只能利用单张图片中火灾某个状态的一些信息进行判断;
2、火焰识别特征效果受天气和光照影响较大,误报率非常高;
3、火焰识别算法依赖阈值的局限性,导致检测结果的不准确。
发明内容
本发明的目的在于提供一种基于多尺度纹理特征与SVM的输电线路通道烟火隐患识别方法,克服现有技术的不足,可以极大有效的避免光照、镜头抖动、场景变化所带来的影响,减少误报率并且能够满足检测处理速度的要求。
为解决上述问题,本发明提供一种基于多尺度纹理特征与SVM的输电线路通道烟火隐患识别方法,其中,所述方法包括以下步骤:
一种基于多尺度纹理特征与SVM的输电线路通道烟火隐患识别方法,其特征在于,所述方法包括以下步骤:
(1)收集输电线路中的烟火目标样本图片;
(2)对所述图片进行颜色空间转换;
(3)经过步骤(2)转换颜色空间后,计算颜色直方图;
(4)对步骤(3)中得到的颜色直方图进行处理,得到烟火区域;
(5)利用烟火的分形特性,选择不同尺度的纹理特征,得到纹理图像;
(6)对纹理图像进行转化,使用支持向量机SVM进行训练与分类,确定是否是烟火;
(7)输出图像,并将确认是烟火区域矩形标注。
优选地,步骤(2)所述的对图片进行颜色空间转换,是将RGB颜色空间转换为HSV及YCbCr颜色空间。
优选地,步骤(3)所述的计算颜色直方图包括,计算每一个样本在HSV和YCbCr颜色空间中选定的色调H、饱和度S、色差Cb和色差Cr四个分量的颜色直方图,求得的颜色直方图记为Hi,其中i表示样本编号,Hi中的任意值Hi(x)表示图像中对应分量等于x的像素的数量,x的取值范围由该分量的取值范围决定。
优选地,步骤(4)包括:对所述颜色直方图进行均衡化和二值化处理,再将这些结果图像进行合并,得到完整的符合烟火颜色的区域。
优选地,步骤(5)包括:对步骤(4)中得到的完整符合烟火颜色的区域进行分析,用特征E来描述目标的纹理特征,用公式
其中x,y表示像素点的坐标,n表示邻域的长和宽,理论上n=2k+1,k表示尺度大小的一半,i,j表示一个区域内的像素坐标,I表示邻域内x,y点的像素值。
优选地,步骤(6)所述对纹理图像进行转化包括,使用目标区域多个尺度下纹理图像的均值μ和特征E作为支持向量机的输入。
优选地,纹理图像的尺度选用3×3、5×5、7×7、9×9和11×11共5个尺度,所述输入是一个10维向量。
优选地,所述的SVM分类器对转化后的输入数据进行训练和分类,得到烟火识别的结果。
本发明还提出一种基于多尺度纹理特征与SVM的输电线路通道烟火隐患识别装置,其特征在于,所述装置包括:
输入模块,收集输电线路中的烟火目标样本图片;
空间转换模块,与图片收集模块相连,对所述图片进行颜色空间转换;
直方图计算模块,与空间转换模块相连,对转换颜色空间后的图片,计算颜色直方图;
直方图处理模块,与直方图计算模块相连,对所述颜色直方图进行处理,得到烟火区域;
纹理图像获取模块,与直方图处理模块相连,利用烟火的分形特性,选择不同尺度的纹理特征,得到纹理图像;
分类模块,与纹理图像获取模块相连,对纹理图像进行转化,使用支持向量机SVM进行训练与分类,确定是否是烟火;
输出模块,与分类模块相连,输出图像,并将确认是烟火区域矩形标注。
优选地,空间转换模块将RGB颜色空间转换为HSV及YCbCr颜色空间。
优选地,直方图计算模块计算每一个样本在HSV和YCbCr颜色空间中选定的色调H、饱和度S、色差Cb和色差Cr四个分量的颜色直方图,求得的颜色直方图记为Hi,其中i表示样本编号,Hi中的任意值Hi(x)表示图像中对应分量等于x的像素的数量,x的取值范围由该分量的取值范围决定。
优选地,直方图处理模块对颜色直方图进行均衡化和二值化处理,再将这些结果图像进行合并,得到完整的符合烟火颜色的区域。
优选地,所述纹理图像获取模块对所述得到的完整符合烟火颜色的区域进行分析,用特征E来描述目标的纹理特征,用公式
其中x,y表示像素点的坐标,n表示邻域的长和宽,理论上n=2k+1,k表示尺度大小的一半,i,j表示一个区域内的像素坐标,I表示邻域内x,y点的像素值。
优选地,分类模块对纹理图像进行转化包括,使用目标区域多个尺度下纹理图像的均值和方差作为支持向量机的输入。
优选地,纹理图像的尺度选用3×3、5×5、7×7、9×9和11×11共5个尺度,所述输入是一个10维向量。
优选地,分类模块采用SVM分类器对转化后的输入数据进行训练和分类,得到烟火识别的结果。
本发明有益效果:
本发明利用简单实用的烟火颜色特征,使用颜色信息做初步筛选,由于烟火的分形性质,其纹理特征较为独特,将其作为进一步识别的依据。克服它们本身的缺陷,以达到更精准的识别效果,能够有效避免光照、镜头抖动、场景变化所带来的影响,具有较强的旋转不变性、抗畸变能力以及良好的鲁棒性及快速计算能力,采用SVM作为分类器能有效降低目标误报率、有效减少目标漏报,加速了分类过程,能够满足检测处理速度的要求。
附图说明
图1为本发明所述的输电线路通道烟火隐患识别方法流程示意图。
图2为本发明所述的输电线路通道烟火隐患识别装置的示意框图。
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的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
参照说明书附图1,本发明提供一种基于多尺度纹理特征与SVM的输电线路通道烟火隐患识别方法,其中,所述方法包括以下步骤:
(1)收集输电线路中的烟火目标样本图片,输入图像;
(2)对图像进行颜色空间转换;
(3)经过步骤(2)转换颜色空间后,计算颜色直方图;
(4)对步骤(3)中得到的颜色直方图进行均衡化和二值化处理,得到烟火区域;
(5)利用烟火的分形特性,选择不同尺度的纹理特征,得到纹理图像;
(6)对纹理图像进行转化,使用支持向量机(Support Vector Machine,SVM)进行训练与分类,确定是否是烟火;
(7)输出图像,并将确认是烟火区域矩形标注。
作为一种优选的方案,步骤(2)所述的对图像进行颜色空间转换,将RGB颜色空间转换为HSV及YCbCr颜色空间。
作为一种优选的方案,步骤(3)所述的计算颜色直方图,即计算每一个样本在HSV和YCbCr颜色空间中选定的色调H、饱和度S、色差Cb和色差Cr四个分量的颜色直方图,求得的颜色直方图记为Hi,其中i表示样本编号,Hi中的任意值Hi(x)表示图像中对应分量等于x的像素的数量,x的取值范围由该分量的取值范围决定。
每一个颜色直方图都代表了对应样本的颜色分布,在检测时,利用公式I(x,y)=Hi[I(x,y)]将每个样本的颜色直方图映射到待检测图像上,得到每个样本映射后的结果图,其中I(x,y)表示图像在(x,y)处的像素值。
作为一种优选的方案,步骤(4)所述的对颜色直方图进行均衡化和二值化处理,得到烟火区域。
作为一种优选的方案,所述对颜色直方图进行均衡化和二值化处理。最后再将这些结果图像进行合并,得到完整的符合火焰颜色的区域。可有效改善由于各个样本提取的颜色直方图分布不同,导致映射结果亮度分布不均匀的情况。
此时获得的变化区域要更精确,对于噪声也起到了一定程度上的抑制作用。
作为一种优选的方案,步骤(5)所述利用烟火的分形特性,选择不同尺度的纹理特征,得到纹理图像。
分形,通常被定义为“一个粗糙或零碎的几何形状,可以分成数个部分,且每一部分都(至少近似地)是整体缩小后的形状”,即具有自相似的性质。分形形体中的自相似性可以是完全相同,也可以是统计意义上的相似,前者被称为有规分形,后者则是无规分形。火焰可以看作一种无规分形,它在不同的尺度上具有相似性,即整体与局部具有相似性。由于火焰独特的分形特性,选择使用纹理特征来判断火焰。分形特性使得火焰的纹理在不同尺度下具有一定的相似性和一致性,通过不同尺度的纹理分析可以对火焰做出一定程度的识别。
通过不同尺度的纹理分析可以对烟火做出一定程度的识别,用特征E来描述目标的纹理特征,该特征描述了图像中局部区域的亮度波动程度,在不同的尺度下,火焰及土地的波动程度变化不同,可用公式表示,式中k由尺度大小决定;
其中x,y表示像素点的坐标,n表示邻域的长和宽,理论上n=2k+1,k表示尺度大小的一半,i,j表示一个区域内的像素坐标,I表示邻域内x,y点的像素值。
作为一种优选的方案,所述的对纹理图像进行转化,使用支持向量机(SupportVector Machine,SVM)进行训练与分类,确定是否是烟火。
SVM基于结构风险最小化理论在特征空间中建构最优分割超平面,使得学习器达到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界;而对于线性不可分的问题,其通过一个非线性映射把样本空间映射到一个高维乃至无穷维的特征空间中,使得在原来的样本空间中线性不可分的问题转化为在新特征空间中的线性可分的问题。
SVM分类方法需要保证维度一致,为此先将纹理图像进行转化,这里使用目标区域多个尺度下纹理图像的均值和方差作为输入,纹理图像的尺度我们选用3×3、5×5、7×7、9×9和11×11共5个尺度,其输入是一个10维向量。本方法使用SVM作为图像分类器,极大提高了分类的速度和准确度。
如图2所示,本发明还提出一种基于多尺度纹理特征与SVM的输电线路通道烟火隐患识别装置,所述装置包括:
输入模块,收集输电线路中的烟火目标样本图片;
空间转换模块,对所述图片进行颜色空间转换,将RGB颜色空间转换为HSV及YCbCr颜色空间。
直方图计算模块,与空间转换模块相连,对经过转换颜色空间后的图片,计算颜色直方图;直方图计算模块计算每一个样本在HSV和YCbCr颜色空间中选定的色调H、饱和度S、色差Cb和色差Cr四个分量的颜色直方图,求得的颜色直方图记为Hi,其中i表示样本编号,Hi中的任意值Hi(x)表示图像中对应分量等于x的像素的数量,x的取值范围由该分量的取值范围决定。
直方图处理模块,与直方图计算模块相连,对得到的对颜色直方图进行均衡化和二值化处理,再将这些结果图像进行合并,得到完整的符合烟火颜色的区域。
纹理图像获取模块,与直方图处理模块相连,利用烟火的分形特性,选择不同尺度的纹理特征,得到纹理图像;
其中用特征E来描述目标的纹理特征,可用公式
其中x,y表示像素点的坐标,n表示邻域的长和宽,理论上n=2k+1,k表示尺度大小的一半,i,j表示一个区域内的像素坐标,I表示邻域内x,y点的像素值。
分类模块,与纹理图像获取模块相连,对纹理图像进行转化,使用目标区域多个尺度下纹理图像的均值和方差作为支持向量机的输入。
纹理图像的尺度选用3×3、5×5、7×7、9×9和11×11共5个尺度,所述输入是一个10维向量。
采用SVM分类器对转化后的输入数据进行训练和分类,得到烟火识别的结果。
输出模块,与分类模块相连,输出图像,并将确认是烟火区域矩形标注。
本发明利用火焰颜色是检测中简单实用的特征,使用颜色信息做初步筛选,由于烟火的分形性质,其纹理特征较为独特,将其作为进一步识别的依据。克服它们本身的缺陷,以达到更精准的识别效果,能够有效避免光照、镜头抖动、场景变化所带来的影响,具有较强的旋转不变性、抗畸变能力以及良好的鲁棒性及快速计算能力,采用SVM作为分类器能有效降低目标误报率、有效减少目标漏报,加速了分类过程,能够满足检测处理速度的要求。
申请人结合说明书附图对本发明的实施例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (16)
1.一种基于多尺度纹理特征与SVM的输电线路通道烟火隐患识别方法,其特征在于,所述方法包括以下步骤:
(1)收集输电线路中的烟火目标样本图片;
(2)对所述图片进行颜色空间转换;
(3)经过步骤(2)转换颜色空间后,计算颜色直方图;
(4)对步骤(3)中得到的颜色直方图进行处理,得到烟火区域;
(5)利用烟火的分形特性,选择不同尺度的纹理特征,得到纹理图像;
(6)对纹理图像进行转化,使用支持向量机SVM进行训练与分类,确定是否是烟火;
(7)输出图像,并将确认是烟火的区域矩形标注。
2.根据权利要求1所述的方法,其特征在于,步骤(2)所述的对图片进行颜色空间转换,是将RGB颜色空间转换为HSV及YCbCr颜色空间。
3.根据权利要求2所述的方法,其特征在于,步骤(3)所述的计算颜色直方图包括,计算每一个样本在HSV和YCbCr颜色空间中选定的色调H、饱和度S、色差Cb和色差Cr四个分量的颜色直方图,求得的颜色直方图记为Hi,其中i表示样本编号,Hi中的任意值Hi(x)表示图像中对应分量等于x的像素的数量,x的取值范围由该分量的取值范围决定。
4.根据权利要求3所述的方法,其特征在于,步骤(4)包括:对所述颜色直方图进行均衡化和二值化处理,再将这些结果图像进行合并,得到完整的符合烟火颜色的区域。
6.根据权利要求5所述的方法,其特征在于,步骤(6)所述对纹理图像进行转化包括,使用目标区域多个尺度下纹理图像的均值μ和特征E作为支持向量机的输入。
7.根据权利要求6所述的方法,其特征在于,纹理图像的尺度选用3×3、5×5、7×7、9×9和11×11共5个尺度,所述输入是一个10维向量。
8.根据权利要求7所述的方法,其特征在于,所述的SVM分类器对转化后的输入数据进行训练和分类,得到烟火识别的结果。
9.一种基于多尺度纹理特征与SVM的输电线路通道烟火隐患识别装置,其特征在于,所述装置包括:
输入模块,收集输电线路中的烟火目标样本图片;
空间转换模块,与图片收集模块相连,对所述图片进行颜色空间转换;
直方图计算模块,与空间转换模块相连,对转换颜色空间后的图片,计算颜色直方图;
直方图处理模块,与直方图计算模块相连,对所述颜色直方图进行处理,得到烟火区域;
纹理图像获取模块,与直方图处理模块相连,利用烟火的分形特性,选择不同尺度的纹理特征,得到纹理图像;
分类模块,与纹理图像获取模块相连,对纹理图像进行转化,使用支持向量机SVM进行训练与分类,确定是否是烟火;
输出模块,与分类模块相连,输出图像,并将确认是烟火的区域矩形标注。
10.根据权利要求9所述的装置,其特征在于,所述空间转换模块将RGB颜色空间转换为HSV及YCbCr颜色空间。
11.根据权利要求10所述的装置,其特征在于,所述直方图计算模块计算每一个样本在HSV和YCbCr颜色空间中选定的色调H、饱和度S、色差Cb和色差Cr四个分量的颜色直方图,求得的颜色直方图记为Hi,其中i表示样本编号,Hi中的任意值Hi(x)表示图像中对应分量等于x的像素的数量,x的取值范围由该分量的取值范围决定。
12.根据权利要求11所述的装置,其特征在于,所述直方图处理模块对颜色直方图进行均衡化和二值化处理,再将这些结果图像进行合并,得到完整的符合烟火颜色的区域。
14.根据权利要求13所述的装置,其特征在于,所述分类模块对纹理图像进行转化包括,使用目标区域多个尺度下纹理图像的均值μ和特征E作为支持向量机的输入。
15.根据权利要求14所述的装置,其特征在于,所述纹理图像的尺度选用3×3、5×5、7×7、9×9和11×11共5个尺度,所述输入是一个10维向量。
16.根据权利要求15所述的装置,其特征在于,所述分类模块采用SVM分类器对转化后的输入数据进行训练和分类,得到烟火识别的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910974662.1A CN110738218A (zh) | 2019-10-14 | 2019-10-14 | 一种输电线路通道烟火隐患识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910974662.1A CN110738218A (zh) | 2019-10-14 | 2019-10-14 | 一种输电线路通道烟火隐患识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110738218A true CN110738218A (zh) | 2020-01-31 |
Family
ID=69268904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910974662.1A Pending CN110738218A (zh) | 2019-10-14 | 2019-10-14 | 一种输电线路通道烟火隐患识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738218A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898463A (zh) * | 2020-07-08 | 2020-11-06 | 浙江大华技术股份有限公司 | 烟火检测识别方法和装置、存储介质及电子装置 |
CN112991366A (zh) * | 2021-02-18 | 2021-06-18 | 广州光锥元信息科技有限公司 | 对图像进行实时色度抠图的方法、装置及移动端 |
CN114792299A (zh) * | 2021-01-25 | 2022-07-26 | 山东信通电子股份有限公司 | 一种输电线路异常状态检测方法及装置 |
CN116912178A (zh) * | 2023-06-26 | 2023-10-20 | 成都理工大学 | 导线表面痕迹识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016679A (zh) * | 2017-02-23 | 2017-08-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于单张图片的山火检测方法 |
CN108229458A (zh) * | 2017-12-22 | 2018-06-29 | 湖南源信光电科技股份有限公司 | 一种基于运动检测和多特征提取的火焰智能识别方法 |
CN110135374A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 采用图像块特征识别与回归分类的火灾烟雾检测方法 |
-
2019
- 2019-10-14 CN CN201910974662.1A patent/CN110738218A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016679A (zh) * | 2017-02-23 | 2017-08-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于单张图片的山火检测方法 |
CN108229458A (zh) * | 2017-12-22 | 2018-06-29 | 湖南源信光电科技股份有限公司 | 一种基于运动检测和多特征提取的火焰智能识别方法 |
CN110135374A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 采用图像块特征识别与回归分类的火灾烟雾检测方法 |
Non-Patent Citations (1)
Title |
---|
杜明本: "基于视频监控的煤矿井下火灾识别算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技I辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898463A (zh) * | 2020-07-08 | 2020-11-06 | 浙江大华技术股份有限公司 | 烟火检测识别方法和装置、存储介质及电子装置 |
CN111898463B (zh) * | 2020-07-08 | 2023-04-07 | 浙江大华技术股份有限公司 | 烟火检测识别方法和装置、存储介质及电子装置 |
CN114792299A (zh) * | 2021-01-25 | 2022-07-26 | 山东信通电子股份有限公司 | 一种输电线路异常状态检测方法及装置 |
CN112991366A (zh) * | 2021-02-18 | 2021-06-18 | 广州光锥元信息科技有限公司 | 对图像进行实时色度抠图的方法、装置及移动端 |
CN112991366B (zh) * | 2021-02-18 | 2024-05-03 | 广州光锥元信息科技有限公司 | 对图像进行实时色度抠图的方法、装置及移动端 |
CN116912178A (zh) * | 2023-06-26 | 2023-10-20 | 成都理工大学 | 导线表面痕迹识别方法 |
CN116912178B (zh) * | 2023-06-26 | 2024-05-24 | 成都理工大学 | 导线表面痕迹识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738218A (zh) | 一种输电线路通道烟火隐患识别方法及装置 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
US20110081081A1 (en) | Method for recognizing objects in images | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN102881160B (zh) | 一种低照度场景下的户外交通标志识别方法 | |
Liu et al. | A fog level detection method based on image HSV color histogram | |
CN102982350A (zh) | 一种基于颜色和梯度直方图的台标检测方法 | |
CN105184308B (zh) | 一种基于全局优化决策的遥感图像建筑物检测分类方法 | |
CN111898627B (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN111815528A (zh) | 基于卷积模型和特征融合的恶劣天气图像分类增强方法 | |
CN112818905A (zh) | 一种基于注意力和时空信息的有限像素车辆目标检测方法 | |
Tariq et al. | Real time vehicle detection and colour recognition using tuned features of Faster-RCNN | |
CN115908774A (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
Izzah et al. | Translation of sign language using generic fourier descriptor and nearest neighbour | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
CN113221603A (zh) | 一种检测监控设备被异物遮挡的方法及装置 | |
CN108734158B (zh) | 一种实时列车车号识别方法及装置 | |
Khona’ah et al. | Identification and clasification of plastic color images based on the rgb method | |
CN107341456B (zh) | 一种基于单幅户外彩色图像的天气晴阴分类方法 | |
Wang et al. | An efficient method of shadow elimination based on image region information in HSV color space | |
CN111402189B (zh) | 一种视频图像偏色检测装置及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200131 |