CN111091586A - 一种快速的烟雾动态遮挡区域检测和定位方法及其应用 - Google Patents
一种快速的烟雾动态遮挡区域检测和定位方法及其应用 Download PDFInfo
- Publication number
- CN111091586A CN111091586A CN201911302293.8A CN201911302293A CN111091586A CN 111091586 A CN111091586 A CN 111091586A CN 201911302293 A CN201911302293 A CN 201911302293A CN 111091586 A CN111091586 A CN 111091586A
- Authority
- CN
- China
- Prior art keywords
- smoke
- image
- optical flow
- picture
- dynamic
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了快速的烟雾动态遮挡区域检测和定位方法及其应用,其步骤为:采集烟雾画面I后对其进行预处理;以预处理后的烟雾画面I作为输入,输入训练好的LiteFlowNet得到烟雾画面I的光流图像;利用LoG滤波器与前步得到的光流图像进行卷积得到滤波后的光流图像;在滤波后的图像中寻找零交叉位置,进而确定该图像上不同物体之间光流边缘的位置;引入图像语义信息判断前步确认的遮挡区域是否为烟雾;检测出动态遮挡产生的光流,并映射回LiteFlowNet处理所得的光流图像定位动态遮挡区域。本发明的方法,可有效将烟雾的动态遮挡区域检测出来,检测及定位准确度高,速度快,极具应用前景,电子设备成本低廉,应用前景好。
Description
技术领域
本发明属于计算机视觉技术领域,涉及一种快速的烟雾动态遮挡区域检测和精确定位方法及其应用。
背景技术
火灾是一种失去控制的灾害性燃烧现象。全世界每年有大约0.1%的森林被烧毁,同时又有超过20%的二氧化碳源于火灾的排放。火灾的发生不但给人们的生活造成一定的危害,也会给人们的财产造成一定的损失。随着人类科学技术的进步和社会经济的发展,经济发达地区的人口密度日益增大。在这些高层建筑物中过大的人口密度给消防安全带来了极大的隐患。
烟雾先于火焰的发生,较早检测到烟雾可以及时的控制火灾的蔓延防止火灾的发生,以此保障人们的财产及人身安全。同时,烟雾的飘散性和扩散性使得烟雾本身面积比火焰大,增加了检测的概率。近年来,深度学习的方法在视频烟雾检测中盛行,检测的准确率较传统方法有了很大的提高。使用深度学习的方法来提高检测的准确率是当前国内外视频烟雾检测领域研究的重点之一。但烟雾检测也存在着许多弊端,烟雾丰富的运动特征导致了其特征较难被提取,增加了检测的难度。其次,在自然界中,烟雾的形态与水汽、雾气等较为相像,检测过程中极易被混淆,因而加大了检测难度。烟雾检测的基本框架由视频图像预处理、疑似烟雾区域预提取、烟雾特征提取和烟雾检测等几个部分组成。国内外研究学者致力于在这个框架的几个部分中不断探究、创新,以降低视频烟雾检测的误检率和漏检率,达到提高烟雾检测准确率的目的。
在野外烟雾监测视频中,遮挡分为静态遮挡(如建筑物)和动态遮挡(如人、树叶和汽车)两种类型。如果帧之间没有运动,静态遮挡不会产生光流。动态遮挡会产生明显的干涉光流,难以消除。
目前在烟雾动态遮挡区域检测方面,并没有得到重视与发展。甚至现在经过监控系统检测为疑似或者被遮挡烟雾的图像还得交给人工进行二次确认,这种方法并没有本质的将人类从简单枯燥的工作中解放出来。有一些手动提取特征来进行烟雾遮挡区域检测方法,比如有人将高斯混合模型和YUV颜色过滤规则结合来确定疑似被遮挡烟雾区域。但是这些方法在虽然一定程度解决了烟雾动态遮挡区域检测问题但其特征易被环境影响,因此在复杂环境中并没有取得很好的效果。
因此,开发一种能够有效消除动态遮挡带来的干涉的烟雾动态遮挡区域检测和精确定位方法极具现实意义。
发明内容
本发明的目的在于克服现有技术烟雾监测视频中因动态遮挡导致误检率和漏检率过高的缺陷,提供一种能够有效消除动态遮挡带来的干涉的烟雾动态遮挡区域检测和精确定位方法,应用本发明的方法还可帮助基于视频监控的烟雾浓度的准确量化的实现。本发明利用深度学习的优势,避免了传统视频烟雾检测方法中复杂的人工特征提取过程,大大提高了检测效率。
为实现上述目的,本发明提供如下技术方案:
一种快速的烟雾动态遮挡区域检测和定位方法,其步骤如下:
(1)实时采集烟雾画面I后对其进行预处理,所述预处理是指构建带有标注信息的烟雾信息数据即将烟雾画面I中的烟雾区域标注出来;
(2)以预处理后的烟雾画面I作为输入,输入训练好的LiteFlowNet得到所述烟雾画面I的光流图像;
所述LiteFlowNet的训练过程即以经预处理的烟雾画面II作为输入,以烟雾画面II产生的光流图像作为理论输出,不断调整LiteFlowNet的参数的过程,训练的终止条件为达到最大迭代次数N;
(3)利用LoG滤波器与步骤(2)得到的光流图像进行卷积,得到滤波后的光流图像;
(4)在步骤(3)获取的图像中寻找零交叉位置,进而确定该图像上不同物体之间光流边缘的位置即确定动态遮挡区域;
(5)引入图像语义信息判断步骤(4)所得的遮挡区域是否为烟雾;
(6)检测出动态遮挡产生的光流,并映射回步骤(2)得到的光流图像定位动态遮挡区域。
本发明针对烟雾检测中出现的动态物遮挡问题,提供了一种快速的烟雾动态遮挡区域检测和定位方法,首先构建LiteFlowNet,并采用历史数据库(包括预处理的烟雾画面II及与其对应的光流图像)训练LiteFlowNet,其次对实时获取的烟雾画面I进行预处理后输入训练好的LiteFlowNet,得到光流图像,再次对光流图像进行滤波处理,而后寻找零交叉位置进而确定动态遮挡区域,然后引入图像语义信息对动态遮挡区域判断,最终将动态遮挡区域从光流图中剔除,使得光流图上只剩下纯净的烟雾光流。本发明的方法根据光流区域的连通性和语义信息相似度来区分运动遮挡物体和烟雾的光流,为解决烟雾检测中出现的动态物遮挡问题提供一种新的思路,处理数据量小,对硬件要求低,处理速度快,处理效果好,极具应用前景,可广泛地应用于工厂火灾、森林火灾、汽车尾气等异常检测。
作为优选的技术方案:
如上所述的一种快速的烟雾动态遮挡区域检测和定位方法,所述烟雾画面II是通过摄像头采集而得的,其至少包括30个视频和1000个烟雾图像对,同时为避免训练数据缺失造成的网络过拟合,可使用图像平移、镜像、双线性插值、图像缩放等方法对训练数据进行了扩增,这能使得网络更加鲁棒,从而获取较好的光流估计。
如上所述的一种快速的烟雾动态遮挡区域检测和定位方法,所述 LiteFlowNet以其极少量的参数和极高的精度成为我们第一步光流检测的首选网络,其具有NetC和NetE两个子网络;NetC对任何输入的图片对提取两个多尺度的高维金字塔特征,NetE用来估算烟雾的由粗到细的流场,NetC子网络被设计成双流网络,双流之间相互共享权重。
如上所述的一种快速的烟雾动态遮挡区域检测和定位方法,LoG算子 G(r)公式如下:
卷积公式如下:
其中,i和j分别代表图像中一像素的横坐标和纵坐标,I0(i,j)和g(i,j)分别代表步骤(2)得到的光流图像和滤波后的光流图像,LoG算子是基于Gauss 分布函数演变,σ代表方差。
如上所述的一种快速的烟雾动态遮挡区域检测和定位方法,所述零交叉位置的寻找过程具体为:
i)取步骤(3)获取的图像的一部分,将其放大到像素级;
ii)在以像素点X为中心的3x3的区域中,确定了四对上下、左右和两个对角线的像素点正负关系;
iii)如这四对像素点的经过步骤(3)滤波后的灰度值的正负关系均相反且四对像素点的对应的灰度值差的绝对值小于阈值a,则像素点X为零交叉位置。
如上所述的一种快速的烟雾动态遮挡区域检测和定位方法,在找到所有零交叉位置后将所有零交叉位置点映射回步骤(2)得到的光流图像即可获取带有遮挡区域边缘的图像。
如上所述的一种快速的烟雾动态遮挡区域检测和定位方法,所述动态遮挡区域是用MH零交叉探测器来提取的;
所述引入图像语义信息判断步骤(4)所得的遮挡区域是否为烟雾是指基于烟雾灰度特征判断遮挡区域是否为烟雾。
如上所述的一种快速的烟雾动态遮挡区域检测和定位方法,所述遮挡区域的灰度值大于220或小于80,则该遮挡区域不是烟雾;反之则是烟雾。
如上所述的一种快速的烟雾动态遮挡区域检测和定位方法,所述 LiteFlowNet的输入为预处理后的烟雾画面I中相邻的两帧,输出为所述相邻的两帧对应的光流图像;
所述N为10000;神经网络停止的条件一般有两种情况:1.达到设定的精度要求;2达到最大迭代次数,此处我们采用第二种,将迭代次数设置为10000 次(一般情况),即训练过程中迭代次数达到10000时,训练终止,此时, LiteFlowNet网络损失函数的激活函数收敛,训练完成,当然本领域技术人员可根据实际需求选择最大迭代次数N和训练停止的条件;
所述烟雾画面I和烟雾画面II的图片分辨率大于等于1920×1080像素。
本发明还提供一种应用如上所述的一种快速的烟雾动态遮挡区域检测和定位方法的电子设备,包括一个或多个处理器、一个或多个存储器、一个或多个程序及图像采集装置;
所述图像采集装置用于实时采集烟雾画面I,所述一个或多个程序被存储在所述存储器中,当所述一个或多个程序被所述处理器执行时,使得所述电子设备执行如上所述的一种快速的烟雾动态遮挡区域检测和定位方法。
有益效果:
(1)本发明的快速的烟雾动态遮挡区域检测和定位方法,针对野外烟雾动态遮挡检测和精确定位问题,选用参数量少且精度高的LiteFlowNet作为光流处理方法,能够快速准确的对视频图像的光流进行估计,LiteFlowNet先在 NetE的高维特征上进行逐像素的匹配得到粗光流估计,然后再对粗光流进行亚像素级别的细化,能够提高所得光流精度;
(2)本发明的快速的烟雾动态遮挡区域检测和定位方法,可有效将烟雾的动态遮挡区域检测出来,利于后续推理遮挡背后的烟雾光流,进而帮助视频评估烟雾浓度技术的发展,极具应用前景;
(3)本发明的电子设备,结构简单,成本低廉,能快速准确的进行烟雾动态遮挡区域检测和定位,应用前景好。
附图说明
图1为本发明的LiteFlowNet的具体网络结构示意图;
图2为本发明的检测零交叉位置的过程示意图;
图3为本发明的快速的烟雾动态遮挡区域检测和定位方法的步骤流程图;
图4为本发明的电子设备的结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式做进一步阐述。
实施例1
一种快速的烟雾动态遮挡区域检测和定位方法,其步骤如图3所示,具体为:
(1)实时采集烟雾画面I后对其进行预处理,预处理是指构建带有标注信息的烟雾信息数据即将烟雾画面I中的烟雾区域标注出来,其中烟雾画面I 的图片分辨率大于等于1920×1080像素;
(2)以预处理后的烟雾画面I作为输入,输入训练好的LiteFlowNet得到烟雾画面I的光流图像,其中,LiteFlowNet的输入为预处理后的烟雾画面 I中相邻的两帧,输出为相邻的两帧对应的光流图像;
LiteFlowNet如图1所示,具有NetC和NetE两个子网络;NetC对任何输入的图片对提取两个多尺度的高维金字塔特征,NetE用来估算烟雾的由粗到细的流场,NetC子网络被设计成双流网络,双流之间相互共享权重;
LiteFlowNet的训练过程即以经预处理的烟雾画面II作为输入,以烟雾画面II产生的光流图像作为理论输出,不断调整LiteFlowNet的参数的过程,训练的终止条件为达到最大迭代次数N(10000次),其中烟雾画面II是通过摄像头采集而得的,其至少包括30个视频和1000个烟雾图像对,烟雾画面II 的图片分辨率大于等于1920×1080像素;
(3)利用LoG滤波器与步骤(2)得到的光流图像进行卷积,得到滤波后的光流图像,处理公式如下:
LoG算子G(r)公式如下:
卷积公式如下:
其中,i和j分别代表图像中一像素的横坐标和纵坐标,I0(i,j)和g(i,j)分别代表步骤(2)得到的光流图像和滤波后的光流图像,σ代表方差;
(4)在步骤(3)获取的图像中寻找零交叉位置,进而确定该图像上不同物体之间光流边缘的位置即确定动态遮挡区域;
零交叉位置的寻找过程如图2所示,具体为:
i)取步骤(3)获取的图像的一部分,将其放大到像素级;
ii)在以像素点X为中心的3x3的区域中,确定了四对上下、左右和两个对角线的像素点正负关系;
iii)如这四对像素点的经过步骤(3)滤波后的灰度值的正负关系均相反且四对像素点的对应的灰度值差的绝对值小于阈值a,则像素点X为零交叉位置;
在找到所有零交叉位置后将所有零交叉位置点映射回步骤(2)得到的光流图像即可获取带有动态遮挡区域边缘的图像,其中动态遮挡区域是用MH 零交叉探测器来提取的;
(5)引入图像语义信息判断步骤(4)所得的遮挡区域是否为烟雾即基于烟雾灰度特征判断遮挡区域是否为烟雾,具体为遮挡区域的灰度值大于220 或小于80,则该遮挡区域不是烟雾;反之则是烟雾;
(6)检测出动态遮挡产生的光流,并映射回步骤(2)得到的光流图像定位动态遮挡区域。
经验证,本发明的快速的烟雾动态遮挡区域检测和定位方法,针对野外烟雾动态遮挡检测和精确定位问题,选用参数量少且精度高的LiteFlowNet作为光流处理方法,能够快速准确的对视频图像的光流进行估计,LiteFlowNet 先在NetE的高维特征上进行逐像素的匹配得到粗光流估计,然后再对粗光流进行亚像素级别的细化,能够提高所得光流精度;可有效将烟雾的动态遮挡区域检测出来,利于后续推理遮挡背后的烟雾光流,进而帮助视频评估烟雾浓度技术的发展,极具应用前景。
实施例2
一种电子设备,如图4所示,包括一个或多个处理器、一个或多个存储器、一个或多个程序及图像采集装置;
图像采集装置用于实时采集烟雾画面I,一个或多个程序被存储在所述存储器中,当一个或多个程序被处理器执行时,使得电子设备执行与实施例1 相同的一种快速的烟雾动态遮挡区域检测和定位方法。
经验证,本发明的电子设备,结构简单,成本低廉,能快速准确的进行烟雾动态遮挡区域检测和定位,应用前景好。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应该理解,这些仅是举例说明,在不违背本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改。
Claims (10)
1.一种快速的烟雾动态遮挡区域检测和定位方法,其特征在于,其步骤如下:
(1)采集烟雾画面I后对其进行预处理,所述预处理是指构建带有标注信息的烟雾信息数据;
(2)以预处理后的烟雾画面I作为输入,输入训练好的LiteFlowNet得到所述烟雾画面I的光流图像;
所述LiteFlowNet的训练过程即以经预处理的烟雾画面II作为输入,以烟雾画面II产生的光流图像作为理论输出,不断调整LiteFlowNet的参数的过程,训练的终止条件为达到最大迭代次数N;
(3)利用LoG滤波器与步骤(2)得到的光流图像进行卷积,得到滤波后的光流图像;
(4)在步骤(3)获取的图像中寻找零交叉位置,进而确定该图像上不同物体之间光流边缘的位置即确定动态遮挡区域;
(5)引入图像语义信息判断步骤(4)所得的遮挡区域是否为烟雾;
(6)检测出动态遮挡产生的光流,并映射回步骤(2)得到的光流图像定位动态遮挡区域。
2.根据权利要求1所述的一种快速的烟雾动态遮挡区域检测和定位方法,其特征在于,所述烟雾画面II是通过摄像头采集而得的,其至少包括30个视频和1000个烟雾图像对。
3.根据权利要求1所述的一种快速的烟雾动态遮挡区域检测和定位方法,其特征在于,所述LiteFlowNet具有NetC和NetE两个子网络;NetC对任何输入的图片对提取两个多尺度的高维金字塔特征,NetE用来估算烟雾的由粗到细的流场,NetC子网络被设计成双流网络,双流之间相互共享权重。
5.根据权利要求1所述的一种快速的烟雾动态遮挡区域检测和定位方法,其特征在于,所述零交叉位置的寻找过程具体为:
i)取步骤(3)获取的图像的一部分,将其放大到像素级;
ii)在以像素点X为中心的3x3的区域中,确定了四对上下、左右和两个对角线的像素点正负关系;
iii)如这四对像素点的经过步骤(3)滤波后的灰度值的正负关系均相反且四对像素点的对应的灰度值差的绝对值小于阈值a,则像素点X为零交叉位置。
6.根据权利要求5所述的一种快速的烟雾动态遮挡区域检测和定位方法,其特征在于,在找到所有零交叉位置后将所有零交叉位置点映射回步骤(2)得到的光流图像即可获取带有遮挡区域边缘的图像。
7.根据权利要求1所述的一种快速的烟雾动态遮挡区域检测和定位方法,其特征在于,所述动态遮挡区域是用MH零交叉探测器来提取的;
所述引入图像语义信息判断步骤(4)所得的遮挡区域是否为烟雾是指基于烟雾灰度特征判断遮挡区域是否为烟雾。
8.根据权利要求7所述的一种快速的烟雾动态遮挡区域检测和定位方法,其特征在于,所述遮挡区域的灰度值大于220或小于80,则该遮挡区域不是烟雾;反之则是烟雾。
9.根据权利要求1所述的一种快速的烟雾动态遮挡区域检测和定位方法,其特征在于,所述LiteFlowNet的输入为预处理后的烟雾画面I中相邻的两帧,输出为所述相邻的两帧对应的光流图像;
所述N为10000;
所述烟雾画面I和烟雾画面II的图片分辨率大于等于1920×1080像素。
10.应用如权利要求1~9任一项所述的一种快速的烟雾动态遮挡区域检测和定位方法的电子设备,其特征在于,包括一个或多个处理器、一个或多个存储器、一个或多个程序及图像采集装置;
所述图像采集装置用于采集图像信息,所述一个或多个程序被存储在所述存储器中,当所述一个或多个程序被所述处理器执行时,使得所述电子设备执行如权利要求1~9任一项所述的一种快速的烟雾动态遮挡区域检测和定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911302293.8A CN111091586A (zh) | 2019-12-17 | 2019-12-17 | 一种快速的烟雾动态遮挡区域检测和定位方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911302293.8A CN111091586A (zh) | 2019-12-17 | 2019-12-17 | 一种快速的烟雾动态遮挡区域检测和定位方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111091586A true CN111091586A (zh) | 2020-05-01 |
Family
ID=70395639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911302293.8A Withdrawn CN111091586A (zh) | 2019-12-17 | 2019-12-17 | 一种快速的烟雾动态遮挡区域检测和定位方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091586A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634358A (zh) * | 2020-12-30 | 2021-04-09 | 安徽宝龙环保科技有限公司 | 车辆尾气烟团定位检测方法、装置、设备、存储介质及系统 |
CN113158719A (zh) * | 2020-11-30 | 2021-07-23 | 齐鲁工业大学 | 一种光伏电站火灾的图像识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN107749067A (zh) * | 2017-09-13 | 2018-03-02 | 华侨大学 | 基于运动特性和卷积神经网络的火灾烟雾检测方法 |
-
2019
- 2019-12-17 CN CN201911302293.8A patent/CN111091586A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN107749067A (zh) * | 2017-09-13 | 2018-03-02 | 华侨大学 | 基于运动特性和卷积神经网络的火灾烟雾检测方法 |
Non-Patent Citations (1)
Title |
---|
ZEYANG MI ET AL.: "Sniiier-Net: quantitative evaluation of smoke in the wild based on spatial-temporal motion spectrum", 《NEURAL COMPUTING AND APPLICATIONS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158719A (zh) * | 2020-11-30 | 2021-07-23 | 齐鲁工业大学 | 一种光伏电站火灾的图像识别方法 |
CN112634358A (zh) * | 2020-12-30 | 2021-04-09 | 安徽宝龙环保科技有限公司 | 车辆尾气烟团定位检测方法、装置、设备、存储介质及系统 |
CN112634358B (zh) * | 2020-12-30 | 2022-06-14 | 安徽宝龙环保科技有限公司 | 车辆尾气烟团定位检测方法、装置、设备、存储介质及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609470B (zh) | 野外火灾早期烟雾视频检测的方法 | |
CN106600888B (zh) | 一种森林火灾自动检测方法及系统 | |
CN111626188B (zh) | 一种室内不可控明火监测方法及系统 | |
CN109389185B (zh) | 使用三维卷积神经网络的视频烟雾识别方法 | |
CN111860143B (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
CN111611907B (zh) | 一种图像增强的红外目标检测方法 | |
CN111046827A (zh) | 一种基于卷积神经网络的视频烟雾检测方法 | |
CN110334660A (zh) | 一种雾天条件下基于机器视觉的森林火灾监测方法 | |
CN109711256B (zh) | 一种低空复杂背景无人机目标检测方法 | |
Tang et al. | Smoking behavior detection based on improved YOLOv5s algorithm | |
CN111091586A (zh) | 一种快速的烟雾动态遮挡区域检测和定位方法及其应用 | |
CN112288778B (zh) | 一种基于多帧回归深度网络的红外小目标检测方法 | |
CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
CN111353496A (zh) | 一种红外弱小目标实时检测方法 | |
CN112580430A (zh) | 基于rgb视觉的电厂烟火监测方法、装置、系统和存储介质 | |
CN111144465A (zh) | 一种面向多场景的烟雾检测算法及应用该算法的电子设备 | |
CN116977909B (zh) | 一种基于多模态数据的深度学习火灾强度识别方法及系统 | |
CN111611866B (zh) | 基于YCrCb和LAB颜色空间的火焰检测识别方法及系统 | |
CN111126230A (zh) | 一种烟雾浓度的量化评价方法及应用该方法的电子设备 | |
CN113096103A (zh) | 一种面向放空火炬的烟气智能影像感知方法 | |
Miura et al. | The examination of the image correction of the moving-object detection for low illumination video image | |
CN107346421A (zh) | 一种基于颜色不变性的视频烟雾检测方法 | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
CN115345845A (zh) | 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 | |
CN111191575B (zh) | 一种基于火苗跳动建模的明火检测方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200501 |