CN111611866B - 基于YCrCb和LAB颜色空间的火焰检测识别方法及系统 - Google Patents
基于YCrCb和LAB颜色空间的火焰检测识别方法及系统 Download PDFInfo
- Publication number
- CN111611866B CN111611866B CN202010329571.5A CN202010329571A CN111611866B CN 111611866 B CN111611866 B CN 111611866B CN 202010329571 A CN202010329571 A CN 202010329571A CN 111611866 B CN111611866 B CN 111611866B
- Authority
- CN
- China
- Prior art keywords
- flame
- image
- target
- ycrcb
- lab color
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YCrCb和LAB颜色空间的火焰检测识别方法及系统,适用于对视频中的火焰实时检测识别。该方法通过公开的火焰视频数据,对CNN网络进行训练,得到用于检测识别视频图像中火焰区域的模型;然后将摄像机获取的视频帧图像从RGB转化为YCrCb颜色空间和LAB颜色空间,在通过灰度化以及高斯滤波的后进行做差,对差值图像二值化后进行开闭运算并提取轮廓图得到火焰候选目标;再利用CNN模型对火焰候选目标进一步识别,按照识别置信度进行删除操作得到火焰目标;最后记录并标记火焰目标在原视频帧中的位置。本发明可用于实时检测并识别视频中的及其位置,识别率达到93.51%,火焰检测识别速度保持在27‑35帧/s。
Description
技术领域
本发明涉及图像处理及预防火灾技术领域,具体涉及一种基于YCrCb和LAB颜色空间的火焰检测识别方法及系统。
背景技术
火焰检测识别分很多种,基于传感器的传统火灾检测方法,检测范围有限且信息单一,检测速度存在较大的延迟。随着计算机和图像处理领域的理论及技术不断突破,研究人员利用机器学习算法结合图像处理来实现火焰的检测。此类方法主要利用火焰的色彩属性等静态特征和火焰圆形度、尖角、轮廓变化、闪动特征等动态特征来进行识别,然而根据先验知识设计人工特征提取算法比较困难和耗时,在面对不同的复杂环境和多变的火焰类型时,其泛化能力往往不足。还有基于超像素火焰检测识别的方法,但存在无法进行实时检测识别的问题。
发明内容
发明目的:针对传统火焰检测识别存在易受干扰,误检率高的问题,以及在深度神经网络下实时性差的问题,本发明目的在于提供一种基于YCrCb和LAB颜色空间的火焰检测识别方法及系统,通过颜色空间结合CNN神经网络的方法,提高火焰检测识别的精确度并且解决实时性检测问题。
技术方案:为实现上述发明目的,本发明采用如下技术方案:
一种基于YCrCb和LAB颜色空间的火焰检测识别方法,包括以下步骤:
(1)获取视频帧图像,将视频帧图像分别转换为YCrCb和LAB颜色空间图像并灰度化后得到两幅图像;
(2)将步骤(1)得到的两幅图像相减得到差值图像,并进行二值化;
(3)对二值化后的图像通过开闭运算减少图像的噪点,再通过寻找二值化图像的轮廓图得到火焰候选区域的具体位置;
(4)找到火焰候选区域在原视频帧中对应位置的火焰候选区域,使用训练好的CNN模型对该区域目标图像进一步识别,剔除非火焰目标得到火焰目标,并在原视频帧中对火焰目标进行标记。
进一步地,训练CNN模型的样本数据集通过对现有公开的火焰视频数据进行处理得到,具体为:通过对公开的火焰视频使用取帧法将视频提取出视频帧集合,并对视频帧集合提取火焰区域与非火焰区域,并将图像分别放入火焰图像和非火焰图像两个不同文件夹;将火焰图像文件夹标签设为正监督值,非火焰图像文件夹标签设为负监督值,再将图像归一化成同一大小构建成CNN模型的样本数据集。
进一步地,所述步骤(1)中将YCrCb和LAB颜色空间图像灰度化后再通过高斯滤波减少图像的噪点。
进一步地,所述步骤(2)中二值化的阈值范围为8-12。
进一步地,所述步骤(3)包括以下步骤:
(31)对二值化后的图像进行开运算,去除独立的噪点;
(32)对开运算后的图像进行闭运算,弥补相邻目标之间的缝隙;
(33)通过寻找轮廓方法得到目标的候选区域。
进一步地,所述步骤(4)包括以下步骤:
(41)找到二值图像的火焰候选目标在原视频帧中对应的火焰候选目标;
(42)将所有的火焰候选目标归一化为统一的大小;
(43)送入训练好的CNN模型中进行识别,根据置信度大小剔除非火焰目标得到火焰目标;
(44)将经过CNN模型识别为火焰目标的区域对应在原图像的位置通过矩形在视频帧中进行标记,实现火焰追踪的可视化。
进一步地,当视频中的一帧图像或连续设定帧数的图像中识别出火焰目标则发出火焰警报。
基于相同的发明构思,本发明所述的一种基于YCrCb和LAB颜色空间的火焰检测识别系统,包括:
图像预处理模块:用于读取视频帧图像,将视频帧图像分别转换为YCrCb和LAB颜色空间图像并灰度化后得到两幅图像;
火焰检测模块:用于将图像预处理模块得到的两幅图像做差得到差值图像并二值化后,再经过开闭运算、寻找轮廓方法得到火焰目标的候选区域;
火焰识别模块:用于使用训练好的CNN模型对得到的火焰目标候选区域图像进行进一步识别,剔除非火焰目标得到火焰目标;
以及,火焰区域可视化模块:用于根据火焰识别模块得到的火焰目标位置,对原视频图像中对应的火焰目标进行标记,实现火焰追踪的可视化。
进一步地,所述系统还包括火焰警报模块:用于对视频持续监测,在一帧图像或连续设定帧数的图像中识别出火焰目标时,发出警报。
基于相同的发明构思,本发明所述的一种基于YCrCb和LAB颜色空间的火焰检测识别系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现所述的基于YCrCb和LAB颜色空间的火焰检测识别方法。
有益效果:与现有技术相比,本发明的有益效果如下:1、采用CNN模型架构,有效克服了特征提取难,识别速度低的问题。2、采用YCrCb与LAB颜色空间结合的方式识别火焰,更加易于提取火焰位置,提高了对火焰识别的速度以及准确率。3、本发明的火焰检测识别速度可保持在27-35帧/s,同时识别率达到93.51%。4、本发明可用于实时检查,能够搭载载具进行火焰检测,应用场景更广。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例中示例图像YCrCb颜色空间的灰度图;
图3为本发明实施例中示例图像LAB颜色空间的灰度图;
图4为本发明实施例中火焰候选区域的二值图;
图5为本发明实施例中火焰检测识别定位的可视化效果图。
具体实施方式
下面结合附图对本发明作进一步的说明。现将本实施例中涉及的各个变量作如下说明,如表1所示。
表1变量说明表
本发明实施例使用的视频数据是MIVIA实验室公开的和网络收集的火焰视频库数据,视频包含不同颜色的火焰,不同形状的火焰,小目标火焰,特殊火焰,与火焰颜色接近的灯光,本方法对该视频数据进行处理,检测识别火焰位置并进行可视化。下面首先说明一下本发明实施例中涉及的CNN模型训练过程。
将MIVIA实验室公开的和网路收集的火焰视频进行预处理后,训练CNN模型M1。具体包括:
1)通过对MIVIA实验室公开的和网络收集的火焰视频使用取帧法将视频每三十帧截取一帧,截取火焰部分与非火焰部分构建训练数据集P1,P1为由火焰图像与非火焰图像组成,其中火焰图像放在Fire文件夹中,非火焰图像放在NoFire文件夹中,每张图像都归一化为64×64像素大小。
2)将P1作为CNN的训练集,通过PyTorch的ImageFolder()函数读取存放文件夹Fire和NoFire,并将火焰图像监督值设为正监督值,非火焰图像的监督值设为负监督值,得到标注后的数据集DataSet。
3)批训练的EPOCH设为30,BACH_SIZE设为50。
4)预训练的权重设为随机值,将CNN网络的输入维度设为(64,64,3)。
5)设置CNN网络参数,包括:使用Adam梯度下降法并将学习率设为1×10-4、损失函数设为交叉熵函数。
7)将DataSet在CNN网络中训练得到模型M1。
如图1所示,本发明实施例公开的一种基于YCrCb和LAB颜色空间的火焰检测识别方法,包括如下步骤:
(1)从摄像机采集的视频中获取视频帧图像IMG,并进行预处理得到IMG0与IMG1。具体包括:
(11)将视频帧图像分别转换成YCrCb和LAB颜色空间的图像。
(12)将转化后的图像灰度化得到YCrCb和LAB颜色空间的灰度图IMG0与IMG1。YCrCb和LAB颜色空间的灰度图如图2和图3所示。
(13)通过高斯滤波减少图像的噪点。
(2)将滤波后的IMG0与IMG1相减得到差值图像,并进行二值化。如图2和图3所示,火焰区域在LAB颜色空间的灰度图明显亮于火焰区域在YCrCb颜色空间的灰度图,所以将IMG0与IMG1做差,并对差值图进行二值化,得到二值化后的图像IMG2如图4所示。其中二值化的阈值可通过数据集的反复实验确定,本发明中阈值在8-12范围内选取。
(3)将IMG2进行开闭运算,开运算的算子为(4,4),闭运算的算子为(30,30),最后通过OpenCV的findContours()函数得到火焰候选区域集合C,每个区域由左上角坐标(x,y)与该区域的长w与宽h组成。
(4)遍历集合C中所有区域,并截取IMG的对应位置,通过CNN网络进行识,剔除非火焰区域,并进行可视化。具体包括:
(41)遍历集合C中所有区域,并截取IMG的对应位置。
(42)将截取的图像归一化为64×64大小。
(43)通过CNN模型识别归一化后的图像,根据置信度大小剔除非火焰区域得到火焰目标。
(44)将经过CNN模型识别为火焰目标的区域对应原图像的位置通过矩形框框出,效果如图5所示。
(5)如果有火焰目标(当前帧或连续几帧)则发出火焰警报。
基于相同的发明构思,本发明实施例公开的一种基于YCrCb和LAB颜色空间的火焰检测识别系统,主要由以下模块构成:图像预处理模块:用于读取视频帧图像,将视频帧图像分别转换为YCrCb和LAB颜色空间图像并灰度化后得到两幅图像;火焰检测模块:用于将图像预处理模块得到的两幅图像做差得到差值图像并二值化后,再经过开闭运算、寻找轮廓方法得到火焰目标的候选区域;火焰识别模块:用于使用训练好的CNN模型对得到的火焰目标候选区域图像进行进一步识别,剔除非火焰目标得到火焰目标;火焰区域可视化模块:用于根据火焰识别模块得到的火焰目标位置,对原视频图像中对应的火焰目标进行标记,实现火焰追踪的可视化;火焰警报模块:用于对视频持续监测,在一帧图像或连续设定帧数的图像中识别出火焰目标时,发出警报。该系统可以实现上述的基于YCrCb和LAB颜色空间的火焰检测识别方法,属于同一发明构思,具体细节参照上述方法实施例,此处不在赘述。
基于相同的发明构思,本发明实施例公开的一种基于YCrCb和LAB颜色空间的火焰检测识别系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该计算机程序被加载至处理器时实现上述的基于YCrCb和LAB颜色空间的火焰检测识别方法。
Claims (7)
1.一种基于YCrCb和LAB颜色空间的火焰检测识别方法,其特征在于,包括以下步骤:
(1)获取视频帧图像,将视频帧图像分别转换为YCrCb和LAB颜色空间图像并灰度化后得到两幅图像;
(2)将步骤(1)得到的两幅图像相减得到差值图像,并进行二值化;二值化的阈值范围为8-12;
(3)对二值化后的图像通过开闭运算减少图像的噪点,再通过寻找二值化图像的轮廓图得到火焰候选区域的具体位置;包括:(31)对二值化后的图像进行开运算,去除独立的噪点;(32)对开运算后的图像进行闭运算,弥补相邻目标之间的缝隙;(33)通过寻找轮廓方法得到目标的候选区域;
(4)找到火焰候选区域在原视频帧中对应位置的火焰候选区域,使用训练好的CNN模型对该区域目标图像进一步识别,剔除非火焰目标得到火焰目标,并在原视频帧中对火焰目标进行标记;包括:(41)找到二值图像的火焰候选目标在原视频帧中对应的火焰候选目标;(42)将所有的火焰候选目标归一化为统一的大小;(43)送入训练好的CNN模型中进行识别,根据置信度大小剔除非火焰目标得到火焰目标;(44)将经过CNN模型识别为火焰目标的区域对应在原图像的位置通过矩形在视频帧中进行标记,实现火焰追踪的可视化。
2.根据权利要求1所述的一种基于YCrCb和LAB颜色空间的火焰检测识别方法,其特征在于,训练CNN模型的样本数据集通过对现有公开的火焰视频数据进行处理得到,具体为:通过对公开的火焰视频使用取帧法将视频提取出视频帧集合,并对视频帧集合提取火焰区域与非火焰区域,并将图像分别放入火焰图像和非火焰图像两个不同文件夹;将火焰图像文件夹标签设为正监督值,非火焰图像文件夹标签设为负监督值,再将图像归一化成同一大小构建成CNN模型的样本数据集。
3.根据权利要求1所述的一种基于YCrCb和LAB颜色空间的火焰检测识别方法,其特征在于,所述步骤(1)中将YCrCb和LAB颜色空间图像灰度化后再通过高斯滤波减少图像的噪点。
4.根据权利要求1所述的一种基于YCrCb和LAB颜色空间的火焰检测识别方法,其特征在于,当视频中的一帧图像或连续设定帧数的图像中识别出火焰目标则发出火焰警报。
5.一种基于YCrCb和LAB颜色空间的火焰检测识别系统,其特征在于,包括:
图像预处理模块:用于读取视频帧图像,将视频帧图像分别转换为YCrCb和LAB颜色空间图像并灰度化后得到两幅图像;
火焰检测模块:用于将图像预处理模块得到的两幅图像做差得到差值图像并二值化后,再经过开闭运算、寻找轮廓方法得到火焰目标的候选区域;二值化的阈值范围为8-12;火焰目标的候选区域获取步骤包括:对二值化后的图像进行开运算,去除独立的噪点;对开运算后的图像进行闭运算,弥补相邻目标之间的缝隙;通过寻找轮廓方法得到目标的候选区域;
火焰识别模块:用于使用训练好的CNN模型对得到的火焰目标候选区域图像进行进一步识别,剔除非火焰目标得到火焰目标;包括:找到二值图像的火焰候选目标在原视频帧中对应的火焰候选目标;将所有的火焰候选目标归一化为统一的大小;送入训练好的CNN模型中进行识别,根据置信度大小剔除非火焰目标得到火焰目标;
以及,火焰区域可视化模块:用于根据火焰识别模块得到的火焰目标位置,对原视频图像中对应的火焰目标进行标记,实现火焰追踪的可视化。
6.根据权利要求5 所述的一种基于YCrCb和LAB颜色空间的火焰检测识别系统,其特征在于,还包括火焰警报模块:用于对视频持续监测,在一帧图像或连续设定帧数的图像中识别出火焰目标时,发出警报。
7.一种基于YCrCb和LAB颜色空间的火焰检测识别系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-4任一项所述的基于YCrCb和LAB颜色空间的火焰检测识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010329571.5A CN111611866B (zh) | 2020-04-23 | 2020-04-23 | 基于YCrCb和LAB颜色空间的火焰检测识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010329571.5A CN111611866B (zh) | 2020-04-23 | 2020-04-23 | 基于YCrCb和LAB颜色空间的火焰检测识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611866A CN111611866A (zh) | 2020-09-01 |
CN111611866B true CN111611866B (zh) | 2021-09-24 |
Family
ID=72196019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010329571.5A Active CN111611866B (zh) | 2020-04-23 | 2020-04-23 | 基于YCrCb和LAB颜色空间的火焰检测识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611866B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634796A (zh) * | 2020-12-08 | 2021-04-09 | 合肥金人科技有限公司 | 一种客运站智能语音系统 |
CN113627284B (zh) * | 2021-07-26 | 2024-02-20 | 华南师范大学 | 基于改进CenterNet的实时火焰检测方法及检测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163358A (zh) * | 2011-04-11 | 2011-08-24 | 杭州电子科技大学 | 一种基于视频图像分析的烟雾/火焰检测方法 |
CN109086836A (zh) * | 2018-09-03 | 2018-12-25 | 淮阴工学院 | 一种基于卷积神经网络的食管癌病理图像自动甄别装置及其甄别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4293212B2 (ja) * | 2006-09-06 | 2009-07-08 | 村田機械株式会社 | 画像色判定装置、画像色判定方法、およびプログラム |
US9418426B1 (en) * | 2015-01-27 | 2016-08-16 | Xerox Corporation | Model-less background estimation for foreground detection in video sequences |
CN111028186B (zh) * | 2019-11-25 | 2023-07-04 | 泰康保险集团股份有限公司 | 一种图像增强方法和装置 |
-
2020
- 2020-04-23 CN CN202010329571.5A patent/CN111611866B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163358A (zh) * | 2011-04-11 | 2011-08-24 | 杭州电子科技大学 | 一种基于视频图像分析的烟雾/火焰检测方法 |
CN109086836A (zh) * | 2018-09-03 | 2018-12-25 | 淮阴工学院 | 一种基于卷积神经网络的食管癌病理图像自动甄别装置及其甄别方法 |
Non-Patent Citations (2)
Title |
---|
基于视频监控的火灾探测系统的研究与实现;阳婷;《中国优秀硕士学位论文全文数据库》;20160515;参见第4.1节、第4.3节、第5.1.2节、第5.1.3节、第5.1.4节、第5.3.3节、第7.3节 * |
结合颜色空间和CNN的火焰检测;李莹等;《计算机时代》;20191213(第12期);参见第2.2节、第3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111611866A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310662B (zh) | 一种基于集成深度网络的火焰检测识别方法及系统 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
CN111626188B (zh) | 一种室内不可控明火监测方法及系统 | |
CN111046880A (zh) | 一种红外目标图像分割方法、系统、电子设备及存储介质 | |
CN111191573A (zh) | 一种基于眨眼规律识别的驾驶员疲劳检测方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
CN111611866B (zh) | 基于YCrCb和LAB颜色空间的火焰检测识别方法及系统 | |
CN111539980A (zh) | 一种基于可见光的多目标追踪方法 | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN113096103A (zh) | 一种面向放空火炬的烟气智能影像感知方法 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
Guo et al. | Fault diagnosis of power equipment based on infrared image analysis | |
Khan et al. | Shadow removal from digital images using multi-channel binarization and shadow matting | |
Rakhmadi et al. | Loop back connected component labeling algorithm and its implementation in detecting face | |
CN113221603A (zh) | 一种检测监控设备被异物遮挡的方法及装置 | |
CN112419227B (zh) | 基于小目标搜索缩放技术的水下目标检测方法和系统 | |
Huang et al. | Invasion detection on transmission lines using saliency computation | |
CN116012248B (zh) | 图像处理方法、装置、计算机设备及计算机存储介质 | |
Al Hakeem et al. | An Automatic System for Detection of Fires in Outdoor Areas | |
CN111259843B (zh) | 基于视觉稳定特征分类配准的多媒体导航仪测试方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200901 Assignee: Huai'an Haoran Network Technology Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2021980015746 Denomination of invention: Flame detection and recognition method and system based on YCrCb and lab color space Granted publication date: 20210924 License type: Common License Record date: 20211227 |