CN111898463B - 烟火检测识别方法和装置、存储介质及电子装置 - Google Patents
烟火检测识别方法和装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN111898463B CN111898463B CN202010653304.3A CN202010653304A CN111898463B CN 111898463 B CN111898463 B CN 111898463B CN 202010653304 A CN202010653304 A CN 202010653304A CN 111898463 B CN111898463 B CN 111898463B
- Authority
- CN
- China
- Prior art keywords
- firework
- image
- network
- identification result
- color space
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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
- G06V20/44—Event detection
Abstract
本发明公开了一种烟火检测识别方法和装置、存储介质及电子装置。其中,该方法包括:根据待识别烟火图像的轮廓特征,得到第一烟火识别结果;获取上述待识别烟火图像的运动区域;将上述运动区域输入至预先训练好的目标网络,根据上述目标网络中的第一网络、第二网络和第三网络,分别提取上述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,根据上述图像特征信息得到第二烟火识别结果;根据上述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果,其中,上述目标烟火识别结果用于表示是否发生烟火事件。采用上述技术方案,解决了相关技术中,在烟火检测识别时,存在检测准确度低的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种烟火检测识别方法和装置、存储介质及电子装置。
背景技术
随着时代发展都市化的快速推进,使得人口分布趋于密集,高楼耸立,人群密集区域烟火事件屡有发生,该类事件严重威胁了人们的人身财产安全;半自动化以及自动化逐渐代替人工,库房、车间等出现无人值守,一旦发生烟火事件将对社会经济造成影响。澳洲持续四个月的丛林火灾对自然生态构成严重威胁,因此,如何快速准确的发现烟火事件并进行报警,对挽救人们生命财产具有重要意义。
相关技术中,通过单张烟火照片来判断是否发生烟火事件,静止的烟火照片可能存在误检的问题。
因此,针对相关技术中,在烟火检测识别时,存在检测准确度低的技术问题,尚未提出有效的技术方案。
发明内容
本发明实施例提供了一种烟火检测识别方法和装置、存储介质及电子装置,以至少解决相关技术中,在烟火检测识别时,存在检测准确度低的的技术问题。
根据本发明实施例的一个方面,提供了一种烟火检测识别方法,包括:根据待识别烟火图像的轮廓特征,得到第一烟火识别结果;获取上述待识别烟火图像的运动区域;将上述运动区域输入至预先训练好的目标网络,根据上述目标网络中的第一网络、第二网络和第三网络,分别提取上述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,根据上述图像特征信息得到第二烟火识别结果;根据上述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果,其中,上述目标烟火识别结果用于表示是否发生烟火事件。
根据本发明实施例的另一方面,还提供了一种烟火检测识别装置,包括:第一处理单元,用于根据待识别烟火图像的轮廓特征,得到第一烟火识别结果;获取单元,用于获取上述待识别烟火图像的运动区域;第二处理单元,用于将上述运动区域输入至预先训练好的目标网络,根据上述目标网络中的第一网络、第二网络和第三网络,分别提取上述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,根据上述图像特征信息得到第二烟火识别结果;第一确定单元,用于根据上述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果,其中,上述目标烟火识别结果用于表示是否发生烟火事件。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述烟火检测识别方法。
根据本发明实施例的又一方面,还提供了一种电子装置,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,其中,上述处理器通过计算机程序执行上述的烟火检测识别方法。
在本发明实施例中,确定出待识别烟火图像的轮廓特征,判断分析该轮廓特征,得到第一烟火识别结果,获取待识别烟火图像的运动区域,将该运动区域输入至预先训练好的目标网络,然后,通过该目标网络的第一网络、第二网络和第三网络,分别提取待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,然后对该图像特征信息进行分析处理,得到第二烟火识别结果,最后,根据第一烟火识别结果和第二烟火识别结果,来确定出目标烟火识别结果,根据该目标烟火识别结果可以确定出是否发生了烟火事件。采用上述技术方案,通过轮廓特征得到第一烟火识别结果,以及通过三个颜色空间得到图像特征信息,进而得到第二烟火识别结果,结合第一烟火识别结果和第二烟火识别结果得到目标烟火识别结果。由于上述第二烟火识别结果是通过提取运动区域的特征得到的结果,而运动区域的获取是通过至少两张图像确定的,避免了仅仅考虑单张图像来判断是否发生烟火事件,并且,通过结合上述轮廓特征、图像特征信息得到的结果来判断是否发生烟火事件的方式,极大地提高了烟火检测识别的准确度,进而解决了相关技术中,在烟火检测识别时,存在检测准确度低的的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种烟火检测识别方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的烟火检测识别方法的流程示意图;
图3是根据本发明实施例的另一种可选的烟火检测识别方法的流程示意图;
图4是根据本发明实施例的一种可选的烟火检测识别装置的结构示意图;
图5是根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种烟火检测识别方法。可选地,上述烟火检测识别方法可以但不限于应用于如图1所示的应用环境中。如图1所示,终端设备102获取待识别烟火图像,并将该待识别烟火图像通过网络发送给服务器104。服务器104接收到待识别烟火图像之后,根据待识别烟火图像的轮廓特征,得到第一烟火识别结果;获取上述待识别烟火图像的运动区域;将上述运动区域输入至预先训练好的目标网络,根据上述目标网络中的第一网络、第二网络和第三网络,分别提取上述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,根据上述图像特征信息得到第二烟火识别结果;根据上述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果,其中,上述目标烟火识别结果用于表示是否发生烟火事件。并且,服务器106通过网络104将目标烟火识别结果发送给终端设备102,终端设备102接收目标烟火识别结果。以上仅为一种示例,本申请实施例在此不作限定。
可选地,在本实施例中,上述终端设备可以包括但不限于以下至少之一:手机(如Android手机、iOS手机等)、笔记本电脑、平板电脑、掌上电脑、MID(Mobile InternetDevices,移动互联网设备)、PAD、台式电脑等。上述网络可以包括但不限于:有线网络,无线网络,其中,该有线网络包括:局域网、城域网和广域网,该无线网络包括:蓝牙、WIFI及其他实现无线通信的网络。上述服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。上述只是一种示例,本实施例对此不做任何限定。
可选地,在本实施例中,作为一种可选的实施方式,该方法可以由服务器执行,也可以由终端设备执行,或者由服务器和终端设备共同执行,本实施例中,以由终端设备(例如,上述终端设备102)执行为例进行说明。如图2所示,上述烟火检测识别方法的流程可以包括步骤:
步骤S202,根据待识别烟火图像的轮廓特征,得到第一烟火识别结果;
可选地,在可能会发生火灾的地方,投放用于监测的相机,然后获取相机返回的待识别烟火图像,该待识别烟火图像可以为一种图像序列。
在获取到图像序列之后,上述轮廓特征可以为该图像序列中每个图像的轮廓特征,然后对每个图像的轮廓特征分别进行判断,只要该图像序列中有一个图像的轮廓特征的判断结果为发生了烟火事件,那么得到的上述第一烟火识别结果即为发生了烟火事件,只有该图像序列中所有图像的轮廓特征的判断结果均为未发生烟火事件时,得到的上述第一烟火识别结果才为未发生烟火事件每个。
步骤S204,获取上述待识别烟火图像的运动区域;
可选地,对获取到的该待识别烟火图像进行处理,分割出该待识别烟火图像的运动区域。
步骤S206,将上述运动区域输入至预先训练好的目标网络,根据上述目标网络中的第一网络、第二网络和第三网络,分别提取上述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,根据上述图像特征信息得到第二烟火识别结果;
可选地,预先训练好目标网络,目标网络包括第一网络,第二网络,第三网络,其中,第一网络用于对输入至第一网络的图像提取该图像在第一颜色空间下的特征信息,第二网络用于对输入至第二网络的图像提取该图像在第二颜色空间下的特征信息,第三网络用于对输入至第三网络的图像提取该图像在第三颜色空间下的特征信息。
在得到上述运动区域后,将该运动区域输入至上述目标网络中,通过目标网络中的第一网络、第二网络和第三网络,分别提取待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,然后对该图像特征信息进行分析处理,得到第二烟火识别结果。
步骤S208,根据上述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果,其中,上述目标烟火识别结果用于表示是否发生烟火事件。
可选地,将得到的第一烟火识别结果和第二烟火识别结果,进行结合,来得到上述目标烟火识别结果,该目标烟火识别结果用于指示是否发生了烟火事件。
可选地,上述烟火检测识别方法可以但不限于需要进行烟火检测识别的场景中。
通过本实施例,确定出待识别烟火图像的轮廓特征,判断分析该轮廓特征,得到第一烟火识别结果,获取待识别烟火图像的运动区域,将该运动区域输入至预先训练好的目标网络,然后,通过该目标网络的第一网络、第二网络和第三网络,分别提取待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,然后对该图像特征信息进行分析处理,得到第二烟火识别结果,最后,根据第一烟火识别结果和第二烟火识别结果,来确定出目标烟火识别结果,根据该目标烟火识别结果可以确定出是否发生了烟火事件。采用上述技术方案,通过轮廓特征得到第一烟火识别结果,以及通过三个颜色空间得到图像特征信息,进而得到第二烟火识别结果,结合第一烟火识别结果和第二烟火识别结果得到目标烟火识别结果。由于上述第二烟火识别结果是通过提取运动区域的特征得到的结果,而运动区域的获取是通过至少两张图像确定的,避免了仅仅考虑单张图像来判断是否发生烟火事件,并且,通过结合上述轮廓特征、图像特征信息得到的结果来判断是否发生烟火事件的方式,极大地提高了烟火检测识别的准确度,进而解决了相关技术中,在烟火检测识别时,存在检测准确度低的的技术问题。
在一种可选的实施例中,上述根据上述目标网络中的第一网络、第二网络和第三网络,分别提取上述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,包括:在上述第一网络中确定上述待识别烟火图像在第一颜色空间下的第一图像特征信息;在上述第二网络中确定上述待识别烟火图像在第二颜色空间下的第二图像特征信息;在上述第一网络中确定上述待识别烟火图像在第三颜色空间下的第三图像特征信息;根据上述第一图像特征信息与第一权重的乘积、上述第二图像特征信息与第二权重的乘积、上述第三图像特征信息与第三权重的乘积,确定出上述图像特征信息,其中,上述第一权重为预先训练好的上述第一网络的权重系数,上述第二权重为预先训练好的上述第二网络的权重系数,上述第三权重为预先训练好的上述第三网络的权重系数。
可选地,可以按照以下方式确定上述图像特征信息,具体如下:
在第一网络中确定待识别烟火图像在第一颜色空间下的第一图像特征信息,在第二网络中确定待识别烟火图像在第二颜色空间下的第二图像特征信息;在第一网络中确定待识别烟火图像在第三颜色空间下的第三图像特征信息。
然后,计算第一图像特征信息与第一权重的乘积,得到第一结果,计算第二图像特征信息与第二权重的乘积,得到第二结果,计算第三图像特征信息与第三权重的乘积,得到第三结果,将第一结果、第二结果和第三结果相加,得到图像特征信息。
其中,上述第一权重为预先训练好的上述第一网络的权重系数,上述第二权重为预先训练好的上述第二网络的权重系数,上述第三权重为预先训练好的上述第三网络的权重系数。第一权重、第二权重和第三权重之和为1,且第一权重、第二权重和第三权重为大于0,小于1的数。
需要说明的是,上述图像特征信息、第一图像特征信息、第二图像特征信息、第三图像特征信息可以理解为一种烟雾图像特征。
可理解,上述仅为一种示例,本实施在此不作任何限定。
通过本实施例,由于待识别图像在第一颜色空间、第二颜色空间和第三颜色空间下的特征信息各有侧重,通过预先训练好的目标网络来提取上述图像特征信息的方式,提高了图像特征信息获取的精确度,进而提高了后续烟火检测识别的准确度。
在一种可选的实施例中,上述根据上述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果,至少包括以下之一:在上述第一烟火识别结果为发生烟火事件、且上述第二烟火识别结果为发生烟火事件的情况下,确定上述目标烟火识别结果为发生烟火事件;在上述第一烟火识别结果为发生烟火事件、且上述第二烟火识别结果为未发生烟火事件的情况下,确定上述目标烟火识别结果为未发生烟火事件;在上述第一烟火识别结果为未发生烟火事件、且上述第二烟火识别结果为发生烟火事件的情况下,确定上述目标烟火识别结果为未发生烟火事件。
可选地,根据上述第一烟火识别结果和第二烟火识别结果得到目标烟火识别结果,可以有以下几种情况:
如果第一烟火识别结果为发生了烟火事件、并且,第二烟火识别结果也为发生了烟火事件时,可以确定目标烟火识别结果为发生了烟火事件。
如果第一烟火识别结果为发生了烟火事件、并且,第二烟火识别结果为未发生烟火事件时,可以确定目标烟火识别结果为未发生烟火事件。
如果第一烟火识别结果为未发生烟火事件、并且,第二烟火识别结果为发生了烟火事件时,可以确定目标烟火识别结果为未发生烟火事件。
通过本实施例,只有在第一烟火识别结果和第二烟火识别结果均为发生了烟火事件的情形下,才确定发生了烟火事件,减少了对烟火事件的误检测,提高了烟火检测识别的准确率。
在一种可选的实施例中,上述获取上述待识别烟火图像的运动区域,至少包括以下之一:通过光流法分割出上述待识别烟火图像的第一运动区域,将上述第一运动区域作为上述运动区域,其中,上述待识别烟火图像为图像序列,上述图像序列包括N个图像,上述N为大于1的整数;根据背景建模分割上述待识别烟火图像的第二运动区域,将上述第二运动区域作为上述运动区域;将上述第一运动区域和上述第二运动区域进行结合,得到上述运动区域。
可选地,光流法(Optical flow or optic flow)是关于视觉域中的物体运动检测中的概念,用来描述相对于观察者的运动所造成的观测目标、表面或边缘的运动。光流法在样型识别、计算机视觉以及其他影像处理领域中非常有用,可用于运动检测、物件切割、碰撞时间与物体膨胀的计算、运动补偿编码,或者通过物体表面与边缘进行立体的测量等等。
背景建模是视频图像中运动目标检测的一种方法,其基本思想是对图像的背景进行建模。一旦背景模型建立,将当前的图像与背景模型进行某种比较,根据比较结果确定前景目标(需要检测的运动目标)。
上述待识别烟火图像为图像序列,该图像序列包括N个图像,上述N为大于1的整数。
可选地,通过上述光流法来分割出该图像序列的第一运动区域,同时,根据背景建模法分割出图像序列的第二运动区域,最后,将第一运动区域和第二运动区域进行结合,得到上述待识别烟火图像的运动区域。
可选地,上述待识别烟火图像的运动区域也可以不通过光流法和背景建模结合的方式得到,可以只通过光流法或背景建模来得到。也就是说,上述待识别烟火图像的运动区域可以为上述第一运动区域,或者上述待识别烟火图像的运动区域可以为上述第二运动区域。
可理解,上述仅为一种示例,本实施在此不作任何限定。
通过本实施,由于烟火事件是动态事件,仅仅依靠单张图像来判断是否发生烟火事件,存在误检的可能,通过上述运动区域来提取图像特征信息,进而对图像特征信息进行分析,提高了烟火事件检测的准确度。
在一种可选的实施例中,上述根据待识别烟火图像的轮廓特征,得到第一烟火识别结果,至少包括以下之一:当上述轮廓特征中的N个轮廓特征在第一时间段内未发生改变的情况下,确定上述第一烟火识别结果为未发生烟火事件,其中,上述N为大于1的整数;当上述轮廓特征中的上述N个轮廓特征在上述第一时间段内发生规律性改变的情况下,确定上述第一烟火识别结果为未发生烟火事件;当上述轮廓特征中的N个轮廓特征均呈锯齿状、不平滑、且向上述待识别烟火图像的边缘扩张的情况下,确定上述第一烟火识别结果为发生烟火事件;其中,上述待识别烟火图像为图像序列,上述图像序列包括N个图像,上述N个轮廓特征与上述N个图像一一对应。
可选地,采用边缘检测算法得到上述待识别烟火图像的轮廓特征,例如采用canny边缘检测获取轮廓特征。不同的物体所得到的轮廓特征信息不同,在对待识别烟火图像进行轮廓特征提取时,存在动态干扰,比如灯光闪烁,反射等,这类干扰大多是钢性物体发出干扰,该类干扰边缘较平滑且边缘变换存在两种极端,一种是随着时间变化边缘基本不变,另外一种是短时间有较快和较大的边缘变换且具有一定规律;然而,烟火的边缘多呈现锯齿不平滑,且边缘渐变多往外扩张;利用这些特征可以区别灯光闪烁和反射的干扰。
可选地,当待识别烟火图像的轮廓特征中的N个轮廓特征在第一时间段内未发生改变的情况下,该轮廓特征属于动态干扰类的轮廓特征信息,此时,可以确定第一烟火识别结果为未发生烟火事件,其中,上述N为大于1的整数。
当待识别烟火图像的轮廓特征中的上述N个轮廓特征在上述第一时间段内发生规律性改变的情况下,该轮廓特征属于动态干扰类的轮廓特征信息,此时,可以确定上述第一烟火识别结果为未发生烟火事件。
当上述轮廓特征中的N个轮廓特征均呈锯齿状、不平滑、且向上述待识别烟火图像的边缘扩张的情况下,此时,可以确定上述第一烟火识别结果为发生烟火事件。
其中,上述待识别烟火图像为图像序列,上述图像序列包括N个图像,上述N个轮廓特征与上述N个图像一一对应。
通过本实施例,能够将非烟火图像的动态干扰排除,提高了烟火检测识别的准确度。
在一种可选的实施例中,将样本烟火图像输入至待训练网络中;根据上述待训练网络中的上述第一网络、上述第二网络和上述第三网络,分别提取上述样本烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的样本图像特征信息;在上述样本图像特征信息与标准图像特征信息的相似度超过预设阈值的情况下,将上述样本图像特征信息分别在上述第一网络、上述第二网络和上述第三网络所占的权重系数,确定为上述第一权重、上述第二权重和上述第三权重;在确定上述第一权重、上述第二权重和上述第三权重之后,将上述待训练网络确定为上述目标网络。
可选地,可以按照以下方式训练得到目标网络,具体如下:
将样本烟火图像输入至待训练网络中;然后,根据上述待训练网络中的上述第一网络、上述第二网络和上述第三网络,分别提取上述样本烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的样本图像特征信息。
如果得到的样本图像特征信息与标准图像特征信息的相似度超过了预设阈值,那么,表示此时的样本图像特征信息的准确度较高,然后确定此时的样本图像特征信息分别在第一网络、第二网络和第三网络所占的权重系数,将此时三个网络的权重系数确定为上述第一权重、上述第二权重和上述第三权重。
在确定上述第一权重、上述第二权重和上述第三权重之后,将上述待训练网络确定为上述目标网络。
在一种可选的实施例中,上述第一颜色空间为RGB颜色空间,上述第二颜色空间为Ycbcr颜色空间,上述第三颜色空间为HSI颜色空间。
可选地,上述上述第一颜色空间可以为RGB颜色空间,上述第二颜色空间可以为Ycbcr颜色空间,上述第三颜色空间可以为HSI颜色空间。
其中,RGB颜色空间以R(Red:红)、G(Green:绿)、B(Blue:蓝)三种基本色为基础,进行不同程度的叠加,产生丰富而广泛的颜色,俗称三基色模式。
Ycbcr颜色空间是YUV的国际标准化变种,是在世界数字组织视频标准研制过程中作为ITU-R BT1601建议的一部分,其实是YUV经过缩放和偏移的翻版。
HSI颜色空间是用H、S、I三参数描述颜色特性,其中H定义颜色的波长,称为色调,S表示颜色的深浅程度,称为饱和度,I表示强度或亮度。
下面结合可选示例对烟火检测识别方法的流程进行说明,如图3所示,该方法可以包括以下步骤:
需要说明的是,烟火检测技术主要采用烟火颜色、轮廓、温度等特征进行识别,各个特征相互结合进行多级判别,最终输出烟火事件,以下详述本发明中的烟火事件检测的过程,具体步骤如下:
步骤S301,背景建模或者光流法分割出运动区域。
可选地,相机静止情况下采用稠密光流方法计算出每一个像素光流瞬时偏移矢量;光流计算出的非运动区域,采用Vibe背景建模方式进行背景建模和更新,获得稠密光流和背景建模前景区域交集,稠密光流和Vibe背景建模相结合,能够避免鬼影以及环境快速变化所带来的影响。
通过上述方式,利用烟火时间特性,采用多帧关联训练模式,避免了出现单张图像识别时无法区分烟火图标等干扰,提高了准确率。
步骤S302,分析可疑区域外轮廓特征,烟火属于非钢性物体,烟火边缘一般呈现锯齿形状,且不平滑,烟火在不同时间下的轮廓变换与灯光等干扰所产生的轮廓不同。
可选地,采用边缘检测算法得到上述待识别烟火图像的轮廓特征,例如采用canny边缘检测获取轮廓特征。不同的物体所得到的轮廓特征信息不同,在对待识别烟火图像进行轮廓特征提取时,存在动态干扰,比如灯光闪烁,反射等,这类干扰大多是钢性物体发出干扰,该类干扰边缘较平滑且边缘变换存在两种极端,一种是随着时间变化边缘基本不变,另外一种是短时间有较快和较大的边缘变换且具有一定规律;然而,烟火的边缘多呈现锯齿不平滑,且边缘渐变多往外扩张;利用这些特征可以区别灯光闪烁和反射的干扰。
步骤S303,分别将烟火在RGB颜色空间、Ycbcr颜色空间、HSI颜色空间下图像序列输入长短期记忆网络(LSTM)模型进行训练学习。
可选地,将步骤S301检测的可疑运动区域提取,获得该区域在RGB、Ycbcr、HSI颜色空间下图像,然后分别提取RGB、Ycbcr、HSI颜色空间下图像的图像特征,例如通过cnn网络提取图像特征信息,将提取到的图像特征信息送人LSTM网络进行训练。
通过上述方式,采用多种颜色空间进行训练,给网络提供更多目标特征,输出结果进行系数分布,同时能从训练中寻找哪个颜色空间更能表达烟火特征,根据训练需要调整参数,使得最终的目标网络在实际应用中能够更加精确的得到待识别烟火图像的图像特征信息。
步骤S304,将烟火图像在RGB、Ycbcr、HSI颜色空间下训练权重进行整合,每个网络占据x(第一权重),y(第二权重),z(第三权重)三个不同系数,输出判断结果。其中x+y+z=1,0<x<1,0<y<1,0<z<1。
可选地,将烟火图像在RGB、Ycbcr、HSI颜色空间下训练权重进行整合,每个网络占分别占据1/3系数;训练时不同颜色空间,烟火检测效果不同,调整每个网络系数占比,进而获得一个鲁棒性更好的网络模型。
步骤S305,根据烟火RGB、Ycbcr、HSI颜色空间下训练,寻找出最优烟火特征颜色空间,并调整x,y,z系数,进行优化训练。
通过上述方式,在RGB、Ycbcr、HSI颜色空间下对烟雾特征分别进行学习,训练权重进行整合,每个网络占据x,y,z三个不同系数,最终输出判断结果,能够使最终得到的图像特征信息更加精确。
步骤S306,将步骤302和步骤304输出进行梳理判断,最终输出烟火检测结果,当该烟火检测结果的准确度高于一定的阈值时,可以确定目标网络训练完成。
步骤S307,在通过上述训练方法得到上述目标网络,且确定出x,y,z系数之后,可以直接使用该目标网络对待识别烟火图像按照如图3所示的流程,进行烟火检测识别,得到上述目标烟火识别结果。
通过本实施例,利用烟火时间特性,采用多帧关联训练模式,避免出现单张图像识别时无法区分烟火图标等干扰。采用多种颜色空间进行训练,给网络提供更多目标特征,输出结果进行系数分布,同时能从训练中寻找哪个颜色空间更能表达烟火特征,根据训练需要调整参数。采用这种方式得到目标网络,然后使用目标网络进行烟火事件检测,由于考虑了时间因素,提取了不同颜色空间下的特征,使得最终的目标烟火识别结果更加准确。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的又一方面,还提供了一种烟火检测识别装置,如图4所示,该装置包括:
第一处理单元402,用于根据待识别烟火图像的轮廓特征,得到第一烟火识别结果;
获取单元404,用于获取上述待识别烟火图像的运动区域;
第二处理单元406,用于将上述运动区域输入至预先训练好的目标网络,根据上述目标网络中的第一网络、第二网络和第三网络,分别提取上述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,根据上述图像特征信息得到第二烟火识别结果;
第一确定单元408,用于根据上述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果,其中,上述目标烟火识别结果用于表示是否发生烟火事件。
可选地,第一处理单元402可以用于执行步骤S202,获取单元404可以用于执行步骤S204,第二处理单元406可以用于执行步骤S206,第一确定单元408可以用于执行步骤S208。
通过本实施例,确定出待识别烟火图像的轮廓特征,判断分析该轮廓特征,得到第一烟火识别结果,获取待识别烟火图像的运动区域,将该运动区域输入至预先训练好的目标网络,然后,通过该目标网络的第一网络、第二网络和第三网络,分别提取待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,然后对该图像特征信息进行分析处理,得到第二烟火识别结果,最后,根据第一烟火识别结果和第二烟火识别结果,来确定出目标烟火识别结果,根据该目标烟火识别结果可以确定出是否发生了烟火事件。采用上述技术方案,通过轮廓特征得到第一烟火识别结果,以及通过三个颜色空间得到图像特征信息,进而得到第二烟火识别结果,结合第一烟火识别结果和第二烟火识别结果得到目标烟火识别结果。由于上述第二烟火识别结果是通过提取运动区域的特征得到的结果,而运动区域的获取是通过至少两张图像确定的,避免了仅仅考虑单张图像来判断是否发生烟火事件,并且,通过结合上述轮廓特征、图像特征信息得到的结果来判断是否发生烟火事件的方式,极大地提高了烟火检测识别的准确度,进而解决了相关技术中,在烟火检测识别时,存在检测准确度低的的技术问题。
作为一种可选的技术方案,上述第二处理单元,包括:第一确定模块,用于在上述第一网络中确定上述待识别烟火图像在第一颜色空间下的第一图像特征信息;第二确定模块,用于在上述第二网络中确定上述待识别烟火图像在第二颜色空间下的第二图像特征信息;第三确定模块,用于在上述第一网络中确定上述待识别烟火图像在第三颜色空间下的第三图像特征信息;第四确定模块,用于根据上述第一图像特征信息与第一权重的乘积、上述第二图像特征信息与第二权重的乘积、上述第三图像特征信息与第三权重的乘积,确定出上述图像特征信息,其中,上述第一权重为预先训练好的上述第一网络的权重系数,上述第二权重为预先训练好的上述第二网络的权重系数,上述第三权重为预先训练好的上述第三网络的权重系数。
作为一种可选的技术方案,上述第一确定单元,至少包括以下之一:第五确定模块,用于在上述第一烟火识别结果为发生烟火事件、且上述第二烟火识别结果为发生烟火事件的情况下,确定上述目标烟火识别结果为发生烟火事件;第六确定模块,用于在上述第一烟火识别结果为发生烟火事件、且上述第二烟火识别结果为未发生烟火事件的情况下,确定上述目标烟火识别结果为未发生烟火事件;第七确定模块,用于在上述第一烟火识别结果为未发生烟火事件、且上述第二烟火识别结果为发生烟火事件的情况下,确定上述目标烟火识别结果为未发生烟火事件。
作为一种可选的技术方案,上述获取单元,至少包括以下之一:第一处理模块,用于通过光流法分割出上述待识别烟火图像的第一运动区域,将上述第一运动区域作为上述运动区域,其中,上述待识别烟火图像为图像序列,上述图像序列包括N个图像,上述N为大于1的整数;第二处理模块,用于根据背景建模分割上述待识别烟火图像的第二运动区域,将上述第二运动区域作为上述运动区域;第三处理模块,用于将上述第一运动区域和上述第二运动区域进行结合,得到上述运动区域。
作为一种可选的技术方案,上述第一处理单元,至少包括以下之一:第八确定模块,用于当上述轮廓特征中的N个轮廓特征在第一时间段内未发生改变的情况下,确定上述第一烟火识别结果为未发生烟火事件,其中,上述N为大于1的整数;第九确定模块,用于当上述轮廓特征中的上述N个轮廓特征在上述第一时间段内发生规律性改变的情况下,确定上述第一烟火识别结果为未发生烟火事件;第十确定模块,用于当上述轮廓特征中的N个轮廓特征均呈锯齿状、不平滑、且向上述待识别烟火图像的边缘扩张的情况下,确定上述第一烟火识别结果为发生烟火事件;其中,上述待识别烟火图像为图像序列,上述图像序列包括N个图像,上述N个轮廓特征与上述N个图像一一对应。
作为一种可选的技术方案,上述装置还包括:输入单元,用于将样本烟火图像输入至待训练网络中;第三处理单元,用于根据上述待训练网络中的上述第一网络、上述第二网络和上述第三网络,分别提取上述样本烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的样本图像特征信息;第二确定单元,用于在上述样本图像特征信息与标准图像特征信息的相似度超过预设阈值的情况下,将上述样本图像特征信息分别在上述第一网络、上述第二网络和上述第三网络所占的权重系数,确定为上述第一权重、上述第二权重和上述第三权重;第三确定单元,用于在确定上述第一权重、上述第二权重和上述第三权重之后,将上述待训练网络确定为上述目标网络。
作为一种可选的技术方案,上述第一颜色空间为RGB颜色空间,上述第二颜色空间为Ycbcr颜色空间,上述第三颜色空间为HSI颜色空间。
根据本发明的实施例的又一方面,还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,根据待识别烟火图像的轮廓特征,得到第一烟火识别结果;
S2,获取上述待识别烟火图像的运动区域;
S3,将上述运动区域输入至预先训练好的目标网络,根据上述目标网络中的第一网络、第二网络和第三网络,分别提取上述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,根据上述图像特征信息得到第二烟火识别结果;
S4,根据上述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果,其中,上述目标烟火识别结果用于表示是否发生烟火事件。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、ROM(Read-Only Memory,只读存储器)、RAM(Random Access Memory,随机存取器)、磁盘或光盘等。
根据本发明实施例的又一个方面,还提供了一种用于实施上述烟火检测识别方法的电子装置,如图5所示,该电子装置包括存储器502和处理器504,该存储器502中存储有计算机程序,该处理器504被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,根据待识别烟火图像的轮廓特征,得到第一烟火识别结果;
S2,获取上述待识别烟火图像的运动区域;
S3,将上述运动区域输入至预先训练好的目标网络,根据上述目标网络中的第一网络、第二网络和第三网络,分别提取上述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,根据上述图像特征信息得到第二烟火识别结果;
S4,根据上述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果,其中,上述目标烟火识别结果用于表示是否发生烟火事件。
可选地,本领域普通技术人员可以理解,图5所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图5其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图5中所示更多或者更少的组件(如网络接口等),或者具有与图5所示不同的配置。
其中,存储器502可用于存储软件程序以及模块,如本发明实施例中的烟火检测识别方法和装置对应的程序指令/模块,处理器504通过运行存储在存储器502内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的烟火检测识别方法。存储器502可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器502可进一步包括相对于处理器504远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器502具体可以但不限于用于存储目标对象的目标高度等信息。作为一种示例,如图5所示,上述存储器502中可以但不限于包括上述烟火检测识别装置中的第一处理单元402、获取单元404、第二处理单元406、第一确定单元408。此外,还可以包括但不限于上述烟火检测识别装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置506用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置506包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置506为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子装置还包括:显示器508和连接总线510,用于连接上述电子装置中的各个模块部件。
在其他实施例中,上述终端或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种烟火检测识别方法,其特征在于,包括:
根据待识别烟火图像的轮廓特征,得到第一烟火识别结果;
获取所述待识别烟火图像的运动区域;
将所述运动区域输入至预先训练好的目标网络,根据所述目标网络中的第一网络、第二网络和第三网络,分别提取所述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,根据所述图像特征信息得到第二烟火识别结果;
根据所述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果,其中,所述目标烟火识别结果用于表示是否发生烟火事件;
其中,所述根据所述目标网络中的第一网络、第二网络和第三网络,分别提取所述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,包括:在所述第一网络中确定所述待识别烟火图像在第一颜色空间下的第一图像特征信息;在所述第二网络中确定所述待识别烟火图像在第二颜色空间下的第二图像特征信息;在所述第三网络中确定所述待识别烟火图像在第三颜色空间下的第三图像特征信息;根据所述第一图像特征信息与第一权重的乘积、所述第二图像特征信息与第二权重的乘积、所述第三图像特征信息与第三权重的乘积,确定出所述图像特征信息,其中,所述第一权重为预先训练好的所述第一网络的权重系数,所述第二权重为预先训练好的所述第二网络的权重系数,所述第三权重为预先训练好的所述第三网络的权重系数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果,至少包括以下之一:
在所述第一烟火识别结果为发生烟火事件、且所述第二烟火识别结果为发生烟火事件的情况下,确定所述目标烟火识别结果为发生烟火事件;
在所述第一烟火识别结果为发生烟火事件、且所述第二烟火识别结果为未发生烟火事件的情况下,确定所述目标烟火识别结果为未发生烟火事件;
在所述第一烟火识别结果为未发生烟火事件、且所述第二烟火识别结果为发生烟火事件的情况下,确定所述目标烟火识别结果为未发生烟火事件。
3.根据权利要求1所述的方法,其特征在于,所述获取所述待识别烟火图像的运动区域,至少包括以下之一:
通过光流法分割出所述待识别烟火图像的第一运动区域,将所述第一运动区域作为所述运动区域,其中,所述待识别烟火图像为图像序列,所述图像序列包括N个图像,所述N为大于1的整数;
根据背景建模分割所述待识别烟火图像的第二运动区域,将所述第二运动区域作为所述运动区域;
将所述第一运动区域和所述第二运动区域进行结合,得到所述运动区域。
4.根据权利要求1所述的方法,其特征在于,所述根据待识别烟火图像的轮廓特征,得到第一烟火识别结果,至少包括以下之一:
当所述轮廓特征中的N个轮廓特征在第一时间段内未发生改变的情况下,确定所述第一烟火识别结果为未发生烟火事件,其中,所述N为大于1的整数;
当所述轮廓特征中的所述N个轮廓特征在所述第一时间段内发生规律性改变的情况下,确定所述第一烟火识别结果为未发生烟火事件;
当所述轮廓特征中的N个轮廓特征均呈锯齿状、不平滑、且向所述待识别烟火图像的边缘扩张的情况下,确定所述第一烟火识别结果为发生烟火事件;
其中,所述待识别烟火图像为图像序列,所述图像序列包括N个图像,所述N个轮廓特征与所述N个图像一一对应。
5.根据权利要求1至4任一项中所述的方法,其特征在于,所述方法还包括:
将样本烟火图像输入至待训练网络中;
根据所述待训练网络中的所述第一网络、所述第二网络和所述第三网络,分别提取所述样本烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的样本图像特征信息;
在所述样本图像特征信息与标准图像特征信息的相似度超过预设阈值的情况下,将所述样本图像特征信息分别在所述第一网络、所述第二网络和所述第三网络所占的权重系数,确定为所述第一权重、所述第二权重和所述第三权重;
在确定所述第一权重、所述第二权重和所述第三权重之后,将所述待训练网络确定为所述目标网络。
6.根据权利要求1至4任一项中所述的方法,其特征在于,所述第一颜色空间为RGB颜色空间,所述第二颜色空间为Ycbcr颜色空间,所述第三颜色空间为HSI颜色空间。
7.一种烟火检测识别装置,其特征在于,包括:
第一处理单元,用于根据待识别烟火图像的轮廓特征,得到第一烟火识别结果;
获取单元,用于获取所述待识别烟火图像的运动区域;
第二处理单元,用于将所述运动区域输入至预先训练好的目标网络,根据所述目标网络中的第一网络、第二网络和第三网络,分别提取所述待识别烟火图像在第一颜色空间、第二颜色空间和第三颜色空间下的图像特征信息,根据所述图像特征信息得到第二烟火识别结果;
第一确定单元,用于根据所述第一烟火识别结果和第二烟火识别结果确定目标烟火识别结果,其中,所述目标烟火识别结果用于表示是否发生烟火事件;
其中,所述第二处理单元,包括:第一确定模块,用于在所述第一网络中确定所述待识别烟火图像在第一颜色空间下的第一图像特征信息;第二确定模块,用于在所述第二网络中确定所述待识别烟火图像在第二颜色空间下的第二图像特征信息;第三确定模块,用于在所述第三网络中确定所述待识别烟火图像在第三颜色空间下的第三图像特征信息;第四确定模块,用于根据所述第一图像特征信息与第一权重的乘积、所述第二图像特征信息与第二权重的乘积、所述第三图像特征信息与第三权重的乘积,确定出所述图像特征信息,其中,所述第一权重为预先训练好的所述第一网络的权重系数,所述第二权重为预先训练好的所述第二网络的权重系数,所述第三权重为预先训练好的所述第三网络的权重系数。
8.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至6任一项中所述的方法。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653304.3A CN111898463B (zh) | 2020-07-08 | 2020-07-08 | 烟火检测识别方法和装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653304.3A CN111898463B (zh) | 2020-07-08 | 2020-07-08 | 烟火检测识别方法和装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898463A CN111898463A (zh) | 2020-11-06 |
CN111898463B true CN111898463B (zh) | 2023-04-07 |
Family
ID=73192142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010653304.3A Active CN111898463B (zh) | 2020-07-08 | 2020-07-08 | 烟火检测识别方法和装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898463B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861676B (zh) * | 2021-01-28 | 2022-06-21 | 济南和普威视光电技术有限公司 | 一种烟火识别标记方法、系统、终端及存储介质 |
CN117409193B (zh) * | 2023-12-14 | 2024-03-12 | 南京深业智能化系统工程有限公司 | 一种烟雾场景下的图像识别方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944267A (zh) * | 2010-09-08 | 2011-01-12 | 大连古野软件有限公司 | 基于视频的烟火检测装置 |
CN104008368A (zh) * | 2014-05-13 | 2014-08-27 | 重庆大学 | 一种基于最大熵阈值分割的火灾识别方法 |
CN105574468A (zh) * | 2014-10-08 | 2016-05-11 | 深圳中兴力维技术有限公司 | 视频火焰检测方法、装置及系统 |
CN106845443A (zh) * | 2017-02-15 | 2017-06-13 | 福建船政交通职业学院 | 基于多特征融合的视频火焰检测方法 |
CN110675588A (zh) * | 2019-09-30 | 2020-01-10 | 北方民族大学 | 一种森林火灾检测装置和方法 |
CN110738218A (zh) * | 2019-10-14 | 2020-01-31 | 国网山东省电力公司电力科学研究院 | 一种输电线路通道烟火隐患识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI420423B (zh) * | 2011-01-27 | 2013-12-21 | Chang Jung Christian University | Machine vision flame identification system and method |
-
2020
- 2020-07-08 CN CN202010653304.3A patent/CN111898463B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944267A (zh) * | 2010-09-08 | 2011-01-12 | 大连古野软件有限公司 | 基于视频的烟火检测装置 |
CN104008368A (zh) * | 2014-05-13 | 2014-08-27 | 重庆大学 | 一种基于最大熵阈值分割的火灾识别方法 |
CN105574468A (zh) * | 2014-10-08 | 2016-05-11 | 深圳中兴力维技术有限公司 | 视频火焰检测方法、装置及系统 |
CN106845443A (zh) * | 2017-02-15 | 2017-06-13 | 福建船政交通职业学院 | 基于多特征融合的视频火焰检测方法 |
CN110675588A (zh) * | 2019-09-30 | 2020-01-10 | 北方民族大学 | 一种森林火灾检测装置和方法 |
CN110738218A (zh) * | 2019-10-14 | 2020-01-31 | 国网山东省电力公司电力科学研究院 | 一种输电线路通道烟火隐患识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111898463A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544258B (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
US9858483B2 (en) | Background understanding in video data | |
CN109409238B (zh) | 一种障碍物检测方法、装置及终端设备 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
CN111898463B (zh) | 烟火检测识别方法和装置、存储介质及电子装置 | |
US20170068840A1 (en) | Predicting accuracy of object recognition in a stitched image | |
CN110807110B (zh) | 结合局部和全局特征的图片搜索方法、装置及电子设备 | |
CN111144337B (zh) | 火灾检测方法、装置及终端设备 | |
US10055824B2 (en) | Image correction device, image correction method and storage medium | |
Shidik et al. | Multi color feature, background subtraction and time frame selection for fire detection | |
CN105303163B (zh) | 一种目标检测的方法及检测装置 | |
Xiong et al. | Early smoke detection of forest fires based on SVM image segmentation | |
KR102579994B1 (ko) | 다중 배경 모델을 이용한 전경 생성 방법 및 그 장치 | |
Rahman et al. | Computer vision based industrial and forest fire detection using support vector machine (SVM) | |
JP7074174B2 (ja) | 識別器学習装置、識別器学習方法およびコンピュータプログラム | |
CN111614959A (zh) | 一种视频打码方法、装置以及电子设备 | |
CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
CN113065521B (zh) | 物体识别方法、装置、设备及介质 | |
CN114998275A (zh) | 目标对象的状态识别方法和深度学习模型的训练方法 | |
Shen et al. | A holistic image segmentation framework for cloud detection and extraction | |
CN111652158A (zh) | 目标对象的检测方法和装置、存储介质及电子装置 | |
CN114972732A (zh) | 一种烟火检测方法、装置、设备及计算机可读存储介质 | |
CN113989858A (zh) | 一种工作服识别方法及系统 | |
KR101465940B1 (ko) | 영상에서 컬러 객체를 검출하는 방법, 영상에서 컬러 객체를 검출하는 장치 및 영상에서 복수의 컬러 객체를 검출하는 방법 | |
KR101465933B1 (ko) | 영상에서 컬러 객체를 검출하는 방법, 영상에서 컬러 객체를 검출하는 장치 및 영상에서 복수의 컬러 객체를 검출하는 방법 |
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 |