CN111985314B - 一种基于ViBe与改进LBP的烟雾检测方法 - Google Patents
一种基于ViBe与改进LBP的烟雾检测方法 Download PDFInfo
- Publication number
- CN111985314B CN111985314B CN202010656812.7A CN202010656812A CN111985314B CN 111985314 B CN111985314 B CN 111985314B CN 202010656812 A CN202010656812 A CN 202010656812A CN 111985314 B CN111985314 B CN 111985314B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- image
- frame
- smoke
- histogram
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 206010051602 Laziness Diseases 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 241000679046 Teleas Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G06F18/24—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- 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
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于ViBe与改进LBP的烟雾检测方法,首先,对待检测的视频图像进行预处理;其次,采用ViBe算法提取视频图像中的烟雾区域和类似烟雾的动态区域;提取每帧图像动态区域的颜色直方图和梯度直方图;然后,采用SVLBP提取动态区域的动态纹理特征;最后,对静态特征和动态特征进行融合,采用one‑class SVM分类器检测烟雾。本发明对烟雾的漏检率较低,能克服噪声的影响,具有一定的鲁棒性。
Description
技术领域
本发明属于火灾监控的烟雾检测领域,具体涉及一种基于ViBe与改进LBP(即SVLBP,Space Vectorbased Local Binary Patterns)的烟雾检测方法。
背景技术
在火灾检测领域,传统的检测方法主要采用感温型火灾探测器、气体传感器探测器、光辐射探测器和感烟型探测器等进行检测。这些基于传感器的烟雾检测方法虽然比较简单,但是因为灵敏度及对环境的依懒性,存在重大的缺陷,极易受到环境中灰尘及其他颗粒的影响,而且为了提高精度,必须靠近火源,而在大空间区域内,这种基于传感器的方法基本很难满足对火灾检测的要求。
如今,计算机视觉系统在国防、航天以及安全工作在发挥巨大作用,在高科技上的应用很广泛。鉴于传统的火灾检测技术的局限性,人们开始设想用计算机视觉的方法来进行烟雾检测,并取得了一定的研究成果。与传统的基于传感器的火灾检测方法相比,基于计算机视觉的火灾检测技术成本低、远离火源、适用范围广、效率高,且能够实时的提供火灾的燃烧位置、燃烧趋势等额外信息。
发明内容
发明目的:为克服现有技术方法存在的问题和不足,本发明提供一种基于ViBe与改进LBP的烟雾检测方法,该方法检测性能较高,且能克服噪声的影响,具有一定的鲁棒性。
技术方案:本发明提供的一种基于ViBe与改进LBP的烟雾检测方法,具体包括以下步骤:
(1)对待检测的视频图像进行预处理;
(2)采用ViBe算法提取视频图像中的烟雾区域和类似烟雾的动态区域;
(3)提取每帧图像动态区域的颜色直方图和梯度直方图;
(4)采用SVLBP提取动态区域的动态纹理特征;
(5)对静态特征和动态特征进行融合,采用one-class SVM分类器检测烟雾。
进一步地,步骤(1)所述的图像预处理主要包括图像修复、图像滤波以及图像超分辨率重建。
进一步地,所述步骤(2)包括以下步骤:
(21)初始化单帧图像中每个像素点的背景模型:随机抽样某像素点的邻域的N个像素点,组成t=0时的像素模型作为背景模型;
(22)对后面的每一帧进行前景分割操作:当t=k时,将此帧图像的像素点的模型Pk(x,y)与背景模型Pbg(x,y)做差,若N个像素点的差值小于等于阈值T,则Pk(x,y)为背景,否则为前景;
(23)背景模型更新采用时间取样更新策略,假设像素点p(x,y)为(22)确定的背景点,那该点以及该点的k领域内的像素点在下一帧图像中将有w的概率更新自己的模型样本,w取1/16。
进一步地,所述步骤(3)包括以下步骤:
(31)RGB颜色特征由一个三维向量表示,将R、G、B三分量按照参数x、y、z进行差异化量化,构造RGB空间的颜色直方图;
(32)根据RGB特征进行转换得到HIS特征,将H、I、S三分量按照参数x、y、z进行差异性量化,构造HIS空间的颜色直方图;
(33)先将图像进行归一化,然后计算图像的梯度,每个Cell块都会对梯度直方图进行投影,对每一个重叠block块内的Cell进行对比度归一化,将所有block内的直方图向量组成大的梯度直方图特征向量。
进一步地,所述步骤(4)包括以下步骤:
(41)设一个中心像素点的空间向量由第T帧的像素值与前后各两帧的像素值组成,表示为gc=[gc,T-2,gc,T-1,gc,T,gc,T+1,gc,T+2],根据传统LBP原理,取此中心像素点的邻域8个点,分别将这8个点的5帧像素值组成8个空间向量,作为此中心像素点空间向量的8个邻域空间向量,表示为W=w(g0,g1,......g6,g7);
(42)通过判断邻域像素点的空间向量与中心像素点的空间向量间的夹角是否大于某一个阈值β,来描述灰度变化,并确定中心像素点的SVLBP值的二进制各位取值,如下面公式所示:
其中,0≤x≤7,邻域像素点的的空间向量与中心像素点的空间向量的夹角表示为:
对于角度阈值β可以取8个θ(gc,gx)的平均值,并乘以调节因子γ,表示如下:
(43)根据步骤(42)的方法,得到第T帧中心像素点的SVLBP值的二进制各位为:
W=w(s(gc,g0),s(gc,g1)......s(gc,g6),s(gc,g7))
进一步得到第T帧中心像素点的SVLBP值为:
(44)统计每帧图像序列SVLBP值出现的频率,构建SVLBP直方图。
进一步地,所述步骤(5)包括以下步骤:
(51)将步骤(3)提取的梯度直方图、颜色直方图与步骤(4)提取的SVLBP直方图连接成特征向量,即将每帧图像序列的静态特征和动态特征进行融合;
(52)提取训练集视频每帧的特征向量,训练one-class SVM模型,然后使用验证集视频来不断优化模型,最后在实际场景中进行运用。
有益效果:与现有技术相比,本发明的有益效果为:1、本发明预处理部分比较丰富,消除了许多噪声,修复了坏点,且提高了图像的清晰度,从而提高了烟雾准确度;2、ViBe动态区域提取算法克服了摄像头抖动的影响,动态区域提取准确;3、SVLBP算法充分利用了图像序列包含的时间轴信息,减小了对烟雾的漏检率,且具有更好的鲁棒性。
附图说明
图1为本发明的流程图;
图2为含有烟雾的视频序列的某一帧的原始图像;
图3为运用ViBe算法提取到的动态前景区域图;
图4为提取的梯度方向直方图;
图5为提取的颜色直方图;
图6为SVLBP动态纹理提取算法的原理图及中心像素空间向量表示图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示,本发明提供一种基于ViBe与改进LBP的烟雾检测方法,具体包括以下步骤:
步骤1:图像修复、图像滤波以及图像超分辨率重建。
步骤1.1:图像修复,采用传统的Telea法进行修复,去除图像的部分瑕疵;
步骤1.2:图像滤波,对视频图像进行去噪处理,使用中值滤波方法去除视频图像中的椒盐噪声;
步骤1.3:图像超分辨率重建,采用双三线性插值算法将图像的分辨率放大2倍,以方便后续处理。
步骤2:采用ViBe建模算法提取视频图像,如图2所示中的烟雾区域和类似烟雾的动态区域,得到的结果如图3所示。
步骤2.1:初始化单帧图像中每个像素点的背景模型。随机抽样某像素点邻域的N个像素点,组成t=0时的像素模型作为背景模型。
步骤2.2:对后面的每一帧进行前景分割操作。当t=k时,将此帧图像的像素点的模型Pk(x,y)与背景模型Pbg(x,y)做差,若N个像素点的差值小于等于阈值T,则Pk(x,y)为背景,否则为前景。
步骤2.3:背景模型更新采用时间取样更新策略,假设像素点p(x,y)为步骤2.2确定的背景点,那该点以及该点的k领域内的像素点在下一帧图像中将有w的概率更新自己的模型样本,w取1/16。这样可以有效地消除摄像机的抖动或者目标微动带来的误差。
步骤3:提取每帧图像动态区域的RGB空间和HIS空间的颜色直方图梯度直方图。
步骤3.1:RGB颜色特征由一个三维向量表示,将其分解到红色(R)、绿色(G)、蓝色(B)三个基本颜色通道,将R、G、B三分量按照参数x、y、z进行差异化量化,构造RGB空间的颜色直方图,如图4所示。
步骤3.2:HIS特征不能直接得到,需要根据RGB特征进行转换。然后,将H、I、S三分量按照参数x、y、z进行差异性量化,构造HIS空间的颜色直方图,并做归一化处理。
步骤3.3:先将图像进行归一化,然后计算图像的梯度,对于每一个Cell块对梯度直方图进行投影,对每一个重叠block块内的Cell进行对比度归一化,最后将所有block内的直方图向量组成大的梯度直方图特征向量,如图5所示。
步骤4:采用SVLBP提取动态区域的动态纹理特征。
步骤4.1:设一个中心像素点的空间向量由第T帧的像素值与前后各两帧的像素值组成,表示为gc=[gc,T-2,gc,T-1,gc,T,gc,T+1,gc,T+2]。根据传统LBP原理,取此中心像素点的邻域8个点,分别将这8个点的5帧像素值组成8个空间向量,作为此中心像素点空间向量的8个邻域空间向量,表示为W=w(g0,g1,......g6,g7),如图6所示。
步骤4.2:在传统LBP中,通过比较邻域像素点与中心像素点的大小,来描述灰度的变化,即判断中心像素点的LBP值的二进制各位取值是0还是1。而在这里是通过判断邻域像素点的空间向量与中心像素点的空间向量间的夹角是否大于某一个阈值,来描述灰度变化,并确定中心像素点的SVLBP(空间向量型LBP)值的二进制各位取值,如下面公式所示:
其中,0≤x≤7,邻域像素点的的空间向量与中心像素点的空间向量的夹角表示为:
对于角度阈值β可以取8个θ(gc,gx)的平均值,并乘以调节因子γ,表示如下:
步骤4.3:根据步骤4.2的方法,得到第T帧中心像素点的SVLBP值的二进制各位为:
W=w(s(gc,g0),s(gc,g1)......s(gc,g6),s(gc,g7))
进一步得到第T帧中心像素点的SVLBP值为:
步骤4.4:统计每帧图像序列SVLBP值出现的频率,构建SVLBP直方图。
步骤5:对静态特征和动态特征进行融合,采用one-class SVM分类器检测烟雾。
步骤5.1:将步骤3提取的梯度直方图、颜色直方图与步骤4提取的SVLBP直方图连接成特征向量,即将每帧图像序列的静态特征和动态特征进行融合。
步骤5.2:提取训练集视频每帧的特征向量,训练one-class SVM模型,然后使用验证集视频来不断优化模型,最后在实际场景(测试集)中进行运用。
采用烟雾的检测率和漏检率,非烟雾的正确率和误检率作为算法的性能衡量指标。使用Bilkent University的烟雾视频和非烟雾视频进行实验,包括6个烟雾视频和2个非烟雾视频,视频分辨率比较低。首先,对视频数据进行预处理,采用ViBe算法进行动态区域提取,并分割为24*24的小区域,然后提取训练集视频每帧小区域的特征向量,训练one-class SVM模型,然后使用验证集视频来不断优化模型,最后在实际场景(测试集)中进行运用。
以上所述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 (5)
1.一种基于ViBe与LBP的烟雾检测方法,其特征在于,包括以下步骤:
(1)对待检测的视频图像进行预处理;
(2)采用ViBe算法提取视频图像中的烟雾区域和类似烟雾的动态区域;
(3)提取每帧图像动态区域的颜色直方图和梯度直方图;
(4)采用SVLBP提取动态区域的动态纹理特征;
(5)对静态特征和动态特征进行融合,采用one-class SVM分类器检测烟雾;
所述步骤(4)包括以下步骤:
(41)设一个中心像素点的空间向量由第T帧的像素值与前后各两帧的像素值组成,表示为gc=[gc,T-2,gc,T-1,gc,T,gc,T+1,gc,T+2],根据传统LBP原理,取此中心像素点的邻域8个点,分别将这8个点的5帧像素值组成8个空间向量,作为此中心像素点空间向量的8个邻域空间向量,表示为W=w(g0,g1,......g6,g7);
(42)通过判断邻域像素点的空间向量与中心像素点的空间向量间的夹角是否大于某一个阈值β,来描述灰度变化,并确定中心像素点的SVLBP值的二进制各位取值,如下面公式所示:
其中,0≤x≤7,邻域像素点的的空间向量与中心像素点的空间向量的夹角表示为:
对于角度阈值β可以取8个θ(gc,gx)的平均值,并乘以调节因子γ,表示如下:
(43)根据步骤(42)的方法,得到第T帧中心像素点的SVLBP值的二进制各位为:
W=w(s(gc,g0),s(gc,g1)......s(gc,g6),s(gc,g7))
进一步得到第T帧中心像素点的SVLBP值为:
(44)统计每帧图像序列SVLBP值出现的频率,构建SVLBP直方图。
2.根据权利要求1所述的一种基于ViBe与LBP的烟雾检测方法,其特征在于,步骤(1)所述的图像预处理主要包括图像修复、图像滤波以及图像超分辨率重建。
3.根据权利要求1所述的一种基于ViBe与LBP的烟雾检测方法,其特征在于,所述步骤(2)包括以下步骤:
(21)初始化单帧图像中每个像素点的背景模型:随机抽样某个像素点的邻域的N个像素点,组成t=0时的像素模型作为背景模型;
(22)对后面的每一帧进行前景分割操作:当t=k时,将此帧图像的像素点的模型Pk(x,y)与背景模型Pbg(x,y)做差,若N个像素点的差值小于等于阈值T,则Pk(x,y)为背景,否则为前景;
(23)背景模型更新采用时间取样更新策略,假设像素点p(x,y)为(22)确定的背景点,那该点以及该点的k领域内的像素点在下一帧图像中将有w的概率更新自己的模型样本,w取1/16。
4.根据权利要求1所述的一种基于ViBe与LBP的烟雾检测方法,其特征在于,所述步骤(3)包括以下步骤:
(31)RGB颜色特征由一个三维向量表示,将R、G、B三分量按照参数x、y、z进行差异化量化,构造RGB空间的颜色直方图;
(32)根据RGB特征进行转换得到HIS特征,将H、I、S三分量按照参数x、y、z进行差异性量化,构造HIS空间的颜色直方图;
(33)先将图像进行归一化,然后计算图像的梯度,每个Cell块都会对梯度直方图进行投影,对每一个重叠block块内的Cell进行对比度归一化,将所有block内的直方图向量组成大的梯度直方图特征向量。
5.根据权利要求1所述的一种基于ViBe与LBP的烟雾检测方法,其特征在于,所述步骤(5)包括以下步骤:
(51)将步骤(3)提取的梯度直方图、颜色直方图与步骤(4)提取的SVLBP直方图连接成特征向量,即将每帧图像序列的静态特征和动态特征进行融合;
(52)提取训练集视频每帧的特征向量,训练one-class SVM模型,然后使用验证集视频来不断优化模型,最后在实际场景中进行运用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656812.7A CN111985314B (zh) | 2020-07-09 | 2020-07-09 | 一种基于ViBe与改进LBP的烟雾检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656812.7A CN111985314B (zh) | 2020-07-09 | 2020-07-09 | 一种基于ViBe与改进LBP的烟雾检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985314A CN111985314A (zh) | 2020-11-24 |
CN111985314B true CN111985314B (zh) | 2024-04-30 |
Family
ID=73438589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010656812.7A Active CN111985314B (zh) | 2020-07-09 | 2020-07-09 | 一种基于ViBe与改进LBP的烟雾检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985314B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537099B (zh) * | 2021-07-21 | 2022-11-29 | 招商局重庆交通科研设计院有限公司 | 一种公路隧道火灾烟雾动态检测方法 |
CN113870258B (zh) * | 2021-12-01 | 2022-03-25 | 浙江大学 | 一种基于对抗学习的无标签胰腺影像自动分割系统 |
CN114119754B (zh) * | 2021-12-08 | 2024-04-05 | 北京林业大学 | 基于连通粒的像素级火灾烟雾根节点检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481257A (zh) * | 2017-07-07 | 2017-12-15 | 中国人民解放军国防科学技术大学 | 融合颜色与局部三进制相似模式特征的图像背景去除方法 |
CN108805897A (zh) * | 2018-05-22 | 2018-11-13 | 安徽大学 | 一种改进的运动目标检测vibe算法 |
-
2020
- 2020-07-09 CN CN202010656812.7A patent/CN111985314B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481257A (zh) * | 2017-07-07 | 2017-12-15 | 中国人民解放军国防科学技术大学 | 融合颜色与局部三进制相似模式特征的图像背景去除方法 |
CN108805897A (zh) * | 2018-05-22 | 2018-11-13 | 安徽大学 | 一种改进的运动目标检测vibe算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111985314A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615226B (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
CN111985314B (zh) | 一种基于ViBe与改进LBP的烟雾检测方法 | |
CN112036254B (zh) | 基于视频图像的运动车辆前景检测方法 | |
CN111368771A (zh) | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 | |
CN111260738A (zh) | 基于相关滤波和自适应特征融合的多尺度目标跟踪方法 | |
CN111402237B (zh) | 基于时空级联自编码器的视频图像异常检测方法及系统 | |
CN109993052B (zh) | 一种复杂场景下尺度自适应的目标跟踪方法和系统 | |
CN111768388A (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
CN111738054B (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
CN111860414A (zh) | 一种基于多特征融合检测Deepfake视频方法 | |
Guo et al. | Joint raindrop and haze removal from a single image | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN114463389B (zh) | 一种运动目标检测方法以及检测系统 | |
TW201032180A (en) | Method and device for keeping image background by multiple gauss models | |
CN113096103A (zh) | 一种面向放空火炬的烟气智能影像感知方法 | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
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 | |
CN113936030A (zh) | 基于卷积编码的运动目标检测方法及系统 | |
Qing et al. | Image haze removal using depth-based cluster and self-adaptive parameters | |
CN110826564A (zh) | 一种复杂场景图像中的小目标语义分割方法及系统 | |
CN117132592B (zh) | 一种基于熵融合的工业缺陷检测方法 | |
CN117011196B (zh) | 一种基于组合滤波优化的红外小目标检测方法及系统 | |
CN113284135B (zh) | 基于全局与局部上下文信息的sar舰船检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |