CN111985489B - 一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法 - Google Patents

一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法 Download PDF

Info

Publication number
CN111985489B
CN111985489B CN202010906012.6A CN202010906012A CN111985489B CN 111985489 B CN111985489 B CN 111985489B CN 202010906012 A CN202010906012 A CN 202010906012A CN 111985489 B CN111985489 B CN 111985489B
Authority
CN
China
Prior art keywords
area
light source
line segment
photo
photos
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
Application number
CN202010906012.6A
Other languages
English (en)
Other versions
CN111985489A (zh
Inventor
朱吕甫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Jushi Technology Co ltd
Original Assignee
Anhui Jushi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Jushi Technology Co ltd filed Critical Anhui Jushi Technology Co ltd
Priority to CN202010906012.6A priority Critical patent/CN111985489B/zh
Publication of CN111985489A publication Critical patent/CN111985489A/zh
Application granted granted Critical
Publication of CN111985489B publication Critical patent/CN111985489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/20—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Non-Portable Lighting Devices Or Systems Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法，包括以下步骤：步骤一：在夜间情况下每隔预设时间即采集一张待分析光源的光源影像照片，连续采集X张光源影像照片；步骤二：将获取到的所有的光源照片处理为相同尺寸的照片，扫描光源照片，将每个光源照片进行九等分的分割；步骤三：九等分之后提取出任意两张光源照片进行等分格内的发光面积比对；步骤四：再提取出任意时间差之间的两个光源照片进行RGB图像分析处理；步骤五：得到RGB图像分析处理的结果之后再提取出相邻时间差的两个光源照片再次进行动态特征处理。本发明能够更加精准的进行光源种类的判定，更加值得推广使用。

Description

一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别 算法
技术领域
本发明涉及光源种类判定领域，具体涉及一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法。
背景技术
光源是一个物理学名词，宇宙间的物体有的是发光的，有的是不发光的，我们把能自行发光且正在发光的物体叫做光源,光源可以分为自然光源(天然光源)和人造光源。太阳、打开的电灯、燃烧着的蜡烛等都是光源，在对光源种类进行分析的时候即会使用到灯光与火焰分类判别算法。
现有的灯光与火焰分类判别算法，判定光源种的精准度较差不能满足用户需求，给灯光与火焰分类判别算法的使用带来了一定影响，因此，提出一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法。
发明内容
本发明所要解决的技术问题在于：如何解决现有的灯光与火焰分类判别算法，判定光源种的精准度较差不能满足用户需求，给灯光与火焰分类判别算法的使用带来了一定影响的问题，提供了一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法。
本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
步骤一：在夜间情况下每隔预设时间即采集一张待分析光源的光源影像照片，连续采集X张光源影像照片；
步骤二：将获取到的所有的光源照片处理为相同尺寸的照片，扫描光源照片，将每个光源照片进行九等分的分割；
步骤三：九等分之后提取出任意两张光源照片进行等分格内的发光面积比对；
步骤四：再提取出任意时间差之间的两个光源照片进行RGB图像分析处理；
步骤五：得到RGB图像分析处理的结果之后再提取出相邻时间差的两个光源照片再次进行动态特征处理；
步骤六：将步骤三、步骤四和步骤五中的处理结果提取出，以步骤三、步骤四和步骤五中有任意两个或两个以上判定结果为最终判定结果；
步骤七：当步骤三的处理过程判定失败时即回到步骤一重新进行处理，当步骤四处理过程判定失败时即回到步骤一重新进行处理，当步骤五的处理过程判定失败时即回到步骤一重新进行处理；
所述步骤三中的发光面积比对具体过程如下：
S1：将提取的两张光源照片分别标记为Q照和T照，将提取的Q照和T照的九等分区域按照从左到右从上到点下的顺序分别标记为Q1区、Q2区、Q3区、Q4区、Q5区、Q6区、Q7去、Q8区与T9区和T1区、T2区、T3区、T4区、T5区、T6区、T7去、T8区与T9区；
S2：从Q照的Q1区、Q2区、Q3区、Q4区、Q5区、Q6区、Q7去、Q8区中随机调节出m个区间，m≥4，计算出m个区间内的发光面积之和得到Q面；
S3：再从T照中提取出与Q照提取区间相同编号的m个区间，计算出T照中m个区间的发光面积之和得到T面；
S4：计算出Q照中的Q面与T照中的T面之间的差值得到Qt差，当Qt差在预设值范围内即判定其为灯光光源，当Qt差大于预设值或小于预设值时即判定其为火焰光源；
所述步骤四中的RGB图像分析处理过程如下：
SS1：将再次提取的光源照片分别标记为Z照和K照，将Z照和K照进行RGB三色提取；
SS2：进行完RGB三色提取之后，分别计算出R区域、G区域和B区域的面积；
SS3：当R区域的面积大于等于G区域的面积，且G区域的面积大于B区域的面积即判定该光源为火焰光源；
SS4：当R区域的面积小于等于G区域的面积，且G区域的面积小于B区域的面积或R区域的面积小于G区域的面积，且G区域的面积小于B区域的面积时即判定其为灯光光源；
所述步骤五中的动态处理过程具体如下：
步骤一：将提取出的两张光源照片分别标记为G照和H照；
步骤二：将G照和H照中的发光边缘进行描线处理，得到对比线Y1和对比线Y2；
步骤三：将对比线Y1和对比线Y2进行重叠比对，当对比线Y1和对比线Y2的重叠度大于预设重叠度时即判定该光源为灯光光源，当当对比线Y1和对比线Y2的重叠度小于预设重叠度时即判定该光源为灯光火焰光源。
优选的，所述步骤二中的九等分过程具体如下：
步骤一：将所有的光源照片提取出，将其裁剪到可以九等分的尺寸；
步骤二：将裁剪好的照片的四个边角分别标记按照顺时针方向为A1点、A2点、A3点与A4点；
步骤三：将A1点、A2点、A3点与A4点按照顺时针防线依次连线得到线段L1、线段L2、线段L3与线段L4围成的矩形Pt；
步骤四：将得到线段L1、线段L2、线段L3与线段L4分别进行三等分，将线段L1与线段L4上的四个等分点进行两两连接得到线段L5和线段L6，再将将线段L2与线段L3上的四个等分点进行两两连接得到线段L7和线段L8；
步骤五：线段L5、线段L6、线段L7和线段L8将矩形Pt进行九等分。
本发明相比现有技术具有以下优点：该结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法，设置了发明面积比对、RGB图像比对与动态特征比对，三种比对方式的设置，能够有效的提升该算法对夜间灯光与火焰分类的准确性，并且，多种不同的验证过程能够适应更加严苛的验证环境，满足了用户的不同验证需求，让该算法更加值得推广使用。
附图说明
图1是本发明的流程框图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例提供一种技术方案：一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法，包括以下步骤：
步骤一：在夜间情况下每隔预设时间即采集一张待分析光源的光源影像照片，连续采集X张光源影像照片；
步骤二：将获取到的所有的光源照片处理为相同尺寸的照片，扫描光源照片，将每个光源照片进行九等分的分割；
步骤三：九等分之后提取出任意两张光源照片进行等分格内的发光面积比对；
步骤四：再提取出任意时间差之间的两个光源照片进行RGB图像分析处理；
步骤五：得到RGB图像分析处理的结果之后再提取出相邻时间差的两个光源照片再次进行动态特征处理；
步骤六：将步骤三、步骤四和步骤五中的处理结果提取出，以步骤三、步骤四和步骤五中有任意两个或两个以上判定结果为最终判定结果；
步骤七：当步骤三的处理过程判定失败时即回到步骤一重新进行处理，当步骤四处理过程判定失败时即回到步骤一重新进行处理，当步骤五的处理过程判定失败时即回到步骤一重新进行处理。
所述步骤二中的九等分过程具体如下：
步骤一：将所有的光源照片提取出，将其裁剪到可以九等分的尺寸；
步骤二：将裁剪好的照片的四个边角分别标记按照顺时针方向为A1点、A2点、A3点与A4点；
步骤三：将A1点、A2点、A3点与A4点按照顺时针防线依次连线得到线段L1、线段L2、线段L3与线段L4围成的矩形Pt；
步骤四：将得到线段L1、线段L2、线段L3与线段L4分别进行三等分，将线段L1与线段L4上的四个等分点进行两两连接得到线段L5和线段L6，再将将线段L2与线段L3上的四个等分点进行两两连接得到线段L7和线段L8；
步骤五：线段L5、线段L6、线段L7和线段L8将矩形Pt进行九等分。
所述步骤三中的发光面积比对具体过程如下：
S1：将提取的两张光源照片分别标记为Q照和T照，将提取的Q照和T照的九等分区域按照从左到右从上到点下的顺序分别标记为Q1区、Q2区、Q3区、Q4区、Q5区、Q6区、Q7去、Q8区与T9区和T1区、T2区、T3区、T4区、T5区、T6区、T7去、T8区与T9区；
S2：从Q照的Q1区、Q2区、Q3区、Q4区、Q5区、Q6区、Q7去、Q8区中随机调节出m个区间，m≥4，计算出m个区间内的发光面积之和得到Q面；
S3：再从T照中提取出与Q照提取区间相同编号的m个区间，计算出T照中m个区间的发光面积之和得到T面；
S4：计算出Q照中的Q面与T照中的T面之间的差值得到Qt差，当Qt差在预设值范围内即判定其为灯光光源，当Qt差大于预设值或小于预设值时即判定其为火焰光源。
所述步骤四中的RGB图像分析处理过程如下：
SS1：将再次提取的光源照片分别标记为Z照和K照，将Z照和K照进行RGB三色提取；
SS2：进行完RGB三色提取之后，分别计算出R区域、G区域和B区域的面积；
SS3：当R区域的面积大于等于G区域的面积，且G区域的面积大于B区域的面积即判定该光源为火焰光源；
SS4：当R区域的面积小于等于G区域的面积，且G区域的面积小于B区域的面积或R区域的面积小于G区域的面积，且G区域的面积小于B区域的面积时即判定其为灯光光源；
该种判定过程能够颜色对比来对光源种类进行判定。
所述步骤五中的动态处理过程具体如下：
步骤一：将提取出的两张光源照片分别标记为G照和H照；
步骤二：将G照和H照中的发光边缘进行描线处理，得到对比线Y1和对比线Y2；
步骤三：将对比线Y1和对比线Y2进行重叠比对，当对比线Y1和对比线Y2的重叠度大于预设重叠度时即判定该光源为灯光光源，当当对比线Y1和对比线Y2的重叠度小于预设重叠度时即判定该光源为灯光火焰光源；
该种计算过程能够通过光源的动态变化来判定光源种类。
综上，本发明在使用时在夜间情况下每隔预设时间即采集一张待分析光源的光源影像照片，连续采集X张光源影像照片，将获取到的所有的光源照片处理为相同尺寸的照片，扫描光源照片，将每个光源照片进行九等分的分割，九等分之后提取出任意两张光源照片进行等分格内的发光面积比对，再提取出任意时间差之间的两个光源照片进行RGB图像分析处理，得到RGB图像分析处理的结果之后再提取出相邻时间差的两个光源照片再次进行动态特征处理，将上述过程中的处理结果提取出，以上述了处理结果中任意两个或两个以上判定结果为最终判定结果，上述过程中任意一个的处理过程判定失败时即重新进行判定处理。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (2)

1.一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别方法，其特征在于，包括以下步骤：
步骤一：在夜间情况下每隔预设时间即采集一张待分析光源的光源影像照片，连续采集X张光源影像照片；
步骤二：将获取到的所有的光源照片处理为相同尺寸的照片，扫描光源照片，将每个光源照片进行九等分的分割；
步骤三：九等分之后提取出任意两张光源照片进行等分格内的发光面积比对；
步骤四：再提取出任意时间差之间的两个光源照片进行RGB图像分析处理；
步骤五：得到RGB图像分析处理的结果之后再提取出相邻时间差的两个光源照片再次进行动态特征处理；
步骤六：将步骤三、步骤四和步骤五中的处理结果提取出，以步骤三、步骤四和步骤五中有任意两个或两个以上判定结果为最终判定结果；
步骤七：当步骤三的处理过程判定失败时即回到步骤一重新进行处理，当步骤四处理过程判定失败时即回到步骤一重新进行处理，当步骤五的处理过程判定失败时即回到步骤一重新进行处理；
所述步骤三中的发光面积比对具体过程如下：
S1：将提取的两张光源照片分别标记为Q照和T照，将提取的Q照和T照的九等分区域按照从左到右从上到点下的顺序分别标记为Q1区、Q2区、Q3区、Q4区、Q5区、Q6区、Q7去、Q8区与T9区和T1区、T2区、T3区、T4区、T5区、T6区、T7去、T8区与T9区；
S2：从Q照的Q1区、Q2区、Q3区、Q4区、Q5区、Q6区、Q7去、Q8区中随机调节出m个区间，m≥4，计算出m个区间内的发光面积之和得到Q面；
S3：再从T照中提取出与Q照提取区间相同编号的m个区间，计算出T照中m个区间的发光面积之和得到T面；
S4：计算出Q照中的Q面与T照中的T面之间的差值得到Qt差，当Qt差在预设值范围内即判定其为灯光光源，当Qt差大于预设值或小于预设值时即判定其为火焰光源；
所述步骤四中的RGB图像分析处理过程如下：
SS1：将再次提取的光源照片分别标记为Z照和K照，将Z照和K照进行RGB三色提取；
SS2：进行完RGB三色提取之后，分别计算出R区域、G区域和B区域的面积；
SS3：当R区域的面积大于等于G区域的面积，且G区域的面积大于B区域的面积即判定该光源为火焰光源；
SS4：当R区域的面积小于等于G区域的面积，且G区域的面积小于B区域的面积或R区域的面积小于G区域的面积，且G区域的面积小于B区域的面积时即判定其为灯光光源；
所述步骤五中的动态处理过程具体如下：
步骤一：将提取出的两张光源照片分别标记为G照和H照；
步骤二：将G照和H照中的发光边缘进行描线处理，得到对比线Y1和对比线Y2；
步骤三：将对比线Y1和对比线Y2进行重叠比对，当对比线Y1和对比线Y2的重叠度大于预设重叠度时即判定该光源为灯光光源，当当对比线Y1和对比线Y2的重叠度小于预设重叠度时即判定该光源为灯光火焰光源。
2.根据权利要求1所述的一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别方法，其特征在于：所述步骤二中的九等分过程具体如下：
步骤一：将所有的光源照片提取出，将其裁剪到可以九等分的尺寸；
步骤二：将裁剪好的照片的四个边角分别标记按照顺时针方向为A1点、A2点、A3点与A4点；
步骤三：将A1点、A2点、A3点与A4点按照顺时针防线依次连线得到线段L1、线段L2、线段L3与线段L4围成的矩形Pt；
步骤四：将得到线段L1、线段L2、线段L3与线段L4分别进行三等分，将线段L1与线段L4上的四个等分点进行两两连接得到线段L5和线段L6，再将将线段L2与线段L3上的四个等分点进行两两连接得到线段L7和线段L8；
步骤五：线段L5、线段L6、线段L7和线段L8将矩形Pt进行九等分。
CN202010906012.6A 2020-09-01 2020-09-01 一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法 Active CN111985489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010906012.6A CN111985489B (zh) 2020-09-01 2020-09-01 一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010906012.6A CN111985489B (zh) 2020-09-01 2020-09-01 一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法

Publications (2)

Publication Number Publication Date
CN111985489A CN111985489A (zh) 2020-11-24
CN111985489B true CN111985489B (zh) 2024-04-02

Family

ID=73447769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010906012.6A Active CN111985489B (zh) 2020-09-01 2020-09-01 一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法

Country Status (1)

Country Link
CN (1) CN111985489B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR970010321B1 (ko) * 1994-07-12 1997-06-25 주식회사 윤익물산 보일러의 화염감지 장치
JP2006072898A (ja) * 2004-09-06 2006-03-16 Nohmi Bosai Ltd 炎検知器
TW200839660A (en) * 2006-12-12 2008-10-01 Ind Tech Res Inst Flame detecting method and device
CN104091354A (zh) * 2014-07-30 2014-10-08 北京华戎京盾科技有限公司 一种基于视频图像的火灾检测方法及其火灾检测装置
JP2017207883A (ja) * 2016-05-18 2017-11-24 株式会社日立国際電気 監視システム、カラーカメラ装置及び光学部品
CN107729794A (zh) * 2016-08-10 2018-02-23 富士通株式会社 火焰检测方法、火焰检测装置和电子设备
CN108074234A (zh) * 2017-12-22 2018-05-25 湖南源信光电科技股份有限公司 一种基于目标跟踪和多特征融合的大空间火焰检测方法
CN109472192A (zh) * 2018-09-20 2019-03-15 国网江苏省电力有限公司检修分公司 一种变电站室外具备抗干扰能力的火焰图像识别方法
CN110276284A (zh) * 2019-06-11 2019-09-24 暨南大学 基于视频质量评估的火焰识别方法、装置、设备及存储介质
CN111179279A (zh) * 2019-12-20 2020-05-19 成都指码科技有限公司 一种基于紫外、双目视觉的综合火焰检测方法
CN111354152A (zh) * 2018-12-24 2020-06-30 北京华航无线电测量研究所 一种火焰检测与定位系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR970010321B1 (ko) * 1994-07-12 1997-06-25 주식회사 윤익물산 보일러의 화염감지 장치
JP2006072898A (ja) * 2004-09-06 2006-03-16 Nohmi Bosai Ltd 炎検知器
TW200839660A (en) * 2006-12-12 2008-10-01 Ind Tech Res Inst Flame detecting method and device
CN104091354A (zh) * 2014-07-30 2014-10-08 北京华戎京盾科技有限公司 一种基于视频图像的火灾检测方法及其火灾检测装置
JP2017207883A (ja) * 2016-05-18 2017-11-24 株式会社日立国際電気 監視システム、カラーカメラ装置及び光学部品
CN107729794A (zh) * 2016-08-10 2018-02-23 富士通株式会社 火焰检测方法、火焰检测装置和电子设备
CN108074234A (zh) * 2017-12-22 2018-05-25 湖南源信光电科技股份有限公司 一种基于目标跟踪和多特征融合的大空间火焰检测方法
CN109472192A (zh) * 2018-09-20 2019-03-15 国网江苏省电力有限公司检修分公司 一种变电站室外具备抗干扰能力的火焰图像识别方法
CN111354152A (zh) * 2018-12-24 2020-06-30 北京华航无线电测量研究所 一种火焰检测与定位系统
CN110276284A (zh) * 2019-06-11 2019-09-24 暨南大学 基于视频质量评估的火焰识别方法、装置、设备及存储介质
CN111179279A (zh) * 2019-12-20 2020-05-19 成都指码科技有限公司 一种基于紫外、双目视觉的综合火焰检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Flame dynamics of equivalence ratio oscillations in a laminar stagnating lean methane/air premixed flame;Tomita，H等;《Proceedings of combustion institute》;第989-997页 *
基于深度学习的干扰环境下火焰识别研究;高伟，等;《安全与环境学报》;第23卷(第6期);第1889-1898页 *

Also Published As

Publication number Publication date
CN111985489A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
Sergyan Color histogram features based image classification in content-based image retrieval systems
US7657090B2 (en) Region detecting method and region detecting apparatus
US20020146176A1 (en) Method for representing and comparing digital images
CN104794491A (zh) 基于预分类的模糊聚类钢板表面缺陷检测方法
CN104408449B (zh) 智能移动终端场景文字处理方法
US20090290798A1 (en) Image search method and device
CN111402316B (zh) 一种基于去伪环节的图像中椭圆快速检测方法
EP1246124B1 (en) Image space display method and apparatus
CN115510519A (zh) 车道灯规划方法、装置、设备及存储介质
Musicco et al. Automatic point cloud segmentation for the detection of alterations on historical buildings through an unsupervised and clustering-based Machine Learning approach
CN103743750A (zh) 一种大口径光学元件表面损伤分布图的生成方法
CN111985489B (zh) 一种结合目标跟踪及运动分析的夜间灯光与火焰分类判别算法
Chi et al. Separation of single-and double-touching handwritten numeral strings
KR20150039310A (ko) 서브영역 기반의 객체 인식 방법 및 그 장치
CN116797867A (zh) 一种融合全局及局部特征的轻量化火焰识别深度学习模型
CN114882192B (zh) 一种建筑立面的分割方法、装置、电子设备以及存储介质
CN106991669A (zh) 一种基于深度选择性差异的显著性检测方法
Pham et al. Image segmentation using fuzzy min-max neural networks for wood defect detection
Furukawa et al. Accurate, dense, and robust multi-view stereopsis (pmvs)
Sapkota Segmentation of coloured point cloud data
Nasr-Isfahani et al. A new approach for touching cells segmentation
CN109492685B (zh) 一种用于对称特征的目标物体视觉检测方法
CN108242059A (zh) 图像边界查找方法和装置
Jahani et al. A novel method for centromere and length detection in microscopic images of human chromosomes
JP2017004052A (ja) 学習装置、方法及びプログラム

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