CN112634577B - 用于烟雾报警的方法和设备 - Google Patents
用于烟雾报警的方法和设备 Download PDFInfo
- Publication number
- CN112634577B CN112634577B CN201910904767.XA CN201910904767A CN112634577B CN 112634577 B CN112634577 B CN 112634577B CN 201910904767 A CN201910904767 A CN 201910904767A CN 112634577 B CN112634577 B CN 112634577B
- Authority
- CN
- China
- Prior art keywords
- smoke
- motion
- determining
- laser
- region
- 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 123
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000033001 locomotion Effects 0.000 claims abstract description 85
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000003860 storage Methods 0.000 claims abstract description 18
- 239000000428 dust Substances 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 27
- 230000003287 optical effect Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 14
- 238000007667 floating Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 22
- 239000002245 particle Substances 0.000 description 14
- 238000004590 computer program Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 230000005653 Brownian motion process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005537 brownian motion Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 206010047571 Visual impairment Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- 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
Abstract
本公开的实施例提供了用于烟尘报警的方法、装置、设备、计算机可读存储介质。该方法包括:经由摄像装置,获取拍摄区域的视频图像,拍摄区域由激光单元所发射的具有预定波段的激光照射,摄像装置配置有允许预定波段的激光通过的滤光片;基于视频图像中的多帧图像,确定多帧图像中的运动区域;基于运动区域的特征,确定拍摄区域是否包括烟雾;以及响应于确定拍摄区域包括烟雾,生成报警信号,以便报警装置进行报警。本公开的实施例能够及时、高可靠性地对室外或者空间较大的室内场景进行烟火或粉尘报警。
Description
技术领域
本公开涉及烟火和/或粉尘报警,更具体地,涉及用于烟雾报警的方法、装置、设备、计算机可读存储介质。
背景技术
传统的用于烟雾报警的方案例如包括两种:第一种是通过在室内(例如在屋顶处)安装有烟雾探测器,当烟雾探测器感测到飘至烟雾探测器内部的烟雾时,触发报警装置以便报警。第二种是通过在室内安装有温度传感器,通过感测到室温超过报警阈值时,触发报警装置以便报警。
在传统的用于烟雾报警的方案中,一方面,烟雾探测器和温度传感器的感测范围较小,难以对远距离的着火点进行有效感测与报警。例如,烟雾探测器仅在感测到飘至烟雾探测器内部的烟雾时,才能触发报警装置以便报警。因此,当被监测的空间较大或者属于室外开放空间时,火苗所产生的烟雾会随着空气的流动而扩散,使得在火苗产生后的较长时间之后,烟雾才能飘至烟雾探测器内部,进而导致烟雾探测器探测烟雾需要较长的响应时间,有时(例如在被监测的空间属于室外开放空间时)甚至出现探测失效的状况。另一方面,在传统的用于烟雾报警的方案中,容易出现错误报警的状态,例如,温度传感器感测到周围其他对象(例如电器设备、或者工矿企业中施工现场的电焊)发热时,进行报警。
因此,传统的用于烟雾报警的方案难以及时并且高可靠性地对室外或者空间较大的室内场景进行烟雾报警,这显然对于预防火灾是非常不利的。
发明内容
本公开提供一种用于烟雾报警的方法的和设备,能够及时、高可靠性地对室外或者空间较大的室内场景进行烟雾报警。
根据本公开的第一方面,提供了一种用于烟雾报警的方法。该方法包括:经由摄像装置,获取拍摄区域的视频图像,拍摄区域由激光单元所发射的具有预定波段的激光照射,摄像装置配置有允许预定波段的激光通过的滤光片;基于视频图像中的多帧图像,确定多帧图像中的运动区域;基于运动区域的特征,确定拍摄区域是否包括烟雾;以及响应于确定拍摄区域包括烟雾,生成报警信号,以便报警装置进行报警。
根据本发明的第二方面,还提供一种用于烟雾报警的装置。该设备包括:存储器,被配置为存储一个或多个程序;处理单元,耦合至存储器并且被配置为执行一个或多个程序使系统执行根据本公开的第一方面的方法。
根据本公开的第三方面,提供了一种非瞬态计算机可读存储介质。该非瞬态计算机可读存储介质上存储有机器可执行指令,机器可执行指令在被执行时使机器执行根据本公开的第一方面的方法。
根据本发明的第四方面,还提供一种用于烟雾报警的设备。该设备包括:激光单元,用于发射具有预定波段的激光束,以便照射拍摄区域,摄像装置,用于获取拍摄区域的视频图像,摄像装置配置有允许预定波段的激光通过的滤光片;处理单元,用于基于视频图像中的多帧图像,确定多帧图像中的运动区域,以及基于运动区域的特征,确定拍摄区域是否包括烟雾;以及报警装置,用于响应于检测到处理单元的报警信号,进行报警,报警信号由处理单元响应于确定拍摄区域包括烟雾而生成。
提供发明内容部分是为了简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征,也无意限制本公开的范围。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本公开的实施例的用于烟雾报警的系统100的架构图;
图2示出了根据本公开的实施例的用于烟雾报警的方法200的流程图;
图3示出了根据本公开的实施例的用于确定拍摄区域包括烟雾的方法300的流程图;
图4示出了根据本公开的实施例的用于确定运动区域的方法400的流程图;
图5示出了根据本公开的实施例的用于确定拍摄区域包括烟雾的方法500的流程图;以及
图6示意性示出了适于用来实现本公开实施例的电子设备600的框图。
在各个附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上文所描述的,在传统的用于烟雾报警的方案中,烟雾探测器仅在感测到飘至烟雾探测器内部的一定浓度的烟雾时,才触发报警装置以便报警。因此,当被监测的空间较大或者属于室外开放空间时,烟雾探测器探测烟雾需要较长的响应时间,有时甚至出现探测失效的状况,不利于火灾的检测与预防。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于烟雾报警的方案。在该方案中,经由摄像装置,获取拍摄区域的视频图像,拍摄区域由激光单元所发射的具有预定波段的激光照射,摄像装置配置有允许预定波段的激光通过的滤光片;基于视频图像中的多帧图像,确定多帧图像中的运动区域;基于运动区域的特征,确定拍摄区域是否包括烟雾;以及响应于确定拍摄区域包括烟雾,生成报警信号,以便报警装置进行报警。
在上述方案中,通过带有滤光片的摄像装置获取具有预定波段的激光照射拍摄区域的视频图像,能够实现在着火时,着火点产生的漂浮烟雾颗粒会在预定波段的激光照射下产生云状高光带,再透过滤光片仅采集激光预定波长段的视觉特征,进而很好地屏蔽其他视觉干扰。由于着火点产生的漂浮烟雾颗粒在空气中的运动具有布朗运动特点,因此该云状高光带也具有布朗运动特点,因而通过识别所采集视频图像的多帧图像中的运动区域,并且基于该运动区域的特征来确定拍摄区域是否包括烟雾,能够实现高可靠性地识别云状高光带的存在,进而及时并且高可靠性地对室外或者空间较大的室内场景进行烟火报警,而不需要等待烟雾飘至烟雾感测器的位置处。
图1示出了根据本公开的实施例的用于烟雾报警的系统100的架构图。如图1所示,系统100包括摄像装置110、计算装置120(例如是用于烟雾报警的装置)、报警装置130和激光单元140。摄像装置110、报警装置130和激光单元140分别与计算装置120相连(或者通过网络)进行信号交互。在一些实施例中,摄像装置110、计算装置120、报警装置130和激光单元140可以集成在一个设备中。在该设备中,计算装置120例如是一个或多个处理单元。在一些实施例中,摄像装置110、计算装置120、报警装置130和激光单元140可以分布式设置。例如,计算装置120可以是服务器。摄像装置110和激光单元140可以分别设置在拍摄区域的一侧或者两侧。例如,摄像装置110至拍摄区域预定位置处的方向相对于激光单元140至拍摄区域的预定位置处的方向成预定角度(例如90度)而设置。
关于激光单元140,其用于发射具有预定波段的激光154(例如是激光束),以便照射拍摄区域。在一些实施例中,激光单元140包括激光发射源142和光学元件144。其中,激光发射源142用于发射具有单一波长的激光束(该单一波长激光束例如属于不可见光),在一些实施例中,单一波长的激光束例如是红外线。在一些实施例中,激光发射源142例如是激光发射点阵。光学元件144用于使得单一波长的激光束以预定发散角发射。在一些实施例中,光学元件144例如是柱状透镜,用于使得激光单元140发射扇形平面方式的激光154。
关于摄像装置110,其用于获取拍摄区域的视频图像。摄像装置110配置有允许预定波段的激光通过的滤光片112。在一些实施例中,摄像装置110例如至少包括:一个或多个摄像头114和滤光片112。在一些实施例中,滤光片112的通带中心波长为单一波长的窄带滤光片。窄带滤光片的通带相对来说比较窄,例如为中心波长值(即通带中心波长)的5%以下。在一些实施例中,该窄带滤光片例如被设置为使可见光彻底的过滤掉,只允许需要需采集的红外线(例如850nm波长附近的光)通过。850nm波长附近的红外线是非可见光。部署该非可见光可以减少对场景带来影响。通过采用红外线,不仅使得系统100可以应用于对可见光不适用的场景,而且有利于避免场景内其他可见光对于识别带来的干扰。
关于计算装置120,其用于基于摄像装置110所获取的视频图像中的多帧图像,确定多帧图像中的运动区域,以及基于运动区域的特征,确定拍摄区域是否包括烟雾。计算装置120还可以被配置为当确定拍摄区域包括烟雾时,生成报警信号,以便报警装置130检测到该报警信号时进行报警。计算装置120可以具有一个或多个处理单元,包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外,计算装置120上也可以运行着一个或多个虚拟机。
关于报警装置130,其用于响应于检测到计算装置120(或者处理单元)的报警信号,进行报警,该报警信号由计算装置120(或者处理单元)响应于确定拍摄区域包括烟雾而生成。在一些实施例中,报警装置130例如是声光报警装置。
以下结合图2来说明烟雾报警的方法。图2示出了根据本公开的实施例的用于烟雾报警的方法200的流程图。在图2中,各个动作例如由图1中用于烟雾报警的系统100中的计算装置120执行。为了方便讨论,不失一般性地,以如图1所示的计算装置120为例,来描述方法200。应当理解,方法200还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在框202处,经由摄像装置110,计算装置120获取拍摄区域的视频图像,拍摄区域由激光单元140所发射的具有预定波段的激光束154照射,摄像装置110配置有允许预定波段的激光通过的滤光片112。在一些实施例中,拍摄区域是需对烟火或粉尘进行监视及报警的场景,该场景被包括在摄像装置110的拍摄视场之内。如图1所示,在拍摄区域中出现着火点150初期,着火点150会产生大量的烟152。这些烟152是由漂浮烟雾颗粒组成,当预定波段的激光束154照射在着火点所产生的漂浮烟雾颗粒上时,可以理解,如果烟雾颗粒大于入射激光波长很多倍,则发生光的反射;如果烟雾颗粒小于入射激光的波长(例如,当悬浮于空气中的烟雾颗粒半径小于预定波段的激光的波长850nm),则发生光的散射。因此,当预定波段的激光照射在着火点所产生的漂浮烟雾颗粒上时,会因激光散射和反射作用而形成云状高光带。通过采用配置有允许预定波段的激光通过的滤光片112的摄像装置114对该预定波段的激光进行视觉特征采集,能够很好地屏蔽视觉干扰(例如环境光线、背景变化等)因素的影响,能够显著提高确定拍摄区域是否存在着火点150的可靠性。
关于摄像装置110和激光单元140之间的相对位置,在一些实施例中,摄像装置110至拍摄区域的预定位置处的方向相对于激光单元140至拍摄区域的预定位置处的方向成预定角度,并且激光束154具有预定发散角。上述预定角度可以被设定在不同角度,例如,大致为60度、或者大致为90度。在一些实施例中,摄像装置110和激光单元140可以分别设置在拍摄区域的两侧(即激光单元140与摄像装置110相对设置),但需通过在高度上错开等方式,避免激光单元140所发射的激光直接照射在摄像装置110上。以避免摄像装置110所获取的视频图像因曝光过度而出现影像失常。
关于预定波段的激光束154,在一些实施例中,其可以为单一波长的脉冲激光束。在一些实施例中,其可以为红外线束。例如是波长为850nm左右的红外线束。红外线为非可见光,其透过云雾的能力比可见光强。因此,通过采用红外线,能够屏蔽可见光带来的视觉干扰,而且能够显著地增强云状高光带的特征。即便在人眼无法识别烟雾的情况下,能够通过云状高光带的方式提前指示烟雾的存在。在一些实施例中,具有预定波段的激光束为单一波长的脉冲激光束,单一波长属于预定波段,脉冲激光束的脉冲频率高于摄像装置的采样频率,滤光片的中心波长为单一波长的窄带滤光片。通过采用单一波长的脉冲激光束,能够有效降低激光的功率和连续照射时间(例如使得连续照射时间不超过400毫秒),进而能够扩大系统100的适用场景的范围。在一些实施例中,激光单元140的波长以及最大输出激光功率符合1类等级的激光的要求,不会造成人身危害。
关于滤光片,在一些实施例中,其可以为窄带滤光片。滤光片的特性是允许预定波段的光信号通过,而偏离这个波段以外的光信号被阻止。窄带滤光片的通带相对来说比较窄,例如为中心波长值(即通带中心波长)的5%以下。窄带滤光片的通带设置为与激光单元所发射的激光束的波段相适应,例如,当所发射的激光为波长为850nm左右的红外线时,窄带滤光片的通带中心波长例如选择为850nm。在上述方案中,通过将滤光片配置通带中心波长为单一波长的窄带滤光片,能够更好地屏蔽其他视觉干扰。进一步提高识别烟雾的可靠性。
在框204处,基于视频图像中的多帧图像,确定多帧图像中的运动区域。确定运动区域的方式包括多种。例如,计算装置120可以基于背景建模算法来确定多帧图像中的运动区域。上述背景为拍摄区域中静止不动的对象。由于摄像装置110静止不动,因此摄像装置110所获取的拍摄区域的视频图像中的每帧图像的每个像素点都有一个对应的背景值。在一段时间内,该背景值是相对固定的。在拍摄区域中着火点150所产生大量的烟152是运动的。因此由预定波段的激光束154照射在漂浮烟雾颗粒上而形成云状高光带也是运动的。因此,可以先提取拍摄区域的背景,再基于背景建模确定所采集视频图像的多帧图像中的运动区域,进而确定所确定的运动区域是否与云状高光带相关联。
背景建模方式可以包括多种,在一些实施例中,计算装置120可以通过帧间差分模型、背景统计模型、基于码本的背景模型和基于高斯的背景模型中的任一算法模型来确定运动区域。后文将结合图3详细说明确定运动区域的示例性方式。在此将不再赘述。通过采用背景建模的手段,能够将对多个序列图像帧中的所有像素划分为背景像素和运动区域(即前景)像素,进而能够比较简单地确定运动区域。
在框206处,计算装置120基于运动区域的特征,确定拍摄区域是否包括烟雾。可以通过多种方式来确定拍摄区域是否包括烟雾。例如,由于着火点150所产生的漂浮烟雾颗粒在空气中做布朗运动,因此由预定波段的激光照射在着火点所产生的漂浮烟雾颗粒上时所形成云状高光带也是一直运动的,而且该云状高光带的运动特征不同于一般运动对象的特征。因此,计算装置120可以基于运动区域的特征来确定运动区域是否带有烟雾运动的特点。例如,因烟雾颗粒在空气中的不规则运动,导致云状高光带的边缘轮廓和或面积体现出不规则的变化。因此,在一些实施例中,运动区域的特征至少与运动区域的边缘轮廓和面积中的至少一项的变化相关联。例如,计算装置120可以基于运动区域的边缘轮廓特征来确定所确定的运动区域是否与云状高光带相关联,上述边缘轮廓特征例如包括以下至少一项:边缘轮廓的周长与边缘轮廓所包围的面积之间的比例;以及边缘轮廓的长与宽之间的比例。即利用烟雾轮廓的不规则性,通过确定运动区域边缘轮廓特征是否也带有不规则性,来识别拍摄区域是否包括烟雾。例如,如果确定运动区域边缘轮廓特征也具有不规则性,则确定拍摄区域包括烟雾。
在一些实施例中,计算装置120也可以基于梯度方向直方图(HOG特征)来确定拍摄区域是否包括烟雾。在计算机视觉以及数字图像处理中,梯度方向直方图是一种基于形状边缘特征而对物体进行检测的描述算子。其可以利用梯度信息很好的反映图像目标的边缘信息并通过局部梯度的大小将图像局部的外观和形状特征化。例如,计算装置120可以计算和统计图像的梯度方向直方图来构成运动区域的特征。由于局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述,因此由梯度方向直方图来构成的运动区域的特征对图像几何和光学的形变都能保持很好的不变性。进而能够准确识别拍摄区域是否包括烟雾。在一些实施例中,计算装置120可以首先检测运动区域的边缘轮廓,然后确定边缘轮廓中每一段的垂线,以及计算该垂线与边缘轮廓法向线之间的角度特征,基于法向线数量与角度的关联关系来形成梯度方向直方图,以构成运动区域的特征。进而基于边缘轮廓梯度方向直方图的变化规律而来确定拍摄区域是否包括烟雾。在上述方案中,通过基于梯度方向直方图来确定拍摄区域是否包括烟雾能够进一步减少光照(例如阳光)以及背景等因素对识别结果的影响。
在一些实施例中,计算装置120也可以基于支持向量机(简称SVM)二类分类模型,来确定拍摄区域是否包括烟雾。在一些实施例中,计算装置120也可以基于深度学习分类模型,来确定拍摄区域是否包括烟雾。后文将结合图5详细说明基于深度学习分类模型来确定烟雾的方式。在此将不再赘述。
在框208处,当计算装置120确定拍摄区域包括烟雾,生成报警信号,以便报警装置进行报警。在一些实施例中,报警装置例如是声光报警装置。
在上述方案中,通过带有滤光片的摄像装置110获取具有预定波段的激光束154照射拍摄区域的视频图像,能够实现在着火时,着火点150产生的漂浮烟雾颗粒会在预定波段的激光照射下产生云状高光带,再透过滤光片112仅采集预定激光波长段的视觉特征,进而很好地屏蔽其他视觉干扰。由于着火点150产生的漂浮烟雾颗粒具有布朗运动特点,因此云状高光带也具有不同于一般运动对象的运动特点,因此通过识别所采集视频图像的多帧图像中的运动区域,并且基于该运动区域的特征来确定拍摄区域是否包括烟雾,能够实现高可靠性识别云状高光带的存在,进而及时并且高可靠性地对室外或者室内的空间较大场景进行烟火报警,而不需要等待烟雾飘至烟雾感测器的位置处。
图3示出了根据本公开的实施例的用于确定运动区域的方法300的流程图。在图3中,各个动作例如由图1中用于烟雾报警的系统100中的计算装置120执行。应当理解,方法300还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在框302处,计算装置120基于视频图像中的多帧图像,确定背景帧。在一些实施例中,背景帧例如是基于预定时间段内所获取的视频图像中的多帧图像的平均值而确定。在上述方案中,通过计算预定时间段内的多帧图像的平均值,可以将不经常出现的运动对象过滤掉。例如,拍摄区域是建筑物的过道,过道上偶尔有人走过,或者有光线照射。大部分时间过道上无人通过,或者大部分时间过道上绝大部分对象是静止的。通过计算预定时间段内(例如24小时)的过道序列图像帧的平均值,可以生成关于该过道的背景帧。在一些实施例中,计算装置120可以首先计算预定时间段内所获得图像帧的其他统计数据,例如平均差分、标准差、均值漂移值等,然后基于上述统计数据确定背景帧。
在框304处,计算装置120确定视频图像中的当前帧的像素与背景帧的相对应像素之间的变化量。该变化量可能指示了存在运动对象。该运动对象例如是走过前述过道的人,或者是着火点150所产生的烟152。
在框306处,计算装置120确定变化量是否大于预定阈值。预定阈值可以预先设定。
在框306处,响应于确定变化量大于预定阈值,确定当前帧的像素为运动区域像素,以用于确定运动区域。
在上述方案中,通过基于当前帧图像与背景帧之间的变化量来确定运动区域,能够有效地确定运动区域。以及通过基于预定时间段内的多帧图像的统计数据(例如平均值)来确定背景帧,能够避免偶尔出现的运动物体对背景帧像素的干扰。进而提高识别运动区域的准确性。
以下结合图4说明基于码本的背景模型来确定运动区域的方法400。图4示出了根据本公开的实施例的用于确定运动区域的方法400的流程图。在图4中,各个动作例如由图1中用于烟雾报警的系统100中的计算装置120执行。应当理解,方法400还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在框402处,计算装置120基于视频图像的图像帧的每个像素在时间轴上的变动,建立包容预定时间间隔内所有变动的变动范围。在框404处,确定当前帧的当前像素是否超出该变动范围。在框406处,响应于确定当前帧的当前像素超出对应变化范围,确定当前像素为运动区域像素。在框408处,响应于确定当前帧的当前像素没有超出对应变化范围,确定当前像素为背景帧像素。
在一些实施例中,计算装置120还可以基于高斯分布的背景模型来确定运动区域。在高斯模型中,像素之间的颜色信息互不相关,对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点,其值在序列图像帧中的变化可看作是不断产生像素值的随机过程,即利用高斯分布来描述每个像素点的颜色呈现规律。例如,计算装置120可以基于单高斯模型或混合高斯模型来确定运动区域。
在一些实施例中,计算装置120可以基于单高斯模型来确定运动区域。例如,将图像帧中每一个像素点的颜色值看成是一个随机过程,并假设该点的像素值出现的概率服从高斯分布。对于背景帧上的每一个像素点的像素值,其满足以下公式(1)。
在上述公式(1)中,G(x,y)代表当前图像帧G上的像素点(x,y)的像素值。δ代表该像素高斯分布的方差,B(x,y)代表该像素高斯分布的均值。T代表预定常数阈值。(x,y)代表当前图像帧上的每一个像素点。在一些实施例中,在计算装置120确定当前图像帧的像素为运动区域像素与背景帧像素时,如果确定该像素点的像素值大于T,则确认该像素为背景帧像素,否则为运动区域像素。
在一些实施例中,计算装置120可以根据以下公式(2)对背景帧进行更新。
Bt(x,y)=p*Bt-1(x,y)+(1-p)*Gt(x,y) (2)
在上述公式(2)中,Gt(x,y)代表t时刻该像素的像素值。Bt(x,y)代表t时刻该像素高斯分布的均值。Bt-1(x,y)代表t-1时刻该像素高斯分布的均值。P为一个常数,用来反映背景更新率,P越大,背景更新的越慢。基于单高斯背景建模来确定运动区域的方式适于有微小变化与缓慢变化特点的拍摄区域。
在一些实施例中,计算装置120可以基于混合高斯模型来确定运动区域。混合高斯模型是单高斯模型的推广,混合高斯模型是用多个高斯模型作为一个像素位置的模型,使得模型在多模态背景中具有鲁棒性。
以下结合图5说明基于深度学习分类来确定拍摄区域是否包括烟雾的方式。图5示出了根据本公开的实施例的用于确定拍摄区域包括烟雾的方法500的流程图。在图5中,各个动作例如由图1中用于烟雾报警的系统100中的计算装置120执行。应当理解,方法500还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在框502处,计算装置120可以基于分类模型,提取运动区域的特征,分类模型经由对多个训练样本的机器学习而生成。关于多个训练样本的生成方式,在一些实施例中,计算装置120可以基于运动区域的位置,裁剪包含运动区域的多帧图像,以生成与运动区域相关联的多个运动对象图像;以及基于多个运动对象图像,生成多个用于训练分类模型的训练样本。
在框504处,计算装置120基于所提取的特征,确定运动区域是否指示云状高光带,云状高光带是由激光束照射烟火或粉尘所形成的漂浮烟雾上而形成的。
在框506处,响应于运动区域指示云状高光带,确定拍摄区域包括烟雾。
在一些实施例中,计算装置120可以基于建立在深度残差网络结构ResNet50或者ResNet101的基础上的分类模型来确定拍摄区域是否包括烟雾。以便减少随着网络的加深而出现了训练集准确率下降带来的影响。
图6示意性示出了适于用来实现本公开实施例的电子设备600的框图。设备600可以用于实现图1的计算装置120。如图所示,设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令,来执行各种适当的动作和处理。在RAM603中,还可存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元601执行上文所描述的各个方法和处理,例如执行方法200、300、400和500。例如,在一些实施例中,方法200、300、400可被实现为计算机软件程序,其被存储于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由CPU 601执行时,可以执行上文描述的方法200、300、400和500的一个或多个操作。备选地,在其他实施例中,CPU 601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200、300、400和500的一个或多个动作。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上仅为本公开的可选实施例,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等效替换、改进等,均应包含在本公开的保护范围之内。
Claims (14)
1.一种用于烟雾报警的方法,包括:
经由摄像装置,获取拍摄区域的视频图像,所述拍摄区域由激光单元所发射的具有预定波段的激光束照射,所述摄像装置配置有允许所述预定波段的激光通过的滤光片,其中所述激光为红外线;
基于所述视频图像中的多帧图像,确定所述多帧图像中的运动区域;
基于所述运动区域的特征,确定所述拍摄区域是否包括烟雾,所述运动区域的特征至少与所述运动区域的边缘轮廓和面积中的至少一项的变化相关联;以及
响应于确定所述拍摄区域包括烟雾,生成报警信号,以便报警装置进行报警。
2.根据权利要求1所述的方法,其中所述具有预定波段的激光束为单一波长的脉冲激光束,所述单一波长属于所述预定波段,所述脉冲激光束的脉冲频率高于所述摄像装置的采样频率,所述滤光片的通带中心波长为所述单一波长的窄带滤光片。
3.根据权利要求1所述的方法,其中基于所述运动区域的特征确定所述拍摄区域是否包括烟雾包括:
基于分类模型,提取所述运动区域的特征,所述分类模型经由对多个训练样本的机器学习而生成;
基于所提取的所述特征,确定所述运动区域是否指示云状高光带,所述云状高光带是由所述激光照射由烟火或粉尘所形成的漂浮烟雾上而形成的;以及
响应于所述运动区域指示云状高光带,确定所述拍摄区域包括烟雾。
4.根据权利要求1所述的方法,其中基于所述运动区域的特征确定所述拍摄区域是否包括烟雾包括:
基于运动区域的边缘轮廓特征来确定所确定的运动区域是否与云状高光带相关联,所述云状高光带是由所述激光束照射烟火或粉尘所形成的漂浮烟雾上而形成的,所述边缘轮廓特征包括以下至少一项:
所述边缘轮廓的周长与所述边缘轮廓所包围的面积之间的比例;以及
所述边缘轮廓的长与宽之间的比例。
5.根据权利要求2所述的方法,其中所述摄像装置至所述拍摄区域的预定位置处的方向相对于所述激光单元至所述拍摄区域的预定位置处的方向成预定角度,所述脉冲激光束具有预定发散角。
6.根据权利要求1所述的方法,其中确定所述多帧图像中的运动区域包括:
基于所述视频图像中的多帧序列图像,确定背景帧;
确定所述视频图像中的当前帧的像素与所述背景帧的相对应像素之间的变化量;
确定所述变化量是否大于预定阈值;以及
响应于确定所述变化量大于预定阈值,确定所述当前帧的所述像素为运动区域像素,以用于确定所述运动区域。
7.根据权利要求6所述的方法,其中所述背景帧是基于预定时间段内所获取的视频图像中的所述多帧序列图像的平均值而确定。
8.根据权利要求1所述的方法,还包括:
基于所述运动区域的位置,裁剪包含所述运动区域的多帧图像,以生成与所述运动区域相关联的多个运动对象图像;
基于所述多个运动对象图像,生成多个用于训练所述分类模型的训练样本。
9.一种用于烟雾报警的装置,所述装置包括:
存储器,被配置为存储一个或多个程序;
处理单元,耦合至所述存储器并且被配置为执行所述一个或多个程序使所述装置执行根据权利要求1-8中任一所述的方法的步骤。
10.一种非瞬态计算机可读存储介质,其上存储有机器可执行指令,所述机器可执行指令在被执行时使机器执行根据权利要求1-8中任一项所述的方法的步骤。
11.一种用于烟雾报警的设备,包括:
激光单元,用于发射具有预定波段的激光束,以便照射拍摄区域,其中所述激光束为红外线束;
摄像装置,用于获取所述拍摄区域的视频图像,所述摄像装置配置有允许所述预定波段的所述激光通过的滤光片;
处理单元,用于基于所述视频图像中的多帧图像,确定所述多帧图像中的运动区域,以及基于所述运动区域的特征,确定所述拍摄区域是否包括烟雾,所述运动区域的特征至少与所述运动区域的边缘轮廓和面积中的至少一项的变化相关联;以及
报警装置,用于响应于检测到所述处理单元的报警信号,进行报警,所述报警信号由所述处理单元响应于确定所述拍摄区域包括烟雾而生成。
12.根据权利要求11所述的设备,其中所述激光单元包括:
激光发射源,用于发射具有单一波长的脉冲激光束,所述单一波长属于所述滤光片的通带,所述脉冲激光束的脉冲频率高于所述摄像装置的采样频率,所述滤光片为通带中心波长为所述单一波长的窄带滤光片;以及
光学元件,用于使得所述脉冲激光束以预定发散角发射。
13.根据权利要求11所述的设备,其中所述特征包括运动区域的边缘轮廓特征,所述边缘轮廓特征包括以下至少一项:
所述边缘轮廓的周长与所述边缘轮廓所包围的面积之间的比例;以及
所述边缘轮廓的长与宽之间的比例。
14.根据权利要求11所述的设备,其中确定所述拍摄区域是否包括烟雾包括:
基于所述运动区域的边缘轮廓特征,确定所述运动区域是否指示云状高光带,所述云状高光带是由所述激光束照射由烟火或粉尘所形成的漂浮烟雾上而形成的,所述激光为红外线;以及
响应于所述运动区域指示云状高光带,确定所述拍摄区域包括烟雾。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910904767.XA CN112634577B (zh) | 2019-09-24 | 2019-09-24 | 用于烟雾报警的方法和设备 |
PCT/CN2020/117128 WO2021057790A1 (zh) | 2019-09-24 | 2020-09-23 | 用于确定烟雾的方法和设备 |
US17/763,194 US20220292829A1 (en) | 2019-09-24 | 2020-09-23 | Method and device for determining smoke |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910904767.XA CN112634577B (zh) | 2019-09-24 | 2019-09-24 | 用于烟雾报警的方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634577A CN112634577A (zh) | 2021-04-09 |
CN112634577B true CN112634577B (zh) | 2022-07-26 |
Family
ID=75165557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910904767.XA Active CN112634577B (zh) | 2019-09-24 | 2019-09-24 | 用于烟雾报警的方法和设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220292829A1 (zh) |
CN (1) | CN112634577B (zh) |
WO (1) | WO2021057790A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932817B (zh) * | 2020-08-03 | 2022-01-25 | 上海理工大学 | 一种火灾探测预警系统及方法 |
CN115223105B (zh) * | 2022-09-20 | 2022-12-09 | 万链指数(青岛)信息科技有限公司 | 基于大数据的风险信息监控分析方法及系统 |
CN116091959B (zh) * | 2022-11-21 | 2024-03-22 | 武汉坤达安信息安全技术有限公司 | 基于全天候烟火的双光联动识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1427253A (zh) * | 2001-12-21 | 2003-07-02 | 中国科学技术大学 | 一种吸气式激光图像感烟火灾探测方法和装置 |
CN103606241A (zh) * | 2013-11-21 | 2014-02-26 | 中国科学技术大学 | 立体多角度激光烟雾散射测量装置 |
CN105588792A (zh) * | 2016-03-23 | 2016-05-18 | 中国科学技术大学 | 一种基于片光源的二维烟雾浓度场测量装置 |
CN107633212A (zh) * | 2017-08-30 | 2018-01-26 | 清华大学苏州汽车研究院(吴江) | 一种基于视频图像的烟火检测方法和装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1271444A1 (de) * | 2001-06-22 | 2003-01-02 | Siemens Building Technologies AG | Video-Rauchdetektionssystem und Verfahren zu dessen Überprüfung |
CA2883638C (en) * | 2004-11-12 | 2017-06-20 | Xtralis Technologies Ltd | Particle detector, system and method |
WO2008037293A1 (de) * | 2006-09-25 | 2008-04-03 | Siemens Schweiz Ag | Detektion von rauch mit einer videokamera |
CN101751744B (zh) * | 2008-12-10 | 2011-08-31 | 中国科学院自动化研究所 | 一种烟雾检测和预警方法 |
CN101908141B (zh) * | 2010-08-04 | 2014-05-07 | 丁天 | 一种基于混合高斯模型和形态特征的视频烟雾检测方法 |
CN101916372B (zh) * | 2010-09-08 | 2012-12-26 | 大连古野软件有限公司 | 基于视频的多特征融合的烟检测装置和方法 |
JP2012073099A (ja) * | 2010-09-28 | 2012-04-12 | Nohmi Bosai Ltd | 煙検出装置 |
CN102693603B (zh) * | 2012-06-26 | 2014-06-04 | 山东神戎电子股份有限公司 | 一种基于双光谱的森林防火智能监控系统 |
CN104050478A (zh) * | 2014-07-09 | 2014-09-17 | 湖南大学 | 烟雾检测方法与系统 |
CN104181162B (zh) * | 2014-09-01 | 2016-08-17 | 西南交通大学 | 基于激光片光技术的三维烟雾扫描重构装置 |
CN104807784B (zh) * | 2015-05-14 | 2017-09-08 | 西安近代化学研究所 | 推进剂烟雾遮蔽能力外场测试装置及方法 |
CN104954744A (zh) * | 2015-06-12 | 2015-09-30 | 深圳市佳信捷技术股份有限公司 | 烟雾检测系统 |
CN107230329B (zh) * | 2017-06-15 | 2020-04-03 | 深圳市泰和安科技有限公司 | 一种火灾探测器的标定方法、装置及设备 |
-
2019
- 2019-09-24 CN CN201910904767.XA patent/CN112634577B/zh active Active
-
2020
- 2020-09-23 WO PCT/CN2020/117128 patent/WO2021057790A1/zh active Application Filing
- 2020-09-23 US US17/763,194 patent/US20220292829A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1427253A (zh) * | 2001-12-21 | 2003-07-02 | 中国科学技术大学 | 一种吸气式激光图像感烟火灾探测方法和装置 |
CN103606241A (zh) * | 2013-11-21 | 2014-02-26 | 中国科学技术大学 | 立体多角度激光烟雾散射测量装置 |
CN105588792A (zh) * | 2016-03-23 | 2016-05-18 | 中国科学技术大学 | 一种基于片光源的二维烟雾浓度场测量装置 |
CN107633212A (zh) * | 2017-08-30 | 2018-01-26 | 清华大学苏州汽车研究院(吴江) | 一种基于视频图像的烟火检测方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于CCD 成像的多角度激光散射探测技术;詹福如等;《火灾科学》;20020131;第11卷(第1期);第52-56页 * |
Also Published As
Publication number | Publication date |
---|---|
US20220292829A1 (en) | 2022-09-15 |
CN112634577A (zh) | 2021-04-09 |
WO2021057790A1 (zh) | 2021-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112634577B (zh) | 用于烟雾报警的方法和设备 | |
US10429289B2 (en) | Particle detection | |
EP2118864B1 (en) | Behavioral recognition system | |
CN112016414A (zh) | 一种检测高空抛物事件的方法、装置及楼面智能监控系统 | |
Cheong et al. | Practical automated video analytics for crowd monitoring and counting | |
CN111724558B (zh) | 一种监控方法、装置及入侵报警系统 | |
PT1628260E (pt) | Processo e dispositivo para a detecção automática de fogos florestais | |
Ko et al. | Survey of computer vision–based natural disaster warning systems | |
KR20130032856A (ko) | 영상 감시 장치 및 영상 감시 방법 | |
KR101454644B1 (ko) | 보행자 추적기를 이용한 서성거림을 탐지하는 방법 | |
CN111694064A (zh) | 处理系统 | |
JP2010015469A (ja) | 静止領域検出方法とその装置、プログラム及び記録媒体 | |
CN114973564A (zh) | 一种无光照条件下的远距离人员入侵检测方法以及装置 | |
CN114120171A (zh) | 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质 | |
US20220035003A1 (en) | Method and apparatus for high-confidence people classification, change detection, and nuisance alarm rejection based on shape classifier using 3d point cloud data | |
AU2018282480B2 (en) | Particle detection | |
Jeong et al. | Thermal imaging fire detection algorithm with minimal false detection | |
CN113627343A (zh) | 一种行人身高检测方法、装置、设备及可读存储介质 | |
JP2016103246A (ja) | 画像監視装置 | |
CN113033355A (zh) | 一种基于密集输电通道的异常目标识别方法和装置 | |
CN212781269U (zh) | 一种基于人体感应的自助查验通道防尾随检测系统 | |
JP7219820B2 (ja) | 空間検知システム、および空間検知方法 | |
Toreyin et al. | Shadow detection using 2D cepstrum | |
CN117523318B (zh) | 一种抗光干扰的地铁屏蔽门异物检测方法、装置及介质 | |
Tripathi et al. | Automated Human Detection and Tracking for Surveillance Applications |
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 |