CN113379781A - 图像处理方法和装置、存储介质及电子设备 - Google Patents
图像处理方法和装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113379781A CN113379781A CN202110867168.2A CN202110867168A CN113379781A CN 113379781 A CN113379781 A CN 113379781A CN 202110867168 A CN202110867168 A CN 202110867168A CN 113379781 A CN113379781 A CN 113379781A
- Authority
- CN
- China
- Prior art keywords
- target
- search
- segmentation
- image
- candidate
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像处理方法和装置、存储介质及电子设备。其中,该方法包括:获取在目标监测区域拍摄的目标图像,根据目标图像确定出目标直方图;在搜索点按照初始参数从初始位置开始在目标直方图的各个坐标位置中进行搜索的过程中,获取搜索点在当前位置的分割参数,并根据分割参数确定搜索点的候选位置;根据搜索点的候选位置确定目标位置;根据分割阈值从目标图像中分割出目标像素;对目标像素进行特征提取,并在提取到的目标像素的像素特征与已配置的火焰特征相匹配的情况下,触发火灾提示信息。本发明解决了由于图像分割阈值确定不准确导致的火灾监测结果不准确的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种图像处理方法和装置、存储介质及电子设备。
背景技术
随着建筑高度的增加和建筑结构的复杂化,如果出现例如火灾的意外,火灾的救援工作面临艰巨挑战。在相关技术中,室外火情报警大多采用包括热成像与红外结合的远距离森林防火设备。而室内火情报警大多采用烟雾报警器或感温型火灾探测器,烟雾报警器依赖于烟雾浓度达到一定浓度,并不利于火灾的预警,同时感温型火灾探测器对于使用环境的要求也比较多,也不适用火灾预警。
基于图像处理的火灾探测方法可以不受环境约束,图像监测的传感器通过光学镜头与外界的环境并不是采用直接接触的方式进行探测,这种形式的探测保证了火灾探测技术可以各种环境使用,与传统的火灾探测技术相比,基于图像处理的火灾探测方法更为直观和丰富,准确性也更高,而且能在火灾早期就可以识别并提醒提前预防。
基于红外成像的图像处理的火灾探测方法主要包括以下六个环节:图像获取、图像预处理、火焰图像分割、火焰图像特征提取、火焰跟踪、火焰识别。在整个探测方法的实现流程中,图像分割是关键步骤,将火焰图像完整且准确的从复杂的背景中分割出来是为后续任务提供保障的基础。因此,分割结果的准确性往往决定了整个探测结果的准确性。
在相关技术中,在目标像素过小、多目标及目标对比度低等复杂的场景时,容易造成因目标与背景分割的阈值确定不准确,分割效果不好,由此导致探测失败。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像处理方法和装置、存储介质及电子设备,以至少解决由于图像分割阈值确定不准确导致的火灾监测结果不准确的技术问题。
根据本发明实施例的一个方面,提供了一种基于图像的火灾监测方法,包括:获取在目标监测区域拍摄的目标图像,根据上述目标图像确定出目标直方图,其中,上述目标直方图用于表示上述目标图像包含的全部像素中灰度值和上述像素灰度值对应的梯度值为坐标位置的像素的概率分布;在搜索点按照初始参数从初始位置开始在上述目标直方图的各个坐标位置中进行搜索的过程中,获取上述搜索点在当前位置的分割参数,并根据上述分割参数确定上述搜索点的候选位置;根据上述搜索点的上述候选位置确定目标位置,其中,上述目标位置用于指示对上述目标图像进行图像分割的分割阈值;根据上述分割阈值从上述目标图像中分割出目标像素,其中,上述目标像素为用于表示火焰的像素;对上述目标像素进行特征提取,并在提取到的上述目标像素的像素特征与已配置的火焰特征相匹配的情况下,触发火灾提示信息,其中,上述火灾提示信息用于提示在上述目标监测区域出现火灾。
根据本发明实施例的另一方面,还提供了一种基于图像的火灾监测装置,包括:获取模块,用于获取在目标监测区域拍摄的目标图像,根据上述目标图像确定出目标直方图,其中,上述目标直方图用于表示上述目标图像包含的全部像素中像素灰度值和上述像素灰度值对应的梯度值为坐标位置的像素的概率分布;搜索模块,用于在搜索点按照初始参数从初始位置开始在上述目标直方图的各个坐标位置中进行搜索的过程中,获取上述搜索点在当前位置的分割参数,并根据上述分割参数确定上述搜索点的候选位置;确定模块,用于根据上述搜索点的上述候选位置确定目标位置,其中,上述目标位置用于指示对上述目标图像进行图像分割的分割阈值;分割模块,用于根据上述分割阈值从上述目标图像中分割出目标像素,其中,上述目标像素为用于表示火焰的像素;触发模块,用于对上述目标像素进行特征提取,并在提取到的上述目标像素的像素特征与已配置的火焰特征相匹配的情况下,触发火灾提示信息,其中,上述火灾提示信息用于提示在上述目标监测区域出现火灾。
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基于图像的火灾监测方法。
根据本发明实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过所述计算机程序执行上述的基于图像的火灾监测方法。
在本发明实施例中,采用在监测区域拍摄目标图像,在目标图像对应的目标直方图中通过搜索点的搜索,根据多个搜索点的候选位置确定目标图像对应的目标直方图中的目标位置,从而根据目标位置对应的分割阈值对目标图像进行分割以获取目标像素,对目标像素进行特征提取,在目标像素的特征与火焰特征匹配的情况下,确定发生火灾并触发火灾提示信息的方式,通过在目标直方图中搜索以确定目标图像分割目标像素的分割阈值,达到了提高目标图像分割阈值确定的准确性的目的,从而实现了基于分割阈值更准确分割出目标像素从而进行更准确的火灾监测的技术效果,进而解决了由于图像分割阈值确定不准确导致的火灾监测结果不准确的技术问题。
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可选的基于图像的火灾监测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基于图像的火灾监测方法的流程示意图;
图3是根据本发明实施例的一种可选的基于图像的火灾监测方法的流程示意图;
图4是根据本发明实施例的一种可选的基于图像的火灾监测方法的流程示意图;
图5是根据本发明实施例的一种可选的基于图像的火灾监测方法的流程示意图;
图6是根据本发明实施例的一种可选的基于图像的火灾监测方法的流程示意图;
图7是根据本发明实施例的一种可选的基于图像的火灾监测方法的流程示意图;
图8是根据本发明实施例的一种可选的基于图像的火灾监测装置的结构示意图;
图9是根据本发明实施例的一种可选的电子设备的结构示意图。
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。
对于本申请中涉及的技术用语进行解释说明:
红外成像:红外成像技术是一种被动的、非接触式的探测技术,其基本原理是通过将红外探测器接收到的场景(包括动静态目标和背景)的红外辐射映射成灰度值,得到可见图像。场景中辐射强度大的部分,在图像中反映为灰度值高的区域。
红外图像分割:红外图像分割是红外目标检测与识别领域研究中的一项重要内容。由于红外探测器受各种因素的干扰,使其探测到的目标在红外图像上呈现为对比度低、信噪比低、边缘模糊的目标,增加了检测识别目标的难度,所以精确完整地分割目标是红外目标检测识别的重点和关键所在。
模式识别:利用红外成像技术实现的目标检测、分割、识别和跟踪主要就是对红外图像背景及目标的灰度、位置和轮廓信息等特征进行分析,结合各种理论工具将目标从背景中分割出来,并提取相应的目标特征,再进行识别和跟踪。
火灾监测系统:火灾监测系统主要包括以下六个环节:图像获取、图像预处理、火焰图像分割、火焰图像特征提取、火焰跟踪、火焰识别。通过最后识别结果判定火灾是否存在,若存在则发出报警提醒。
根据本发明实施例的一个方面,提供了一种基于图像的火灾监测方法,可选地,上述基于图像的火灾监测方法可以但不限于应用于如图1所示的环境中。终端设备101通过网络110与处理器122实现数据交互。
终端设备101可以但不限于是位于目标监测区域的图像获取设备。终端设备101在目标监测区域拍摄目标图像,并将目标图像通过网络110发送给服务器122。服务器122中设置有数据库114和处理引擎116。服务器122将目标图像存储在数据库114中。处理引擎116从数据库114中获取目标图像,依次执行S102至S110,在目标图像中确定出目标直方图,在目标直方图中确定各个搜索点的初始位置与初始参数。在搜索点按照初始参数从初始位置开始在目标直方图的各个坐标位置中进行搜索的过程中,获取搜索点在当前位置的分割参数,并根据分割参数确定搜索点的候选位置。服务器112根据搜索点的候选位置确定目标位置,其中,目标位置用于指示对目标图像进行图像分割的分割阈值。根据分割阈值从目标图像中分割出目标像素,目标像素是用于表示火焰的像素。在分离出目标像素的情况下,对目标像素进行特征提取,并在提取到的目标像素的像素特征与已配置的火焰特征相匹配的情况下,触发火灾提示信息,火灾提示信息用于提示在目标监测区域出现火灾。在触发火灾提示信息的情况下,处理器122将出现火灾的监控结果通过网络110发送给终端设备102。
可选地,在本实施例中,上述终端设备102是配置有火灾监控功能客户端的设备,可以包括但不限于是:手机、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,也可以是具有火灾监控功能的监控设备,可以包括但不限于是监控摄像终端等。上述网络110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112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,或者是云服务器。上述仅是一种示例,本实施例中对此不作任何限定。
作为一种可选的实施方式,如图2所示,上述基于图像的火灾监测方法包括:
S202,获取在目标监测区域拍摄的目标图像,根据目标图像确定出目标直方图,其中,目标直方图用于表示目标图像包含的全部像素中灰度值和像素灰度值对应的梯度值为坐标位置的像素的概率分布;
S204,在搜索点按照初始参数从初始位置开始在目标直方图的各个坐标位置中进行搜索的过程中,获取搜索点在当前位置的分割参数,并根据分割参数确定搜索点的候选位置;
S206,根据搜索点的候选位置确定目标位置,其中,目标位置用于指示对目标图像进行图像分割的分割阈值;
S208,根据分割阈值从目标图像中分割出目标像素,其中,目标像素为用于表示火焰的像素;
S210,对目标像素进行特征提取,并在提取到的目标像素的像素特征与已配置的火焰特征相匹配的情况下,触发火灾提示信息,其中,火灾提示信息用于提示在目标监测区域出现火灾。
可选地,监测区域可以但不限于是根据监控图像拍摄范围划分的监测区域。目标图像可以但不限于是拍摄的监控图像经过预处理得到的图像。监控图像可以但不限于是红外热成像图像,预处理操作可以但不限于包括图像去燥,图像增强。
可选地,搜索点是用于在目标直方图中通过搜索查找目标位置的搜索单位。搜索点的数量可以但不限于是通过初始化过程预先设置的。每一个搜索点可以但不限于是独立进行搜索,从而通过增加搜索点的数量可以提高搜索效率,以提高确定目标位置的速度和效率。
可选地,目标直方图是目标图像中包含的像素点在对应灰度值和梯度值的概率分布。不限于是,获取目标图像中包含的像素点的灰度值和灰度值按照预设梯度设置对应的梯度值,计算与灰度值和梯度值对应的像素点在目标图像中的概率,以灰度值和梯度值为坐标位置,以对应的概率值为与坐标位置对应的数据构成目标直方图。
可选地,目标直方图可以但不限于是基于目标图像确定的灰度-梯度二维的直方图。以目标图像包含的像素点数为M×N,共有L个灰度值和对应的梯度值,nij为目标图像中灰度值为i、梯度值为j的像素点的个数,则根据目标图像确定出目标直方图可以是以灰度值为横坐标(X轴)、梯度值为纵坐标(Y轴)的二维坐标图,目标直方图中坐标位置(i,j)对应的数据pij可以表示为:
可选地,搜索点的初始位置可以但不限于是目标直方图包含的坐标位置中的任意一个,初始位置可以但不限于是为每个搜索点随机分配的。每个搜索点的初始位置均不相同,搜索点可以但不限于具备搜索记忆。搜索记忆可以但不限于记录搜索位置和搜索参数。搜索参数可以但不限于包括搜索速度。搜索位置包括搜索点历史搜索位置和当前所在位置,搜索速度包括搜索点的历史搜索速度和当前搜索速度。当前所在位置可以但不限于是根据历史搜索位置和当前搜索速度得到的,当前搜索速度可以但不限于是根据历史搜索速度和历史搜索位置得到的。初始参数可以但不限于包括初始搜索速度,是预先为搜索点设置的速度。在搜索点具备搜索记忆的情况下,搜索点可以但不限于具备不重复落点的特征。
可选地,搜索点按照初始参数从初始位置开始在目标直方图的各个坐标位置进行搜索的过程,可以但不限于是通过初始位置和初始搜索速度确定第二步位置和第二步搜索速度,通过第二步位置和第二步搜索速度确定第三步位置和第三步搜索速度……依次类推,是通过当前搜索位置和当前搜索速度进行下一步搜索的过程。
可选地,获取搜索点的当前位置的分割参数可以但不限于是在每个搜索位置时,获取当前搜索位置的分割参数,从而确定在搜索过程进行到当前搜索位置时搜索点的候选位置。
可选地,搜索点的搜索次数可以是通过初始化过程预先设置的。搜索点的次数可以但不限于是搜索点的搜索位置的挪动次数。搜索点的每一次搜索的结果可以但不限于是搜索点的搜索位置的更新。在每一次搜索后,可以但不限于更新搜索点的候选位置。每一个搜索点的搜索过程相互独立,但是全部搜索点的各自搜索次数可以是一致的。
可选地,目标位置可以但不限于是在全部搜索点的候选位置更新次数达到预设最大更新次数时,根据全部搜索点的候选位置确定目标位置。目标位置对应的分割阈值即为目标图像进行目标像素分割的分割阈值。
可选地,根据分割阈值将目标图像分割为目标像素和背景像素。背景像素是不包含火焰元素的像素。目标像素为可能包含火焰元素的像素。
可选地,根据图像分割结果进行特征提取,可以但不限于是将火焰特征作为标准特征对目标像素进行初步判断。初步判断可以但不限于是根据面积特征进行判断,根据形态特征进行判断。
可选地,以面积特征进行判断可以是根据面积区域内元素的波动。在火灾中,火焰燃烧会造成在一定区域内图像每帧的剧烈波动,而背景或者像是灯泡等发光体在区域内的波动较小。因此,根据一定面积内的波动特征进行提取,作为初步判断。
可选地,以形态特征进行判断可以是根据火焰的轮廓特征。灯光或其他发光物体,红外成像轮廓较为规则平整,火焰元素是无规则的跳动,边缘呈尖角状。因此,根据火焰的轮廓特征进行提取,作为初步判断。
可选地,初步判断之后可以但不限于是根据目标像素的多帧图像进行动态特征提取和静态特征提取。动态特征提取可以但不限于是以面积特征进行提取,以形态特征进行提取。
可选地,静态特征的提取可以但不限于是提取目标像素的直方图特征,纹理特征。
可选地,动态特征提取的基础可以是在目标图像分割时,利用灰度参数确定出的温度升高较快的目标像素,即根据灰度参数确定温度变化率从而确定目标阈值,分割出目标像素。
可选地,动态特征提取可以是温度升高的面积变化率。固定光源的高温区域是固定的,火灾的高温区域是会增大的。因此,将高温面积的变化率作为动态特征的提取可以提高火灾判断的准确性。
可选地,在提取出目标像素的动态特征和静态特征的情况下,可以但不限于是利用支持向量机(Support Vector Machine,SVM)算法根据目标像素的特征对目标像素对应的火焰进行分类,以得到特征匹配结果。
可选地,将动态特征和静态特征作为SVM算法的输入向量,从而进行火焰的分类识别,根据输出结果确定目标像素的特征是否与火焰特征匹配。在输出结果指示目标像素与火焰特征匹配的情况下,触发火灾提示信息,提示监测区域出现火灾灾情。
可选地,火灾提示信息可以但不限于由与目标监测区域中目标图像的拍摄终端连接的服务器的终端触发,可以但不限于发给监控拍摄设备的终端设备,指定的终端设备,广播给在目标监测区域的移动终端设备。
可选地,基于图像的火灾监测方法执行可以但不限于如图3所示。执行S302,获取监测区域拍摄的红外图像。在获取到红外图像的情况下,执行S304,对红外图像进行预处理,得到目标图像。在得到目标图像的情况下,执行S306,根据分割阈值从目标图像中分割出目标像素。具体地,确定用于目标位置搜索的搜索点数量、搜索点的更新次数,多个搜索点按照搜索参数更新搜索点的位置,从而确定目标图像对应的目标直方图的目标位置,将目标位置对应的阈值作为分割阈值。在得到目标像素的情况下,执行S308,提取目标像素的特征。在获取到目标像素的动态特征和静态特征的情况下,执行S310,利用分类算法识别目标像素的特征。根据目标像素的特征识别结果执行S312,判断是否发生火灾。在判断为是,即目标像素的特征与火焰特征匹配,监测区域出现火灾的情况下,执行S314,触发火灾提示信息。在S312判断为否,即目标像素的特征与火焰特征不匹配,监测区域没有出现火灾的情况下,继续进行火灾检测,可以但不限于是执行S302。
在本申请实施例中,采用在监测区域拍摄目标图像,在目标图像对应的目标直方图中通过搜索点的搜索,根据多个搜索点的候选位置确定目标图像对应的目标直方图中的目标位置,从而根据目标位置对应的分割阈值对目标图像进行分割以获取目标像素,对目标像素进行特征提取,在目标像素的特征与火焰特征匹配的情况下,确定发生火灾并触发火灾提示信息的方式,通过在目标图像中搜索以确定目标图像分割目标像素的分割阈值,达到了提高目标图像分割阈值确定的准确性的目的,从而实现了基于分割阈值更准确分割出目标像素从而进行更准确的火灾监测的技术效果,进而解决了由于图像分割阈值确定不准确导致的火灾监测结果不准确的技术问题。
作为一种可选的实施方式,如图4所示,上述获取搜索点在当前位置的分割参数包括:
S402,从目标直方图中读取与当前位置上的当前像素灰度值和梯度值对应的概率分布值;
S404,获取当前位置分别对应的类型参考值;
S406,基于概率分布值与类型参考值之间的比值,计算在当前位置的各个分割类型分别对应的类型概率;
S408,利用所述类型概率和预定方向构造对应分割类型的均值向量;
S410,将均值向量输入目标函数,以计算得到当前位置对应的分割参数。
可选的,搜索点对应的分割参数可以但不限于是搜索点在搜索过程中包含的每一个搜索点对应的分割参数。搜索点的位置始终位于目标图像包含的像素点中,搜索点对应的分割参数是搜索点对应的当前坐标的当前位置的分割参数。
可选地,概率分布值可以是目标直方图中灰度值和梯度值对应的概率值。例如上述的pij。
可选地,分割类型可以但不限于是用于指示目标图像分割的目标像素对应的目标类和背景像素对应的背景类。类型参考值可以是将当前位置作为目标图像的分割位置,从而计算得到的目标图像分割成目标类和背景类的概率。
可选地,以当前位置的坐标为(s,t),将灰度值i小于等于s且梯度值j小于等于t的像素划分为背景类,将灰度值i大于s或梯度值j大于t的像素划分为目标类为例,以背景类用B表示,目标类用T表示,背景类B和目标类T对应的类型参考值的计算方式分别可以表示为:
其中,s、t分别是当前位置的坐标数据对应的灰度值和梯度值。
可选地,类型概率可以但不限于是当前位置在分割类型中的比重。预设方向是根据类型概率构造向量时的设定方向,可以用于指示灰度值和梯度值在向量中的占有比重。
可选地,目标图像的总均值向量u,背景类和目标类的均值向量分别可以表示为:
可选地,目标函数可以表示为:
S(s,t)=PB×(uB-u)×(uB-u)T+PT×(uT-u)×(uT-u)T (5)
可选地,目标函数计算得到的数值作为当前位置对应的分割参数。
作为一种可选的实施方式,上述根据分割参数确定搜索点的候选位置包括:
将搜索点对应的分割参数中数值最大的分割参数对应的坐标位置确定为候选位置。
可选地,在两个分割类型的差别越大时,对应的离散度越大,此时的背景类和目标类的分割效果越好。因此,在多个搜索点中,以及每一个搜索点所历经的多个坐标位置中,是将多个分割参数中数值最大的分割参数对应的坐标位置确定为候选位置,即候选位置(s*,t*)可以表示为:
在本申请实施例中,根据目标图像确定目标直方图,从而利用目标函数计算分割参数,即确定用于分割图像的目标阈值的计算方式,提高目标阈值的计算准确性,以提高图像分割准确性,从而提高基于图像的火灾监测的准确性。
作为一种可选的实施方式,如图5所示,上述根据搜索点的候选位置确定目标位置包括:
S502,获取各个搜索点的搜索速度;
S504,根据搜索速度更新各个搜索点的候选位置,得到各个搜索点的候选目标位置;
S506,根据全部搜索点对应的候选目标位置确定目标位置。
可选地,各个搜索点可以但不限于是粒子群中包含的各个粒子对应的搜索点。粒子群中包含的粒子的搜索位置和搜索速度可以但不限于是按照大津(Otsu)算法进行更新。将搜索点的数量即粒子群中粒子的数量设置与上述灰度值i对应。以每个粒子i包含一个d维的搜索位置向量xi=(xi1,xi2,…xid)和搜索速度向量vi=(vi1,vi2,…vid),粒子i在搜索过程中,每一次搜索都会确定当前的候选位置向量pi=(pi1,pi2,…pid)。在每一次搜索后,下一次搜索开始时,粒子调整当前的搜索速度向量以实现搜索位置的调整。
可选地,在粒子搜索过程中,搜索速度和搜索位置的调整更新可以但不限于与初始化过程中的设置的参数相关。初始化过程中的设置的参数除了粒子的数量以及粒子的搜索次数之外,可以但不限于还包括,加速因子c,随机数r,惯性权重因子w。
可选地,在粒子群中各个粒子完成当前搜索并确定当前候选位置的情况下,可以但不限于获取粒子群的当前全局候选位置向量pg=(pg1,pg2,…pgd)。
可选地,获取各个搜索点的搜索速度可以但不限于是获取历史搜索速度向量,并配合历史搜索位置向量,以得到当前搜索速度向量。以当前要获取的是第t+1次搜索的搜索速度向量和搜索位置向量,历史搜索速度向量和历史搜索位置向量不限于包括第t次的搜索位置向量和搜索速度向量。第t+1次的搜索位置向量和搜索速度向量的调整更新可以但不限于依照以下方式:
vid(t+1)=wvid(t)+c1r1d(pid(t)-xid(t))+c2r2d(pgd(t)-xid(t)) (7)
xid(t+1)=xid(t)+vid(t+1) (8)
其中,c1,c2是加速因子,均是正常数;r1d,r2d为[0,1]中均匀分布的随机数,d为向量的维数;w是惯性权重因子;pid为粒子i的候选位置向量;pgd是全部粒子确定当前全局候选位置向量。
可选地,搜索速度向量的初始值即t为0时,可以但不限于是预设的初始搜索速度,搜索位置向量的初始值即t为0时,可以但不限于是预设的初始搜索位置。
在本申请实施例中,利用粒子群中的粒子作为搜索点进行各个粒子的候选位置搜索,并按照粒子群中粒子的搜素速度和搜索位置的更新方式对搜索点的搜索速度和搜索位置进行更新,优化了搜索点的搜索过程,减少盲目搜索造成的计算量以及搜索的不准确性,从而提高搜索效率,提高搜索准确性,从而提高目标位置的准确性,以达到准确分割目标图像,提高火灾监测准确性的效果。
作为一种可选的实施方式,上述根据搜索速度更新各个搜索点的候选位置,得到各个搜索点的候选目标位置包括:
利用调整参数对搜索速度进行调整,按照调整后的搜索速度对候选位置进行更新;
在更新次数达到更新阈值的情况下,将更新后的候选位置作为搜索点的候选目标位置。
可选地,利用调整参数对搜索速度进行调整,可以但不限于是利用调整参数更新搜索速度向量的更新方式。利用调整参数更新搜索速度向量的更新方式可以但不限于是对搜索速度向量进行求导的方式进行调整。
可选地,用α表示调整参数,t表示当前搜索次数,t-1、t-2、t-3分别表示第t-1次搜索、第t-2次搜索、第t-3次搜索,则当前搜索速度向量可以但不限于表示为:
其中,t≥3且为正整数。
可选地,在t<3时,按照上述公式(7)进行搜索速度向量的更新。
可选地,在上述惯性权重因子w=1的情况下,则搜索速度向量的更新可以表示为:
需要说明的是:上述公式(9)、公式(10)中的ν(t)与上述公式(7)和公式(8)中的νid(t)所指代的内容一致,均是粒子i在第t次的搜索速度向量,同理,ν(t+1)与νid(所指代的内容一致,也是粒子i的搜索速度向量。
可选地,在粒子的搜索次数达到最大搜索次数时,将获取到的当前搜索位置向量即更新后的粒子候选位置作为粒子的候选目标位置。
在本申请实施例中,利用调整参数对搜索速度向量的更新进行优化,调整了粒子搜索速度的更新方式,从而能够使得粒子搜索速度更新优化,从而优化搜索位置的更新,以更优化的方式得到目标位置,提高目标位置的准确性。
作为一种可选的实施方式,如图6所示,上述利用调整参数对搜索速度进行调整包括:
S602,获取调整参数和进化参数,其中,进化参数用于指示调整参数的进化趋势;
S604,利用进化参数对调整参数进行动态调整,得到目标调整参数;
S606,利用目标调整参数对搜索速度进行调整。
可选地,调整参数的进化趋势可以但不限于指示粒子平均搜索距离和平均搜索速度差异信息的平均进化状态趋势。平均进化趋势可以但不限于以平均进化状态差异表示。平均搜索距离可以指示粒子在搜索过程中的相邻搜索位置之间的距离的平均状态,平均搜索速度可以指示粒子在搜索。
可选地,对于粒子i,平均进化状态差异dis可以表示为:
可选地,平均搜索距离dix,平均搜索速度div可以表示为:
其中,N是粒子群中包含的粒子数量,D是向量维数。
可选地,进化参数fs可以表示为:
其中,dsmax为公式(11)中dis计算得到的最大数值,dsmin为公式(11)中dis计算得到的最小数值,dsg为公式(11)中dis计算得到的平均数值。
可选地,调整参数α可以表示为:
可选地,根据公式(15)计算得到的调整参数是与搜索次数无关的。
在本申请实施例中,利用与粒子群中全部粒子相关即全部搜索点相关的进化参数对粒子群的调整参数进行动态调整,从而使得每个搜索点在独立搜索过程中,能够更好的平衡全部搜索点的搜索过程,使得多个搜索点在独立搜索的基础上,结合全部搜索点的搜索过程使得最终基于全部搜索点确定的目标位置更加准确。
作为一种可选的实施方式,上述根据全部搜索点对应的候选目标位置确定目标位置包括:
获取全部搜索点对应的候选目标位置的分布情况;
在候选目标位置对称分布在中心位置两侧的情况下,将与中心位置距离小于目标阈值的候选目标位置确定为目标位置。
可选地,候选目标位置对称分布可以但不限于是全部搜索点的候选目标位置在空间对称分。在中心位置代表全部搜索点的全局最优位置的情况下,对称分布可以是候选目标位置平均分布在中心位置的两侧。
可选地,全局最优位置用于指示在目标直方图中最佳分割阈值对应的坐标位置。在存在候选目标位置与全局最优位置是同一坐标位置的情况下,全局最优位置即是目标位置。
可选地,在每一次搜索完成时,基于粒子空间对称分布原理,判断粒子群中的粒子的候选位置在全局最优位置的分布状态,在搜索过程中,通过粒子的搜索位置和搜索速度的调整更新使粒子的候选位置分布在全局最优位置的两侧。
可选地,目标阈值可以但不是根据候选目标位置与中心位置距离进行排序确定的差值。将介于候选目标位置与中心位置的距离差值的最小数值和第二最小数值之间的数值作为目标阈值。
在本申请实施例中,利用多个搜索点进行搜索以确定在多次搜索完成后,将搜索到的最优位置作为目标位置,以提升目标位置对应的分割阈值的准确性,从而提高图像分割的准确性,以解决火灾监测的准确性。
可选地,图像分割的执行流程可以但不限于如图7所示:
S702:粒子群初始化。设定在目标图像的灰度-梯度二维目标直方图中进行搜索,设置粒子个数为i,在目标直方图的范围内随机产生的初始搜索点的搜索位置和搜索速度分别为:((xi1(0),xi2(0)),(vi1(0),vi2(0)))。设置粒子的搜索次数为100,加速因子c1=c2=2,惯性权重因子w=1;
S704:获取目标函数。根据公式(1)至公式(5),将当前位置对应的数据输入到用于计算分割参数的目标函数中;
S706:获取各个粒子的候选位置。按照公式(6)计算当前搜索位置的分割参数,获取当前各个粒子的候选位置(pi1,pi2)和粒子群的全局候选位置(gi1,gi2);
S708:更新粒子的搜索位置和搜索速度。根据当前更新次数对应的速度更新方式,即公式(7)或公式(10)对搜索速度进行更新,根据公式(8)对搜索位置进行更新;
S710:粒子群中粒子分布。基于粒子空间对称分布原理,使粒子平均分布在全局最优位置的两侧,通过不断的更新各个粒子的候选位置使全局最优位置两侧的粒子数量保持均衡。
S712:判断当前更新次数是否达到最大更新次数。在判断为是,即当前更新次数达到最大更新次数的情况下,跳转至S714,在判断为否,即当前更新次数没有达到最大更新次数,则转到S706;
S714:将各个粒子的候选位置作为候选目标位置,并确定目标位置。将候选目标位置中与全局最佳位置的距离差值最小的作为目标位置;
S716:将目标位置作为目标图像的分割阈值对目标图像进行分割;
S718:输出分割得到的目标像素。
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另一个方面,还提供了一种用于实施上述基于图像的火灾监测方法的基于图像的火灾监测装置。如图8所示,该装置包括:
获取模块802,用于获取在目标监测区域拍摄的目标图像,根据目标图像确定出目标直方图,其中,目标直方图用于表示目标图像包含的全部像素中灰度值和像素灰度值对应的梯度值为坐标位置的像素的概率分布;
搜索模块804,用于在搜索点按照初始参数从初始位置开始在目标直方图的各个坐标位置中进行搜索的过程中,获取搜索点在当前位置的分割参数,并根据分割参数确定搜索点的候选位置;
确定模块806,用于根据搜索点的候选位置确定目标位置,其中,目标位置用于指示对目标图像进行图像分割的分割阈值;
分割模块808,用于根据分割阈值从目标图像中分割出目标像素,其中,目标像素为用于表示火焰的像素;
触发模块810,用于对目标像素进行特征提取,并在提取到的目标像素的像素特征与已配置的火焰特征相匹配的情况下,触发火灾提示信息,其中,火灾提示信息用于提示在目标监测区域出现火灾。
可选地,上述搜索模块804包括:
概率单元,用于从目标直方图中读取与当前位置上的当前像素灰度值和当前梯度值对应的概率分布值;
类型单元,用于根据计算在当前位置的分割类型分别对应的类型概率获取在当前位置,各个分割类型分别对应的类型参考值;
计算党员,用于基于概率分布值与类型参考值之间的比值,计算在当前位置的各个分割类型对应的类型概率;
向量单元,用于利用类型概率和预设方向构造对应分割类型的均值向量;
函数单元,用于将均值向量输入目标函数,以计算得到当前位置对应的分割参数。
可选地,上述搜索模块804包括:
赋值单元,用于将目标函数对应的计算结果的最大数值作为分割参数;
候选单元,用于将分割参数对应的坐标位置确定为候选位置。
可选地,上述确定模块806包括:
获取单元,用于获取各个搜索点的搜索速度;
更新单元,用于根据搜索速度更新各个搜索点的候选位置,得到各个搜索点的候选目标位置;
第二确定单元,用于根据全部搜索点对应的候选目标位置确定目标位置。
可选地,上述更新单元包括:
调整单元,用于利用调整参数对搜索速度进行调整,按照调整后的搜索速度对候选位置进行更新;
判断单元,用于在更新次数达到更新阈值的情况下,将更新后的候选位置作为搜索点的候选目标位置。
可选地,上述调整单元包括:
进化单元,用于获取调整参数和进化参数,其中,进化参数用于指示调整参数的进化趋势;
动态调整单元,用于利用进化参数对调整参数进行动态调整,得到目标调整参数;
第三确定单元,用于利用目标调整参数对搜索速度进行调整。
可选地,上述第二确定单元包括:
分布单元,用于获取全部搜索点对应的候选目标位置的分布情况;
策略单元,用于在候选目标位置对称分布在中心位置两侧的情况下,将与中心位置距离小于目标阈值的候选目标位置确定为目标位置。
在本申请实施例中,采用在监测区域拍摄目标图像,在目标图像对应的目标直方图中通过搜索点的搜索,根据多个搜索点的候选位置确定目标图像对应的目标直方图中的目标位置,从而根据目标位置对应的分割阈值对目标图像进行分割以获取目标像素,对目标像素进行特征提取,在目标像素的特征与火焰特征匹配的情况下,确定发生火灾并触发火灾提示信息的方式,通过在目标图像中搜索以确定目标图像分割目标像素的分割阈值,达到了提高目标图像分割阈值确定的准确性的目的,从而实现了基于分割阈值更准确分割出目标像素从而进行更准确的火灾监测的技术效果,进而解决了由于图像分割阈值确定不准确导致的火灾监测结果不准确的技术问题。
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基于图像的火灾监测方法的电子设备,该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图9所示,该电子设备包括存储器902和处理器904,该存储器902中存储有计算机程序,该处理器904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,上述电子设备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,获取在目标监测区域拍摄的目标图像,根据目标图像确定出目标直方图,其中,目标直方图用于表示目标图像包含的全部像素中灰度值和像素灰度值对应的梯度值为坐标位置的像素的概率分布;
S2,在搜索点按照初始参数从初始位置开始在目标直方图的各个坐标位置中进行搜索的过程中,获取搜索点在当前位置的分割参数,并根据分割参数确定搜索点的候选位置;
S3,根据搜索点的候选位置确定目标位置,其中,目标位置用于指示对目标图像进行图像分割的分割阈值;
S4,根据分割阈值从目标图像中分割出目标像素,其中,目标像素为用于表示火焰的像素;
S5,对目标像素进行特征提取,并在提取到的目标像素的像素特征与已配置的火焰特征相匹配的情况下,触发火灾提示信息,其中,火灾提示信息用于提示在目标监测区域出现火灾。
可选地,本领域普通技术人员可以理解,图9所示的结构仅为示意,其并不对上述电子设备的结构造成限定。例如,电子设备还可包括比图9中所示更多或者更少的组件(如网络接口等),或者具有与图9所示不同的配置。
其中,存储器902可用于存储软件程序以及模块,如本发明实施例中的基于图像的火灾监测方法和装置对应的程序指令/模块,处理器904通过运行存储在存储器902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,即实现上述的基于图像的火灾监测方法。存储器902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902可进一步包括相对于处理器904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902具体可以但不限于用于存储监测获取的目标图像等信息。作为一种示例,如图9所示,上述存储器902中可以但不限于包括上述基于图像的火灾监测装置中的获取模块802,搜索模块804,确定模块806,分割模块808,触发模块810。此外,还可以包括但不限于上述基于图像的火灾监测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906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906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906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,上述电子设备还包括:显示器908,用于显示上述目标图像和监测结果;和连接总线910,用于连接上述电子设备中的各个模块部件。
在其他实施例中,上述终端设备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。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述基于图像的火灾监测方面的各种可选实现方式中提供的方法。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,上述计算机可读的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,获取在目标监测区域拍摄的目标图像,根据目标图像确定出目标直方图,其中,目标直方图用于表示目标图像包含的全部像素中灰度值和像素灰度值对应的梯度值为坐标位置的像素的概率分布;
S2,在搜索点按照初始参数从初始位置开始在目标直方图的各个坐标位置中进行搜索的过程中,获取搜索点在当前位置的分割参数,并根据分割参数确定搜索点的候选位置;
S3,根据搜索点的候选位置确定目标位置,其中,目标位置用于指示对目标图像进行图像分割的分割阈值;
S4,根据分割阈值从目标图像中分割出目标像素,其中,目标像素为用于表示火焰的像素;
S5,对目标像素进行特征提取,并在提取到的目标像素的像素特征与已配置的火焰特征相匹配的情况下,触发火灾提示信息,其中,火灾提示信息用于提示在目标监测区域出现火灾。
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所述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,例如所述单元的划分,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。
所述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 (10)
1.一种基于图像的火灾监测方法,其特征在于,包括:
获取在目标监测区域拍摄的目标图像,根据所述目标图像确定出目标直方图,其中,所述目标直方图用于表示所述目标图像包含的全部像素中像素灰度值和所述像素灰度值对应的梯度值为坐标位置的像素的概率分布;
在搜索点按照初始参数从初始位置开始在所述目标直方图的各个坐标位置进行搜索的过程中,获取所述搜索点在当前位置的分割参数,并根据所述分割参数确定所述搜索点的候选位置;
根据所述搜索点的所述候选位置确定目标位置,其中,所述目标位置用于指示对所述目标图像进行图像分割的分割阈值;
根据所述分割阈值从所述目标图像中分割出目标像素,其中,所述目标像素为用于表示火焰的像素;
对所述目标像素进行特征提取,并在提取到的所述目标像素的像素特征与预设的火焰特征相匹配的情况下,触发火灾提示信息,其中,所述火灾提示信息用于提示在所述目标监测区域出现火灾。
2.根据权利要求1所述的火灾监测方法,其特征在于,所述获取所述搜索点在当前位置的分割参数包括:
从所述目标直方图中读取与所述当前位置上的当前像素灰度值和当前像素灰度值的梯度值对应的类型参考概率分布值;
获取在所述当前位置,各个分割类型分别对应的类型参考值;
基于所述概率分布值与所述类型参考值之间的比值,计算在所述当前位置的各个所述分割类型对应的类型概率;
利用所述类型概率和预设方向构造对应所述分割类型的均值向量;
将所述均值向量输入目标函数,计算得到所述当前位置对应的所述分割参数。
3.根据权利要求2所述的火灾监测方法,其特征在于,所述根据所述分割参数确定所述搜索点的候选位置包括:
将所述搜索点对应的所述分割参数中数值最大的分割参数对应的坐标位置确定为所述候选位置。
4.根据权利要求1所述的火灾监测方法,其特征在于,所述根据所述搜索点的所述候选位置确定目标位置包括:
获取各个所述搜索点的搜索速度;
根据所述搜索速度更新各个所述搜索点的所述候选位置,得到各个所述搜索点的候选目标位置;
根据全部所述搜索点对应的所述候选目标位置确定所述目标位置。
5.根据权利要求4所述的火灾监测方法,其特征在于,所述根据所述搜索速度更新各个所述搜索点的所述候选位置,得到各个所述搜索点的候选目标位置包括:
利用调整参数对所述搜索速度进行调整,按照调整后的所述搜索速度对所述候选位置进行更新;
在更新次数达到更新阈值的情况下,将更新后的所述候选位置作为所述搜索点的所述候选目标位置。
6.根据权利要求5所述的火灾监测方法,其特征在于,所述利用调整参数对所述搜索速度进行调整包括:
获取调整参数和进化参数,其中,所述进化参数用于指示所述调整参数的进化趋势;
利用所述进化参数对所述调整参数进行动态调整,得到目标调整参数;
利用所述目标调整参数对所述搜索速度进行调整。
7.根据权利要求4所述的火灾监测方法,其特征在于,所述根据全部所述搜索点对应的所述候选目标位置确定所述目标位置包括:
获取全部所述搜索点对应的所述候选目标位置的分布情况;
在所述候选目标位置对称分布在中心位置两侧的情况下,将与所述中心位置距离小于目标阈值的所述候选目标位置确定为所述目标位置。
8.一种基于图像的火灾监测装置,其特征在于,包括:
获取模块,用于获取在目标监测区域拍摄的目标图像,根据所述目标图像确定出目标直方图,其中,所述目标直方图用于表示所述目标图像包含的全部像素中像素灰度值和所述像素灰度值对应的梯度值为坐标位置的像素的概率分布;
搜索模块,用于在搜索点按照初始参数从初始位置开始在所述目标直方图的各个坐标位置中进行搜索的过程中,获取所述搜索点在当前位置的分割参数,并根据所述分割参数确定所述搜索点的候选位置;
确定模块,用于根据所述搜索点的所述候选位置确定目标位置,其中,所述目标位置用于指示对所述目标图像进行图像分割的分割阈值;
分割模块,用于根据所述分割阈值从所述目标图像中分割出目标像素,其中,所述目标像素为用于表示火焰的像素;
触发模块,用于对所述目标像素进行特征提取,并在提取到的所述目标像素的像素特征与已配置的火焰特征相匹配的情况下,触发火灾提示信息,其中,所述火灾提示信息用于提示在所述目标监测区域出现火灾。
9.一种计算机可读的存储介质,所述计算机可读的存储介质包括存储的程序,其特征在于,所述程序运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子设备,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7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110867168.2A CN113379781B (zh) | 2021-07-29 | 2021-07-29 | 基于图像的火灾监测方法和装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110867168.2A CN113379781B (zh) | 2021-07-29 | 2021-07-29 | 基于图像的火灾监测方法和装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379781A true CN113379781A (zh) | 2021-09-10 |
CN113379781B CN113379781B (zh) | 2023-04-07 |
Family
ID=77583074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110867168.2A Active CN113379781B (zh) | 2021-07-29 | 2021-07-29 | 基于图像的火灾监测方法和装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379781B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390280A (zh) * | 2013-07-26 | 2013-11-13 | 无锡信捷电气股份有限公司 | 基于灰度-梯度二维对称Tsallis交叉熵的快速阈值分割方法 |
CN105184802A (zh) * | 2015-09-30 | 2015-12-23 | 西安电子科技大学 | 一种图像处理的方法及装置 |
CN107093179A (zh) * | 2017-03-07 | 2017-08-25 | 北京环境特性研究所 | 针对广域空间的双波段火灾搜索定位方法 |
CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
US20190266731A1 (en) * | 2018-02-26 | 2019-08-29 | Abc Fintech Co., Ltd. | Image segmentation method and device |
CN111627181A (zh) * | 2020-06-28 | 2020-09-04 | 四川旷谷信息工程有限公司 | 融合多源参数及其梯度信息的综合管廊火灾预警方法 |
-
2021
- 2021-07-29 CN CN202110867168.2A patent/CN113379781B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390280A (zh) * | 2013-07-26 | 2013-11-13 | 无锡信捷电气股份有限公司 | 基于灰度-梯度二维对称Tsallis交叉熵的快速阈值分割方法 |
CN105184802A (zh) * | 2015-09-30 | 2015-12-23 | 西安电子科技大学 | 一种图像处理的方法及装置 |
CN107093179A (zh) * | 2017-03-07 | 2017-08-25 | 北京环境特性研究所 | 针对广域空间的双波段火灾搜索定位方法 |
US20190266731A1 (en) * | 2018-02-26 | 2019-08-29 | Abc Fintech Co., Ltd. | Image segmentation method and device |
CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
CN111627181A (zh) * | 2020-06-28 | 2020-09-04 | 四川旷谷信息工程有限公司 | 融合多源参数及其梯度信息的综合管廊火灾预警方法 |
Non-Patent Citations (2)
Title |
---|
杨姝等: "基于二维阈值向量分割的足迹边缘提取方法", 《东北大学学报(自然科学版)》 * |
杨家桂: "基于图像的火灾火焰探测技术研究与发展", 《大众科技》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379781B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10198823B1 (en) | Segmentation of object image data from background image data | |
US20210326624A1 (en) | Method, system and device for difference automatic calibration in cross modal target detection | |
US9646212B2 (en) | Methods, devices and systems for detecting objects in a video | |
US11295139B2 (en) | Human presence detection in edge devices | |
US11164329B2 (en) | Multi-channel spatial positioning system | |
US20200050871A1 (en) | Method and apparatus for integration of detected object identifiers and semantic scene graph networks for captured visual scene behavior estimation | |
KR101948569B1 (ko) | 라이다 센서 및 팬틸트줌 카메라를 활용한 비행체 식별 시스템 및 그 제어 방법 | |
KR102113813B1 (ko) | 정합 쌍을 이용한 신발 영상 검색 장치 및 방법 | |
CN106612385B (zh) | 视频检测方法和视频检测装置 | |
Hashemifar et al. | Augmenting visual SLAM with Wi-Fi sensing for indoor applications | |
US10341616B2 (en) | Surveillance system and method of controlling the same | |
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 | |
CN112381853A (zh) | 用于利用无线信号和图像来进行人员检测、跟踪和标识的装置和方法 | |
CN114973310A (zh) | 一种基于红外热成像的被动人体定位方法及系统 | |
KR101213255B1 (ko) | 영상처리와 무선 센서네트워크를 이용한 상황인지 시스템 및 그 방법 | |
WO2021233058A1 (zh) | 监控货架上的物品的方法、计算机和系统 | |
CN113379781B (zh) | 基于图像的火灾监测方法和装置、存储介质及电子设备 | |
CN114827464B (zh) | 一种基于移动摄像头的目标追踪方法及系统 | |
KR102250712B1 (ko) | 전자 장치 및 제어 방법 | |
CN111666441A (zh) | 确定人员身份类型的方法、装置和电子系统 | |
JP5586736B2 (ja) | 類似画像検索の結果表示装置及び類似画像検索の結果表示方法 | |
CN114882073A (zh) | 目标跟踪方法和装置,介质和计算机设备 | |
CN111738184B (zh) | 一种商品取放识别方法、装置、系统及设备 | |
CN111652158A (zh) | 目标对象的检测方法和装置、存储介质及电子装置 | |
CN113033247A (zh) | 一种图像识别方法及装置、计算机可读存储介质 |
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 |