CN113706815A - 一种结合YOLOv3和光流法的车辆火灾识别方法 - Google Patents
一种结合YOLOv3和光流法的车辆火灾识别方法 Download PDFInfo
- Publication number
- CN113706815A CN113706815A CN202111015075.3A CN202111015075A CN113706815A CN 113706815 A CN113706815 A CN 113706815A CN 202111015075 A CN202111015075 A CN 202111015075A CN 113706815 A CN113706815 A CN 113706815A
- Authority
- CN
- China
- Prior art keywords
- flame
- fire
- vehicle
- optical flow
- yolov3
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000003287 optical effect Effects 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种结合YOLOv3和光流法的车辆火灾识别方法,所述方法为:制作训练样本集,使样本集内包括多种常见的目标;训练权重模型,配置YOLOv3网络模型参数,将训练样本集代入,离线训练YOLOv3网络模型,生成权重模型;进行单帧图像火焰检测,采集车辆实时图像输入权重模型,输出检测结果,判断是否存在真实火焰和干扰因素;对连续图像序列进行火灾识别,通过光流法统计火焰区域的光流信息,统计疑似区域内火焰整体运动方向,判断火灾真实性。本发明解决了车辆火灾识别精度低、误差大的问题。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种结合YOLOv3和光流法的车辆火灾识别方法。
背景技术
近年来在轨道车辆中火灾事件频频发生,造成严重的人员伤亡和经济损失,因此火灾早期预警极为重要。目前广泛应用的火灾探测器主要是传统的感温探测器、感烟探测器等。感温探测器主要通过感温元件探测环境的温度,通过单个或多个阈值判断火灾的发生。感烟探测器通过探测环境中烟雾颗粒的浓度,超过一定阈值判定火警。这些探测器算法相对简单,在应用中存在一定的局限或误报情况。
图像最能无损的反映真实的信息,通过视频图像能够在火灾发生早期识别火灾,及时采取应对措施,保证人身财产安全。YOLOv3是深度学习领域的一种目标检测框架,因其多尺度特征检测、检测精度高、速度快的特点在目标检测应用中备受关注。客流密集、空间小是轨道车辆的特点,传统的运动目标检测方法受到客流干扰,当火灾发生时无法准确提取动态目标,同时特征提取的计算量也大大增加。YOLOv3网络框架一次搜索即可实现目标识别,不仅能够提取底层特征(颜色、纹理等),而且可以提取到深层特征,对于目标检测有很好的检测精度。但是在轨道车辆中,由于光源干扰、火灾安全宣传片等因素可能会影响YOLOv3的检测结果,导致精度下降。
发明内容
为此,本发明提供一种结合YOLOv3和光流法的车辆火灾识别方法,以解决车辆火灾识别精度低、误差大的问题。
为了实现上述目的,本发明提供如下技术方案:
本发明公开了一种结合YOLOv3和光流法的车辆火灾识别方法,所述方法为:
制作训练样本集,使样本集内包括多种常见的目标;
训练权重模型,配置YOLOv3网络模型参数,将训练样本集代入,离线训练YOLOv3网络模型,生成权重模型;
进行单帧图像火焰检测,采集车辆实时图像输入权重模型,输出检测结果,判断是否存在真实火焰和干扰因素;
对连续图像序列进行火灾识别,通过光流法统计火焰区域的光流信息,统计疑似区域内火焰整体运动方向,判断火灾真实性。
进一步地,所述训练样本集内包括三类目标:真实火焰样本、显示器样本和光源样本;
所述真实火焰样本包括在实际应用环境下不同光线、角度、火源的采集的火焰图像,以及网络公开样本集,从中筛选火焰样本;
所述显示器样本由于一般车辆中都有显示器设备,若播放火灾安全宣传片,容易造成误报,对显示器现实的火焰样本进行采集;
所述光源样本包括多种车辆周边的光源类型,车灯光源、车内部照明灯光源、装饰灯光源均在光源样本内。
进一步地,所述真实火焰样本、显示器样本和光源样本通过labelImg软件进行样本标记,生成标注文件。
进一步地,所述训练权重模型的方法为:
通过对训练样本集采用k-means聚类算法得到9种尺度的先验框,可以检测大中小不同尺度的目标;
准备离线训练,配置YOLOv3网络模型参数,调整训练类别数、先验框、迭代次数;
利用标注文件和训练样本集,开始离线训练YOLOv3网络模型,生成权重模型。
进一步地,所述权重模型经过不断迭代,待误差损失收敛到最小值,从而得到最优权重模型。
进一步地,所述单帧图像火焰检测方法为:
通过摄像头采集车辆实时图像;
将采集的实时图像输入训练好的权重模型;
权重模型判断单帧图像内是否存在真实火焰、显示器显示的火焰或者光源;
排除干扰因素,输出检测分析结果。
进一步地,所述连续图像序列进行火灾识别方法为:
累计多帧检测到火焰的连续图像;
计算输入图像的光流场,然后对光流场进行阈值分割,形态学去噪,提取连通域;
统计火焰区域的光流信息,包括运动方向和运动速度;
受车辆上空调影响,火焰运动的方向会倾向同一方向,短时间内火焰运动幅度不大的特点,判断是否有火灾发生。
本发明具有如下优点:
本发明公开了一种结合YOLOv3和光流法的车辆火灾识别方法,针对车辆特定场景,设计三种训练样本集,其中真实火焰样本和光源样本两类训练,可以抑制火焰过拟合;设计显示器火焰类目标,可以降低误报率;通过YOLOv3模型提取火焰深层和浅层静态特征,通过光流法对多帧检测到火焰的连续图像进行分析,结合随时间变化火焰的动态特征,综合分析识别火灾。提升火焰识别精度,准确判断是否有真实火灾发生。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种结合YOLOv3和光流法的车辆火灾识别方法的流程图;
图2为本发明实施例提供的一种结合YOLOv3和光流法的车辆火灾识别方法的测试原图;
图3为本发明实施例提供的一种结合YOLOv3和光流法的车辆火灾识别方法火焰识别结果示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
实施例
本实施例公开了一种结合YOLOv3和光流法的车辆火灾识别方法,所述方法为:
制作训练样本集,使样本集内包括多种常见的目标;
训练权重模型,配置YOLOv3网络模型参数,将训练样本集代入,离线训练YOLOv3网络模型,生成权重模型;
进行单帧图像火焰检测,采集车辆实时图像输入权重模型,输出检测结果,判断是否存在真实火焰和干扰因素;
对连续图像序列进行火灾识别,通过光流法统计火焰区域的光流信息,统计疑似区域内火焰整体运动方向,判断火灾真实性。
训练样本集内包括三类目标:真实火焰样本、显示器样本和光源样本;
所述真实火焰样本包括在实际应用环境下不同光线、角度、火源的采集的火焰图像,以及网络公开样本集,从中筛选火焰样本;
所述显示器样本由于一般车辆中都有显示器设备,若播放火灾安全宣传片,容易造成误报,对显示器现实的火焰样本进行采集;
所述光源样本包括多种车辆周边的光源类型,车灯光源、车内部照明灯光源、装饰灯光源均在光源样本内。
制作三类训练图像样本集:fire、tvmonitor和light,全部为RGB图像,图像大小任意。tvmonitor和light两类用于排除干扰,降低模误报率和过拟合。
训练权重模型的方法为:
设置YOLOv3网络模型参数,样本类数K=3,迭代次数10000,图像分辨率归一化为416×416×3;
(1)假设图像A传入YOLOv3网络模型经过特征提取,得到3个尺度的特征图 S×S,S表示格网数分别是13,26,52。
(2)将特征图变换维度为 S×S×{B×(5+C)}的张量。B表示待选预测框的个数,5表示预测框的中心点坐标、宽高(x、y、w、h)偏移量和置信度confidence的预测,K表示对K个类别的预测概率。
(3)计算Yolov3网络模型的损失函数Loss,由预测框的坐标中心和宽高的误差(loss coordinate )、置信度误差(loss confidence )和分类误差(loss classes )三部分加权得到的,λ coordinate 为坐标权重系数:
坐标误差包括中心误差和宽高误差采用欧几里得距离表示:
其中I ij obj表示第i个格网中第j个候选框负责目标,若负责I ij obj=1,否则,I ij obj=0;、、、分别表示第i个格网中第j个候选框目标坐标中心和宽高的真值,、、、分别表示第i个格网中第j个候选框目标坐标中心和宽高的预测值。
置信度误差采用二分交叉熵表示,包含两部分:当前格网负责目标和不负责目标的置信度误差:
分类误差同样采用二分交叉熵:
(4)更新权重,进行误差反向传播,将误差通过网络向后流动。通过对Loss求导来实现:假设网络第l层输出为Z (l),Z (l)=f(W (l)),W (l)表示权重。置信度、分类概率和坐标中心x和y都是通过激活函数Sigmoid得到:。因此置信度权重更新梯度:
其中C r l 表示网络第l层第r个特征图的置信度,W r l con 表示网络第l层第r个特征图的置信度权重。
分类误差权重更新梯度为:
其中P r l (k)表示网络第l层第r个特征图第k类目标的预测概率,W r l (k)表示网络第l层第r个特征图第k类目标预测概率的权重。
坐标误差权重更新梯度为:
其中x r l ,y r l ,w r l ,h r l 表示在网络第l层第r个特征图的预测目标框的坐标中心和宽高向量,、、、表示在网络第l层第r个特征图目标框坐标中心和宽高的真值向量,W r l 网络第l层第r个特征图的目标框坐标权重。
经过不断迭代,待误差损失收敛到最小值,从而得到最优权重模型。
在完成最优权重模型训练后,进行单帧图像火焰检测;
通过摄像头采集车辆实时图像;
将图像和训练得到的权重模型一起代入YOLOv3网络结构,得到目标预测框。若检测出fire目标,则进行将其保留,然后进行下一帧检测;若同时存在tvmonitor和fire两类,判断两目标的相对位置关系,采用测度为两目标的交并比,A表示tvmonitor检测框,B表示fire检测框。若fire和tvmonitor的IOU>0.9,则判定为未发生火警;否则,将当前图像保留,进入下一帧检测;
在单帧图像火焰检测过程中,将显示器样本和光源样本的干扰因素进行排除,判断不存在真实火焰时则再次采集实时图像,存在真实火焰时,判断是否存在显示器,不存在显示器则保留连续图像序列,存在显示器则判断是否存在火焰图像,不存在火焰图像则保留连续图像序列,存在火焰图像则说明存在干扰,再次采集实时图像。
连续图像序列进行火灾识别方法为:
累计多帧检测到火焰的连续图像;当连续5帧检测到fire目标时,计算帧间的光流信息。将前后两帧图像作为输入,调用opencv库中calcOpticalFlowFarneback函数稠密光流法通过二次多项式拟合稠密光流得到每个像素点的光流信息(在水平方向偏移量h和垂直方向的偏移量v)。通过光流信息,根据三角形定理计算出每个像素点的运动方向θ=arctan(v / h),运动距离。运动方向按上下左右4个方向计算,定义θ在(45°,135°]区间方向为上,在(135°,225°]区间方向为右,在(225°,315°]区间方向为下,在(315°,360°]和[0°,45°]区间方向为左。统计疑似区域整体运动方向,若疑似区域运动方向整体趋势一致且运动距离d在[2,10]之间,则判定为火灾。
本实施例公开了一种结合YOLOv3和光流法的车辆火灾识别方法,针对车辆特定场景,设计三种训练样本集,其中真实火焰样本和光源样本两类训练,可以抑制火焰过拟合;设计显示器火焰类目标,可以降低误报率;通过YOLOv3模型提取火焰深层和浅层静态特征,通过光流法对多帧检测到火焰的连续图像进行分析,结合随时间变化火焰的动态特征,综合分析识别火灾。提升火焰识别精度,准确判断是否有真实火灾发生。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (7)
1.一种结合YOLOv3和光流法的车辆火灾识别方法,其特征在于,所述方法为:
制作训练样本集,使样本集内包括多种常见的目标;
训练权重模型,配置YOLOv3网络模型参数,将训练样本集代入,离线训练YOLOv3网络模型,生成权重模型;
进行单帧图像火焰检测,采集车辆实时图像输入权重模型,输出检测结果,判断是否存在真实火焰和干扰因素;
对连续图像序列进行火灾识别,通过光流法统计火焰区域的光流信息,统计疑似区域内火焰整体运动方向,判断火灾真实性。
2.如权利要求1所述的一种结合YOLOv3和光流法的车辆火灾识别方法,其特征在于,所述训练样本集内包括三类目标:真实火焰样本、显示器样本和光源样本;
所述真实火焰样本包括在实际应用环境下不同光线、角度、火源的采集的火焰图像,以及网络公开样本集,从中筛选火焰样本;
所述显示器样本由于一般车辆中都有显示器设备,若播放火灾安全宣传片,容易造成误报,对显示器现实的火焰样本进行采集;
所述光源样本包括多种车辆周边的光源类型,车灯光源、车内部照明灯光源、装饰灯光源均在光源样本内。
3.如权利要求2所述的一种结合YOLOv3和光流法的车辆火灾识别方法,其特征在于,所述真实火焰样本、显示器样本和光源样本通过labelImg软件进行样本标记,生成标注文件。
4.如权利要求1所述的一种结合YOLOv3和光流法的车辆火灾识别方法,其特征在于,所述训练权重模型的方法为:
通过对训练样本集采用k-means聚类算法得到9种尺度的先验框,可以检测大中小不同尺度的目标;
准备离线训练,配置YOLOv3网络模型参数,调整训练类别数、先验框、迭代次数;
利用标注文件和训练样本集,开始离线训练YOLOv3网络模型,生成权重模型。
5.如权利要求4所述的一种结合YOLOv3和光流法的车辆火灾识别方法,其特征在于,所述权重模型经过不断迭代,待误差损失收敛到最小值,从而得到最优权重模型。
6.如权利要求1所述的一种结合YOLOv3和光流法的车辆火灾识别方法,其特征在于,所述单帧图像火焰检测方法为:
通过摄像头采集车辆实时图像;
将采集的实时图像输入训练好的权重模型;
权重模型判断单帧图像内是否存在真实火焰、显示器显示的火焰或者光源;
排除干扰因素,输出检测分析结果。
7.如权利要求1所述的一种结合YOLOv3和光流法的车辆火灾识别方法,其特征在于,所述连续图像序列进行火灾识别方法为:
累计多帧检测到火焰的连续图像;
计算输入图像的光流场,然后对光流场进行阈值分割,形态学去噪,提取连通域;
统计火焰区域的光流信息,包括运动方向和运动速度;
受车辆上空调影响,火焰运动的方向会倾向同一方向,短时间内火焰运动幅度不大的特点,判断是否有火灾发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015075.3A CN113706815B (zh) | 2021-08-31 | 2021-08-31 | 一种结合YOLOv3和光流法的车辆火灾识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015075.3A CN113706815B (zh) | 2021-08-31 | 2021-08-31 | 一种结合YOLOv3和光流法的车辆火灾识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706815A true CN113706815A (zh) | 2021-11-26 |
CN113706815B CN113706815B (zh) | 2022-03-04 |
Family
ID=78658207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111015075.3A Active CN113706815B (zh) | 2021-08-31 | 2021-08-31 | 一种结合YOLOv3和光流法的车辆火灾识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706815B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253333A (zh) * | 2023-11-20 | 2023-12-19 | 深圳市美安科技有限公司 | 一种火灾摄像检测装置、火灾检测报警方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091072A (zh) * | 2019-11-29 | 2020-05-01 | 河海大学 | 一种基于YOLOv3的火焰及浓烟检测方法 |
CN112132090A (zh) * | 2020-09-28 | 2020-12-25 | 天地伟业技术有限公司 | 一种基于yolov3的烟火自动检测预警方法 |
CN112149583A (zh) * | 2020-09-27 | 2020-12-29 | 山东产研鲲云人工智能研究院有限公司 | 烟雾检测方法、终端设备及存储介质 |
CN112487994A (zh) * | 2020-12-01 | 2021-03-12 | 上海鸢安智能科技有限公司 | 一种烟火检测方法及系统、存储介质及终端 |
CN113052055A (zh) * | 2021-03-19 | 2021-06-29 | 浙江工业大学 | 一种基于光流改进与Yolov3的烟雾检测方法 |
-
2021
- 2021-08-31 CN CN202111015075.3A patent/CN113706815B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091072A (zh) * | 2019-11-29 | 2020-05-01 | 河海大学 | 一种基于YOLOv3的火焰及浓烟检测方法 |
CN112149583A (zh) * | 2020-09-27 | 2020-12-29 | 山东产研鲲云人工智能研究院有限公司 | 烟雾检测方法、终端设备及存储介质 |
CN112132090A (zh) * | 2020-09-28 | 2020-12-25 | 天地伟业技术有限公司 | 一种基于yolov3的烟火自动检测预警方法 |
CN112487994A (zh) * | 2020-12-01 | 2021-03-12 | 上海鸢安智能科技有限公司 | 一种烟火检测方法及系统、存储介质及终端 |
CN113052055A (zh) * | 2021-03-19 | 2021-06-29 | 浙江工业大学 | 一种基于光流改进与Yolov3的烟雾检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253333A (zh) * | 2023-11-20 | 2023-12-19 | 深圳市美安科技有限公司 | 一种火灾摄像检测装置、火灾检测报警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113706815B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829398B (zh) | 一种基于三维卷积网络的视频中的目标检测方法 | |
Wen et al. | A novel automatic change detection method for urban high-resolution remotely sensed imagery based on multiindex scene representation | |
CN106874894B (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
CN106897670B (zh) | 一种基于计算机视觉的快递暴力分拣识别方法 | |
CN102803991B (zh) | 物体检测设备 | |
KR101350922B1 (ko) | 열화상 카메라를 사용한 객체 추적 방법 및 장치 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
CN105225226B (zh) | 一种基于图像分割的级联可变形部件模型目标检测方法 | |
CN103699905B (zh) | 一种车牌定位方法及装置 | |
CN106650600A (zh) | 一种基于视频图像分析的森林烟火检测方法 | |
CN106164980A (zh) | 信息处理装置以及信息处理方法 | |
CN110456320B (zh) | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 | |
CN107657244B (zh) | 一种基于多摄像机的人体跌倒行为检测系统及其检测方法 | |
CN105869146B (zh) | 基于显著性融合的sar图像变化检测方法 | |
CN112465880B (zh) | 基于多源异构数据认知融合的目标检测方法 | |
CN111950488B (zh) | 一种改进的Faster-RCNN遥感图像目标检测方法 | |
CN110298248A (zh) | 一种基于语义分割的多目标跟踪方法及系统 | |
CN106570490A (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
Sheng et al. | Automatic smoke detection based on SLIC-DBSCAN enhanced convolutional neural network | |
Qian et al. | Guided filter and convolutional network based tracking for infrared dim moving target | |
CN113706815B (zh) | 一种结合YOLOv3和光流法的车辆火灾识别方法 | |
CN113609895A (zh) | 基于改进Yolov3的获取道路交通信息方法 | |
CN116109950A (zh) | 一种低空域反无人机视觉检测、识别与跟踪方法 | |
Khoshboresh-Masouleh et al. | Robust building footprint extraction from big multi-sensor data using deep competition network | |
CN110738123B (zh) | 识别密集陈列商品的方法及其装置 |
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 |