CN113947744A - 基于视频的火灾图像检测方法、系统、设备及存储介质 - Google Patents
基于视频的火灾图像检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113947744A CN113947744A CN202111249365.4A CN202111249365A CN113947744A CN 113947744 A CN113947744 A CN 113947744A CN 202111249365 A CN202111249365 A CN 202111249365A CN 113947744 A CN113947744 A CN 113947744A
- Authority
- CN
- China
- Prior art keywords
- flame
- data set
- suspected
- position information
- video
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 97
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 9
- 230000003068 static effect Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 210000005036 nerve Anatomy 0.000 abstract 1
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种基于视频的火灾图像检测方法、系统、设备及存储介质,旨在解决保证火焰检测效果基础上,与火焰相近的静止和运动物体易产生误报的问题。首先构建正、负样本数据集,并训练卷积神经网络I作为火灾检测模型检测数据中是否存在“疑似火焰”,获取正、负样本分类数据集;利用运动检测判断“疑似火焰”是否运动;根据正、负样本分类数据集训练卷积神经II作为火焰误报分类模型来判断“疑似火焰”是否误报,从而在保证火焰检测效果的前提下降低误报次数。当分类结果为误报则继续处理下一帧图;当分类结果为火焰则表明发生火灾立即通知相关人员。本发明通过视频监控实时检测是否有火灾发生并标记火焰位置,早期预警火灾发生减轻火灾危害。
Description
技术领域
本发明属于图像处理领域,涉及一种基于视频的火灾图像检测方法、系统、设备及存储介质。
背景技术
火灾时一类严重危害人民生命财产安全的灾害,早期预警火灾能够避免火灾蔓延,一定程度上减轻火灾的危害。室内火灾预警多采用物理传感器,但是物理传感器无法有效完成户外的火灾检测。基于视频监控的图像型火灾检测技术是目前安全工程领域的重要研究方向。
目前的火灾检测包括两类方法:一类是从图像中提取火焰的颜色、形状等特征,用分类算法判断图像中是否有火焰,这类方法的稳定性和泛化能力差,对于火焰的检测效果较差,对于火焰相近的物体也容易误报;一类是物体检测技术,利用深度卷积神经网络直接判断图像中是否有火焰,这类方法对于火焰的检测效果较好,但是对于火焰相近的静止和运动物体都容易产生误报。能够在保证火焰检测效果的基础上,避免火焰相近的静止和运动物体产生误报的火灾检测方法还不存在。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种基于视频的火灾图像检测方法、系统、设备及存储介质,旨在解决现有火焰检测方法中能保证火焰检测效果的基础上,与火焰相近的静止物体或运动物体容易产生误报的缺陷性技术问题。
为了达到上述目的,本发明采用以下技术方案予以实现:
本发明提出的基于视频的火灾图像检测方法,包括:
构建正样本数据集和负样本数据集;
标注出正样本数据集中火焰的位置信息,并对火焰的位置信息进行截取,获取正样本分类数据集;
利用正样本数据集和正样本数据集中火焰的位置信息训练卷积神经网络I,将卷积神经网络I作为火焰检测模型用于检测负样本数据集中的“疑似火焰”,标注出“疑似火焰”的位置信息,再对“疑似火焰”的位置信息进行截取,获取负样本分类数据集;
利用正样本分类数据集和负样本分类数据集训练卷积神经网络II,将卷积神经网络II作为火焰误报分类模型;
采用火焰检测模型检测实时视频中的“疑似火焰”,再对“疑似火焰”实现运动检测,标注出运动的“疑似火焰”的位置信息,对运动的“疑似火焰”的位置信息进行截取,根据火焰误报分类模型判断“疑似火焰”是火焰或误报。
优选地,正样本数据集为火焰图片,负样本数据集为非火焰图片。
优选地,采用人工标注方式标注正样本数据集中火焰的位置信息;采用物体检测方法训练卷积神经网络I。
优选地,采用背景差分方法对“疑似火焰”实现运动检测。
优选地,根据火焰误报分类模型判断“疑似火焰”的情况:
当“疑似火焰”的分类结果为误报,则继续处理下一帧画面;
当“疑似火焰”的分类结果为火焰,则发出火灾警报。
优选地,采用图像分类方法训练卷积神经网络II。
本发明提出的基于视频的火灾图像检测方法的检测系统,包括:
数据集构建模块,所述数据集构建模块用于构建正样本数据集和负样本数据集;
正样本分类数据集构建模块,所述正样本分类数据集构建模块用于标注出正样本数据集中火焰的位置信息,并对火焰的位置信息进行截取,获取正样本分类数据集;
负样本分类数据集构建模块,所述负样本分类数据集构建模块用于利用正样本数据集和正样本数据集中火焰的位置信息训练卷积神经网络I,将卷积神经网络I作为火焰检测模型用于检测负样本数据集中的“疑似火焰”,标注出“疑似火焰”的位置信息,再对“疑似火焰”的位置信息进行截取,获取负样本分类数据集;
火焰误报分类模型构建模块,所述火焰误报分类模型构建模块用于利用正样本分类数据集和负样本分类数据集训练卷积神经网络II,将卷积神经网络II作为火焰误报分类模型;
实时视频检测模块,所述实时视频检测模块用于采用火焰检测模型检测实时视频中的“疑似火焰”,再对“疑似火焰”实现运动检测,标注出运动的“疑似火焰”的位置信息,对运动的“疑似火焰”的位置信息进行截取,根据火焰误报分类模型判断“疑似火焰”是火焰或误报。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行计算机程序时实现基于视频的火灾图像检测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现基于视频的火灾图像检测方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明提出的一种基于视频的火灾图像检测方法,不仅能够根据构建的正样本数据集和正样本数据集中火焰的位置信息训练卷积神经网络I获取火焰检测模型,检测样本数据中是否存在“疑似火焰”,而且还能根据运动检测判断“疑似火焰”是否是运动物体,并进一步根据获取的正样本分类数据集和负样本分类数据集训练卷积神经网络II获取火焰误报分类模型,来判断运动的“疑似火焰”是真正的火焰图片还是出现了误报情况,从而在保证火焰检测效果的前提下,降低误报次数。解决了现有技术中火焰检测方法在保证火焰检测效果的基础上火焰相近的静止和运动物体容易产生误报的缺陷性问题。
进一步地,采用物体检测方法能够对目标物体进行种类判别和位置确定,判断当前的实时画面中是否存在“疑似火焰”。
进一步地,背景差分法检测运动目标速度快,检测准确,易于实现,其关键是背景图像的获取。在实际应用中,静止背景是不易直接获得的,同时,由于背景图像的动态变化,需要通过视频序列的帧间信息来估计和恢复背景,即背景重建。因此需要构建一个背景差分模型,不断更新计算找到实时摄像画面中的运动像素点。采用背景差分方法对“疑似火焰”的位置区域进行运动检测,判断是否是运动物体。
进一步地,采用图像分类模型判断“疑似火焰”的位置区域进行火焰和误报的分类识别。
本发明提出的一种基于视频的火灾图像检测系统,采用模块化思想实现正样本数据和负样本数据的火灾检测,当哪个模块出现问题时能单独管理,模块之间相互独立且互不影响。
附图说明
图1为本发明的火灾图像检测方法流程图;
图2为本发明进行火灾检测建模和实时检测流程图;
图3为本发明采集的部分正样本和负样本图;
图4为本发明实现火焰图像检测方法的检测效果图。
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。
下面结合附图对本发明做进一步详细描述:
本发明提出的一种基于视频的火灾图像检测方法,包括三个部分:
1)用物体检测方法判断当前的实时画面中是否存在“疑似火焰”,并用长方形标记其位置区域;
2)如果存在“疑似火焰”,用背景差分方法对“疑似火焰”的位置区域进行运动检测,判断该区域是否是运动物体;
3)如果是运动物体,将该区域的图像区域裁剪并输入到图像分类模型中,判断该区域是“火焰”还是“误报”。如果检测到火焰,立即进行火灾报警并通知相关人员。
本发明提出的一种基于视频的火灾图像检测方法,如图1所示,操作步骤如下:
S01、构建正样本数据集和负样本数据集;
S02、标注出正样本数据集中火焰的位置信息,并对火焰的位置信息进行截取,获取正样本分类数据集;
利用正样本数据集和正样本数据集中火焰的位置信息训练卷积神经网络I,将卷积神经网络I作为火焰检测模型用于检测负样本数据集中的“疑似火焰”,标注出“疑似火焰”的位置信息,再对“疑似火焰”的位置信息进行截取,获取负样本分类数据集;
S03、利用正样本分类数据集和负样本分类数据集训练卷积神经网络II,将卷积神经网络II作为火焰误报分类模型用于判断“疑似火焰”是火焰或误报;
S04、利用火焰检测模型对实时视频进行检测,如果检测到“疑似火焰”,再对“疑似火焰”进行运动检测,标注出运动的“疑似火焰”的位置信息,进一步对运动的“疑似火焰”的位置信息进行截取,利用火焰误报分类模型判断“疑似火焰”是火焰还是误报,如果判断出“火焰”,则进行火灾报警。
一种基于视频的火灾图像检测方法,如图2所示,具体实现步骤如下:
步骤S01:离线建模阶段,收集火焰图片和包括灯光、安全帽、人员、栏杆、雨伞、树木、日月、车辆、标志牌等在内的非火焰图片,非火焰图片可以按照不同场景的实际需求进行收集,火焰图片作为正样本,非火焰图片作为负样本,构建正样本数据集和负样本数据集,如图3所示,(a)、(b)和(c)均为正样本数据,(d)、(e)和(f)均为负样本数据。
步骤S02:通过人工标注的方式,用长方形标记正样本数据集的火焰图片在每张图片中的位置,如图3中(a)、(b)和(c)所示的白色矩形框。
对步骤S01中的正样本数据集,用步骤S02的位置信息进行截取,作为正样本分类数据集;
利用正样本数据集和正样本数据集中火焰的位置信息,根据物体检测方法训练一个卷积神经网络I用于火焰检测。该卷积神经网络I作为火焰检测模型,能够检测输入图片中是否存在“疑似火焰”,若存在“疑似火焰”用长方形标记其所在区域。
物体检测方法包括YOLO、Faster-RCNN等所有物体检测方法,物体检测方法能够对目标物体进行种类判别和位置确定。
对步骤S01中的负样本数据集,用火焰检测模型进行处理,得到“疑似火焰”的长方形误报区域并进行截取,作为负样本分类数据集。
步骤S03:利用正样本分类数据集和负样本分类数据集,根据图像分类方法训练一个卷积神经网络II用于火焰和误报的分类判断。该卷积神经网络II作为火焰误报分类模型,能够判断“疑似火焰”区域是火焰还是误报,从而在保证火焰检测效果的前提下,降低误报次数。
本发明提出的一种基于视频的火灾图像检测方法,在实时应用阶段,通过视频流采集实时摄像画面,将视频流推送到计算服务器,进行后续步骤的火灾检测计算。
具体的,用步骤S02的火焰检测模型处理实时摄像画面,检测画面中是否存在“疑似火焰”,如果不存在“疑似火焰”,表示当前摄像画面中正常,继续处理下一帧画面;如果存在“疑似火焰”,表示当前摄像画面中可能发生火灾,需要通过进一步判断是火灾还是误报。
利用背景差分方法进行“疑似火焰”的长方形区域内的运动检测。
背景差分法是采用图像序列中的当前帧和背景参考模型比较来检测运动物体的一种方法,其性能依赖于所使用的背景建模技术。背景差分法检测运动目标速度快,检测准确,易于实现,其关键是背景图像的获取。在实际应用中,静止背景是不易直接获得的,同时,由于背景图像的动态变化,需要通过视频序列的帧间信息来估计和恢复背景,即背景重建。因此需要构建一个背景差分模型,不断更新计算找到实时摄像画面中的运动像素点。
通过统计“疑似火焰”的长方形区域内的运动像素点比例,“疑似火焰”的长方形区域内的运动像素点比例低于10%表示该物体是静止物体,一定不是火焰;“疑似火焰”的长方形区域内的运动像素点比例高于10%,可以判定为运动物体,需要进一步判断是火灾还是误报。
将“疑似火焰”的长方形区域截取后输入到步骤S03中的火焰误报分类模型,通过计算判断该区域是火焰还是误报。如果分类成误报,则继续处理下一帧画面;如果分类成火焰,如图4所示,(a)、(b)和(c)所示的白色矩形框表示的即为发生火灾的情况,则表明摄像画面中的场景发生了火灾,立即进行火灾报警并通知相关人员。
本发明提出的一种基于视频的火灾图像检测方法的检测系统,包括:
数据集构建模块,所述数据集构建模块用于构建正样本数据集和负样本数据集;
正样本分类数据集构建模块,所述正样本分类数据集构建模块用于标注出正样本数据集中火焰的位置信息,并对火焰的位置信息进行截取,获取正样本分类数据集;
负样本分类数据集构建模块,所述负样本分类数据集构建模块用于利用正样本数据集和正样本数据集中火焰的位置信息训练卷积神经网络I,将卷积神经网络I作为火焰检测模型用于检测负样本数据集中的“疑似火焰”,标注出“疑似火焰”的位置信息,再对“疑似火焰”的位置信息进行截取,获取负样本分类数据集;
火焰误报分类模型构建模块,所述火焰误报分类模型构建模块用于利用正样本分类数据集和负样本分类数据集训练卷积神经网络II,将卷积神经网络II作为火焰误报分类模型;
实时视频检测模块,所述实时视频检测模块用于采用火焰检测模型检测实时视频中的“疑似火焰”,再对“疑似火焰”实现运动检测,标注出运动的“疑似火焰”的位置信息,对运动的“疑似火焰”的位置信息进行截取,根据火焰误报分类模型判断“疑似火焰”是火焰或误报。
本发明一实施例提供的终端设备,该实施例的终端设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。
所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。
所述终端设备集成的模块/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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (9)
1.基于视频的火灾图像检测方法,其特征在于,包括:
构建正样本数据集和负样本数据集;
标注出正样本数据集中火焰的位置信息,并对火焰的位置信息进行截取,获取正样本分类数据集;
利用正样本数据集和正样本数据集中火焰的位置信息训练卷积神经网络I,将卷积神经网络I作为火焰检测模型用于检测负样本数据集中的“疑似火焰”,标注出“疑似火焰”的位置信息,再对“疑似火焰”的位置信息进行截取,获取负样本分类数据集;
利用正样本分类数据集和负样本分类数据集训练卷积神经网络II,将卷积神经网络II作为火焰误报分类模型;
采用火焰检测模型检测实时视频中的“疑似火焰”,再对“疑似火焰”实现运动检测,标注出运动的“疑似火焰”的位置信息,对运动的“疑似火焰”的位置信息进行截取,根据火焰误报分类模型判断“疑似火焰”是火焰或误报。
2.根据权利要求1所述的基于视频的火灾图像检测方法,其特征在于,正样本数据集为火焰图片,负样本数据集为非火焰图片。
3.根据权利要求1所述的基于视频的火灾图像检测方法,其特征在于,采用人工标注方式标注正样本数据集中火焰的位置信息;采用物体检测方法训练卷积神经网络I。
4.根据权利要求1所述的基于视频的火灾图像检测方法,其特征在于,采用背景差分方法对“疑似火焰”实现运动检测。
5.根据权利要求1所述的基于视频的火灾图像检测方法,其特征在于,根据火焰误报分类模型判断“疑似火焰”的情况:
当“疑似火焰”的分类结果为误报,则继续处理下一帧画面;
当“疑似火焰”的分类结果为火焰,则发出火灾警报。
6.根据权利要求1所述的基于视频的火灾图像检测方法,其特征在于,采用图像分类方法训练卷积神经网络II。
7.采用权利要求1~6任意一项所述的基于视频的火灾图像检测方法的检测系统,其特征在于,包括:
数据集构建模块,所述数据集构建模块用于构建正样本数据集和负样本数据集;
正样本分类数据集构建模块,所述正样本分类数据集构建模块用于标注出正样本数据集中火焰的位置信息,并对火焰的位置信息进行截取,获取正样本分类数据集;
负样本分类数据集构建模块,所述负样本分类数据集构建模块用于利用正样本数据集和正样本数据集中火焰的位置信息训练卷积神经网络I,将卷积神经网络I作为火焰检测模型用于检测负样本数据集中的“疑似火焰”,标注出“疑似火焰”的位置信息,再对“疑似火焰”的位置信息进行截取,获取负样本分类数据集;
火焰误报分类模型构建模块,所述火焰误报分类模型构建模块用于利用正样本分类数据集和负样本分类数据集训练卷积神经网络II,将卷积神经网络II作为火焰误报分类模型;
实时视频检测模块,所述实时视频检测模块用于采用火焰检测模型检测实时视频中的“疑似火焰”,再对“疑似火焰”实现运动检测,标注出运动的“疑似火焰”的位置信息,对运动的“疑似火焰”的位置信息进行截取,根据火焰误报分类模型判断“疑似火焰”是火焰或误报。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行计算机程序时实现权利要求1至6中任意一项所述的基于视频的火灾图像检测方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任意一项所述的基于视频的火灾图像检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111249365.4A CN113947744A (zh) | 2021-10-26 | 2021-10-26 | 基于视频的火灾图像检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111249365.4A CN113947744A (zh) | 2021-10-26 | 2021-10-26 | 基于视频的火灾图像检测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947744A true CN113947744A (zh) | 2022-01-18 |
Family
ID=79332466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111249365.4A Pending CN113947744A (zh) | 2021-10-26 | 2021-10-26 | 基于视频的火灾图像检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947744A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841920A (zh) * | 2022-03-29 | 2022-08-02 | 清华大学 | 基于图像处理的火焰识别方法、装置及电子设备 |
CN116597595A (zh) * | 2023-06-30 | 2023-08-15 | 广州里工实业有限公司 | 一种工厂火灾监测调度系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052797A (zh) * | 2020-09-07 | 2020-12-08 | 合肥科大立安安全技术有限责任公司 | 基于MaskRCNN的视频火灾识别方法及系统 |
-
2021
- 2021-10-26 CN CN202111249365.4A patent/CN113947744A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052797A (zh) * | 2020-09-07 | 2020-12-08 | 合肥科大立安安全技术有限责任公司 | 基于MaskRCNN的视频火灾识别方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841920A (zh) * | 2022-03-29 | 2022-08-02 | 清华大学 | 基于图像处理的火焰识别方法、装置及电子设备 |
CN116597595A (zh) * | 2023-06-30 | 2023-08-15 | 广州里工实业有限公司 | 一种工厂火灾监测调度系统 |
CN116597595B (zh) * | 2023-06-30 | 2024-04-16 | 广州里工实业有限公司 | 一种工厂火灾监测调度系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
Bertini et al. | Multi-scale and real-time non-parametric approach for anomaly detection and localization | |
TW202013252A (zh) | 車牌辨識系統與方法 | |
CN109460787B (zh) | 入侵检测模型建立方法、装置及数据处理设备 | |
CN111126293A (zh) | 一种火焰和烟雾异常情况检测方法及系统 | |
CN113947744A (zh) | 基于视频的火灾图像检测方法、系统、设备及存储介质 | |
CN111489342A (zh) | 一种基于视频的火焰检测方法、系统及可读存储介质 | |
Malhi et al. | Vision based intelligent traffic management system | |
Roy et al. | Suspicious and violent activity detection of humans using HOG features and SVM classifier in surveillance videos | |
CN114445768A (zh) | 目标识别方法、装置、电子设备及存储介质 | |
Kongurgsa et al. | Real-time intrusion—detecting and alert system by image processing techniques | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
CN104899559B (zh) | 一种基于视频监控的快速行人检测方法 | |
CN114885119A (zh) | 一种基于计算机视觉的智能监控报警系统及方法 | |
CN114022468B (zh) | 一种安防监控中物品遗留丢失检测方法 | |
CN112364884B (zh) | 一种移动物体侦测的方法 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
CN115984780B (zh) | 工业固体废物出入库判别方法、装置、电子设备及介质 | |
WO2018110377A1 (ja) | 映像監視装置 | |
Vujović et al. | Traffic video surveillance in different weather conditions | |
CN114419531A (zh) | 目标检测方法、目标检测系统以及计算机可读存储介质 | |
CN114419489A (zh) | 特征提取网络的训练方法、装置、终端设备和介质 | |
Ghode et al. | Motion detection using continuous frame difference and contour based tracking | |
CN116994201B (zh) | 对高空抛物进行溯源监测的方法及计算设备 | |
Frías-Velázquez et al. | A mathematical morphology-based approach for vehicle detection in road tunnels |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220118 |
|
RJ01 | Rejection of invention patent application after publication |