CN116092018A - 一种基于智慧建筑的消防隐患监测方法及系统 - Google Patents
一种基于智慧建筑的消防隐患监测方法及系统 Download PDFInfo
- Publication number
- CN116092018A CN116092018A CN202310368640.7A CN202310368640A CN116092018A CN 116092018 A CN116092018 A CN 116092018A CN 202310368640 A CN202310368640 A CN 202310368640A CN 116092018 A CN116092018 A CN 116092018A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- monitoring
- value
- image
- saliency
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 287
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008859 change Effects 0.000 claims abstract description 66
- 238000012937 correction Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 239000000779 smoke Substances 0.000 description 50
- 238000009792 diffusion process Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000001931 thermography Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于智慧建筑的消防隐患监测方法及系统。该方法首先采集监控图像和对应的热红外图像；将监控图像进行时间段划分；根据同一时间段内相邻两帧监控图像中像素点的灰度值分布变化情况得到像素点的第一显著性因子；根据同一时间段内相邻两帧热红外图像中像素点的温度值分布变化情况得到第二显著性因子；对于任意像素点，结合第一显著性因子和第二显著性因子对显著性值修正得到修正显著性值，生成显著性监控图像；对所述显著性监控图像进行实时隐患监测。本发明通过分析像素点颜色特征和温度值对每个像素点的显著性值修正，得到修正后的修正显著性值，解决无法准确反映出消防隐患情况的问题。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于智慧建筑的消防隐患监测方法及系统。
背景技术
由于在进行消防隐患烟雾的监测过程中，消防监控室的监控员通过实时观察监控图像，若出现火灾的征兆，如对应的烟雾的出现时，立马做出及时的反应；并且由于各个地点的监控图像数量较多，消防隐患烟雾往往很难看清，尤其是火灾发生前的烟雾细小更难识别，因此需要对采集的监控图像进行处理，使得监控员可以更好的识别出消防隐患烟雾。
传统的显著性检测算法中有HC(Histogram-based Contrast)算法，是基于图像的颜色全局直方图的颜色对比度算法，其中图像中像素点与其他像素点之间的颜色特征分布差异越大，则表明像素点的显著性越大。但是消防隐患监测中在计算监控图像的各个区域内像素点的显著性值的时候，由于监控图像中的颜色分布不均匀，例如监测的楼道里含有很多物体，不同的物体对应的像素点的颜色差异也大，但是对于消防隐患烟雾监控来说不是监控的重点，因此若仅凭借像素点颜色分布会产生较大的显著性误差，无法准确反映出消防隐患情况。
发明内容
为了解决无法准确反映出消防隐患情况的问题，本发明的目的在于提供一种基于智慧建筑的消防隐患监测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于智慧建筑的消防隐患监测方法，该方法包括以下步骤：
采集监控图像和对应的热红外图像；
将所有帧监控图像进行时间段划分；获取监控图像中的至少两个连通域，根据同一时间段内相邻两帧监控图像中同一坐标位置处像素点的所属连通域的灰度变化情况、面积变化情况和像素点到所属连通域内灰度值最大的像素点的距离，得到监控图像中像素点的第一显著性因子；根据同一时间段内相邻两帧热红外图像的同一坐标位置处像素点及其邻域内像素点的温度变化情况，得到热红外图像中像素点的第二显著性因子；
对于任意像素点，根据所述第一显著性因子和所述第二显著性因子得到修正显著因子；基于修正显著因子对像素点的显著性值进行修正得到修正显著性值；基于各像素点的所述修正显著性值生成显著性监控图像；对所述显著性监控图像进行实时隐患监测。
优选的，所述根据同一时间段内相邻两帧监控图像中同一坐标位置处像素点的所属连通域的灰度变化情况、面积变化情况和像素点到所属连通域内灰度值最大的像素点的距离，得到监控图像中像素点的第一显著性因子，包括：
对于同一时间段，当前监控图像的前所有帧监控图像中像素点的初始第一显著性因子之和作为当前监控图像中像素点的第一显著性因子；
所述初始第一显著性因子的计算公式为：
其中，为第j+1帧监控图像中第l个像素点的初始第一显著性因子；为第j+1帧监控图像中第l个像素点所属连通域中的最大灰度值；为第j+1帧监控图像中第l个像素点的灰度值；为第j+1帧监控图像中第l个像素点所属连通域中的最大灰度值对应的像素点；为第j+1帧监控图像中第l个像素点所属连通域中的最大灰度值对应的像素点和第l个像素点的欧式距离；为第j+1帧监控图像中第l个像素点所属连通域的面积；为第j帧监控图像中第l个像素点所属连通域的面积；exp为以自然常数为底数的指数函数。
优选的，所述根据同一时间段内相邻两帧热红外图像的同一坐标位置处像素点及其邻域内像素点的温度变化情况，得到热红外图像中像素点的第二显著性因子，包括：
对于同一时间段，当前热红外图像的前所有帧热红外图像中像素点的初始第二显著性因子之和作为当前热红外图像中像素点的第二显著性因子；
所述初始第二显著性因子的计算公式为：
其中，为第j+1帧热红外图像中第l个像素点的初始第二显著性因子；为第j+1帧热红外图像中第l个像素点的温度值；为第j帧热红外图像中第l个像素点的温度值；为第j+1帧热红外图像中以第l个像素点为窗口中心像素点的窗口内第u个像素点的温度值；为对于第j+1帧热红外图像中以第l个像素点为窗口中心像素点的窗口内第u个像素点，以第u个像素点为窗口中心像素点的窗口内的温度均值；为第j+1帧热红外图像中以第l个像素点为窗口中心像素点的窗口内第u个像素点的温度均差值；为第j+1帧热红外图像中以第l个像素点为窗口中心像素点的窗口内各像素点的温度均差值的均值；U为像素点对应的窗口内的像素点数量。
优选的，所述将所有帧监控图像进行时间段划分，包括：
计算相邻两帧监控图像的结构相似度；当所述结构相似度小于等于预设相似度阈值时，对应的两帧监控图像中的后一帧图像为时间段划分帧；基于时间段划分帧对所有监控图像进行时间段划分。
优选的，所述相邻两帧监控图像的结构相似度的计算公式为：
其中，为第i帧监控图像和第i-1帧监控图像的结构相似度；为第i帧监控图像的所有像素点的灰度值均值；为第i-1帧监控图像的所有像素点的灰度值均值；为第i帧监控图像的所有像素点的灰度值方差；为第i-1帧监控图像的所有像素点的灰度值方差；为第i帧监控图像和第i-1帧监控图像上所有像素点的灰度值的协方差；为第i帧监控图像和第i-1帧监控图像中的灰度值最大值；为第一调节系数；为第二调节系数。
优选的，所述基于各像素点的所述修正显著性值生成显著性监控图像包括：
选取任意监控图像作为目标图像，选取目标图像中任意像素点作为目标像素点；获取目标图像的最大修正显著性值和最小修正显著性值；计算所述目标像素点的修正显著性值和所述最小修正显著性值的差值作为目标差值，计算所述最大修正显著性值和最小修正显著性值的差值作为最大显著性极差；计算所述目标差值和所述最大显著性极差的比值；所述比值乘上预设最大灰度值得到初始显著灰度值，对初始显著灰度值取整，得到目标显著灰度值；由各像素点的目标显著性灰度值构成显著性监控图像。
优选的，所述修正显著因子为：所述第一显著性因子、所述第二显著性因子以及预设调整值的和。
优选的，所述基于修正显著因子对像素点的显著性值进行修正得到修正显著性值，包括：
根据显著性检测算法获取各像素点的显著性值；所述显著性值乘上所述修正显著因子得到所述修正显著性值。
优选的，所述获取监控图像中的至少两个连通域，包括：
根据监控图像中各像素点的灰度值，对各像素点进行聚类，得到至少两个类别；由属于同一类别的像素点构成连通域，得到至少两个连通域。
第二方面，本发明一个实施例提供了一种基于智慧建筑的消防隐患监测系统，包括存储器、处理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一种基于智慧建筑的消防隐患监测方法。
本发明实施例至少具有如下有益效果：
本发明中根据采集到的监控图像和对应的热红外图像，通过分析的相邻帧监控图像中像素点的灰度值分布变化，来获取每个像素点的第一显著性因子，第一显著性因子更好的表征每个像素点在相关时间段中相邻帧监控图像的烟雾的扩散程度的变化，能够综合考虑单帧监控图像中像素点和连续相邻帧监控图像中像素点对于消防隐患烟雾的扩散变化的表征，能够更准确的获取监控图像中像素点的第一显著性因子。同时，根据监控图像对应的热红外图像，通过综合分析单帧热红外图像和相邻帧热红外图像之间的像素点的温度变化，来获取当前时刻的每个像素点的第二显著性因子，其中通过计算第二显著性因子来表征热红外图像的异常温度变化情况，通过异常温度的变化情况能够综合反映消防隐患的危险变化，并且连续相邻帧热红外图像中像素点的温度变化，能够更为准确的表征异常温度变化特征，进而能够获取更为准确的热红外图像的第二显著性因子，进而计算得到的每个像素点的显著性值更加准确。进而结合得到的第一显著性因子和第二显著性因子得到修正显著因子，并通过修正显著因子对像素点的显著性值进行修正得到修正显著性值，生成显著性监控图像，该显著性监控图像能够更好的反应出图像中烟雾隐患情况，进而对显著性监控图像进行实时隐患监控。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于智慧建筑的消防隐患监测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于智慧建筑的消防隐患监测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了一种基于智慧建筑的消防隐患监测方法及系统的具体实施方法，该方法适用于消防隐患监测场景。该场景下在需要监测的区域安装热成像双光谱相机，用于实时采集监控图像和对应的热红外图像。为了解决监测的楼道里含有很多物体，不同的物体对应的像素点的颜色差异也大，若仅凭借HC算法对像素点颜色分布分析会产生较大的显著性误差的问题。本发明通过布置热成像双光谱相机采集监控图像以及热红外成像，在分析像素点颜色特征和温度值的基础上，计算每个像素点的显著性因子，获得最终的修正显著性值进而生成显著性监控图像。
下面结合附图具体的说明本发明所提供的一种基于智慧建筑的消防隐患监测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于智慧建筑的消防隐患监测方法的步骤流程图，该方法包括以下步骤：
步骤S100，采集监控图像和对应的热红外图像。
通过布置热成像双光谱相机实时采集监控图像和其对应的热红外成像的热红外图像，进行消防隐患烟雾的显著性监控图像的生成。需要说明的是，监控图像为RGB图像。其中相机的参数经过实验室标定后进行安装，相机的安装位置固定，并且相机的角度不发生变化。
需要说明的是监控图像和对应的热红外图像其大小相同，采集到的区域也为同一区域。热红外图像和监控图像中的像素点一一对应。
步骤S200，将所有帧监控图像进行时间段划分；获取监控图像中的至少两个连通域，根据同一时间段内相邻两帧监控图像中同一坐标位置处像素点的所属连通域的灰度变化情况、面积变化情况和像素点到所属连通域内灰度值最大的像素点的距离，得到监控图像中像素点的第一显著性因子；根据同一时间段内相邻两帧热红外图像的同一坐标位置处像素点及其邻域内像素点的温度变化情况，得到热红外图像中像素点的第二显著性因子。
由于在进行消防隐患烟雾的监测过程中，消防监控室的监控员通过实时观察监控图像，若出现火灾的征兆，也即对应的烟雾的出现时，立马做出及时的反应；但由于各个地点的监控图像数量较多，难以做到对每个监控图像中的小细节实时观测到，尤其是火灾发生前的烟雾细小更难识别，因此需要对采集的监控图像进行处理，使得监控员可以更好的识别出消防隐患烟雾，本案采用显著性检测算法HC算法，对实时的采集的监控图像进行显著性监测分析，进而提高监控图像中的烟雾显示的准确性。
传统的显著性检测算法中有HC算法，是基于图像的颜色全局直方图的颜色对比度算法，其中图像中像素点与其他像素点之间的颜色特征分布差异越大，则表明像素点的显著性越大。但是在计算监控图像的各个区域的显著性值的时候，由于图像中的颜色分布不均匀，例如监测的楼道里含有很多物体，不同的物体对应的像素点的颜色差异也大，但是对于消防隐患烟雾监控来说楼道内的物体不是监控的重点，因此若仅凭借像素点颜色分布会产生较大的显著性误差。因此本发明通过布置热成像双光谱相机采集监控图像以及对应的热红外图像，在计算像素点颜色特征的基础上，计算每个像素点的修正显著因子，获得最终的修正显著性值进而生成显著性监控图像。
本发明对采集的监控图像和热红外图像进行处理，获得每个像素点的修正显著性值的过程为：
步骤一，根据连续帧监控图像的相似性，将所有帧监控图像进行时间段划分。
由于在消防隐患烟雾监测过程中，烟雾是从小到大的过程，并且烟雾的浓度表现为逐渐从聚集性、浓度较大，变成为从扩散性、浓度较小。根据获取的当前时刻的监控图像，通过分析每一帧监控图像和相邻的监控图像进行分析，来获取当前时刻的监控图像中每个像素点的第一显著性因子，其中第一显著性因子用于表征每个像素点的连续帧图像的烟雾的扩散程度的变化，其中连续帧图像的扩散程度的变化是个累计的变化，即前连续n帧监控图像的扩散程度对应的为第n帧监控图像烟雾的扩散变化。
考虑到监控下会存在不同物体出现的时间段，即对应的某一些时刻内监控图像中会出现其他移动的物体，也即时间段的起始为移动的物体的出现，时间段的结束为移动物体的消失，因此本发明先根据采集的监控图像进行时间段的划分，判断当前帧的监控图像是否与前几帧监控图像属于一个时间段，对属于同一时间段的监控图像进行分析，避免了对所有监控图像进行分析时由于有其他物体出现而导致的判断误差。本发明通过计算当前帧的监控图像和当前帧的前一帧监控图像之间的结构相似度，进行时间段的划分，也即根据连续帧监控图像的相似性，将所有帧监控图像进行时间段划分。其中在当前时刻内采集的所有帧监控图像中确定时间段划分帧，在本发明中除第一帧监控图像为时间段划分起始帧外，其他的时间段划分帧即是前一时间段的结束帧，同时也是下一时间段的起始帧。根据连续帧监控图像的相似性，将所有帧监控图像进行时间段划分，具体的：计算相邻两帧监控图像的结构相似度；当所述结构相似度小于等于预设相似度阈值时，对应的两帧监控图像中的后一帧图像为时间段划分帧；基于时间段划分帧对所有监控图像进行时间段划分。
该相邻两帧监控图像的结构相似度的计算公式为：
其中，为第i帧监控图像和第i-1帧监控图像的结构相似度；为第i帧监控图像的所有像素点的灰度值均值；为第i-1帧监控图像的所有像素点的灰度值均值；为第i帧监控图像的所有像素点的灰度值方差；为第i-1帧监控图像的所有像素点的灰度值方差；为第i帧监控图像和第i-1帧监控图像上所有像素点的灰度值的协方差；为第i帧监控图像和第i-1帧监控图像中的灰度值最大值；为第一调节系数；为第二调节系数。
在本发明中第一调节系数的取值为0.01，第二调节系数的取值为0.03，预设相似度阈值的取值为0.7，在其他实施例中实施者可根据实际情况调整该取值。
其中，结构相似度的计算公式中为两帧监控图像的亮度对比函数，通过监控图像的灰度值最大值L和设定的调节系数对该亮度对比函数进行调节；当两帧监控图像的亮度对比度函数越大，也即的取值越大，则对应的两帧图像的结构相似度越大；为两帧监控图像的对比度对比函数，且通过监控图像的灰度值最大值和设定的调节系数对该对比度对比函数进行调节，当两帧监控图像越接近，则的取值越大，对应的两帧图像的结构相似度越大。若第帧监控图像和第帧监控图像的结构相似度大于预设相似度阈值时，反映第帧监控图像和第帧监控图像比较相似，其属于同一时间段内的监控图像，则反映第帧监控图像不是时间段划分帧；当第帧监控图像和第帧监控图像的结构相似度小于等于预设相似度阈值时，反映第帧监控图像和第帧监控图像差距较大，其不属于同一时间段内的监控图像，则第帧监控图像是时间段划分帧。
根据上述步骤获取当前帧以及当前帧的前历史帧的时间段划分帧，基于时间段划分帧将当前获取的所有帧监控图像进行时间段划分。接下来根据同一时间段内相邻帧监控图像的变化情况计算监控图像内像素点的第一显著性因子。
步骤二，获取监控图像中的至少两个连通域，根据同一时间段内相邻两帧监控图像中同一坐标位置处像素点的所属连通域的灰度变化情况、面积变化情况和像素点到所属连通域内灰度值最大的像素点的距离，得到监控图像中像素点的第一显著性因子。
本发明中通过计算当前帧监控图像的所属时间段内的连续帧监控图像中某个区域的像素点的累计的灰度值变化程度，来表征监控图像中的烟雾的扩散程度的变化，即而计算得到当前帧监控图像的第一显著性因子。
首先对于任意帧监控图像中各像素点的灰度值，对各像素点进行聚类，得到至少两个类别，由属于同一类别的像素点构成连通域，得到至少两个连通域。具体的：对第帧监控图像进行K-Means聚类分析，设置K的大小，根据像素点的灰度值的大小进行聚类，得到监控图像中像素点的多个类别。由属于同一类别的像素点构成连通域，得到每个类别的像素点对应的连通域。在本实施例中K的取值为6，在其他实施例中实施者可根据实际情况调整该取值。
由于烟雾是从小到大的过程，并且烟雾的浓度表现为逐渐从聚集性、浓度较大，变成为从扩散性、浓度较小的特点，因此通过对连续帧监控图像中的聚类结果中每个像素点进行分析，若在连续帧监控图像内同属于一个类别的区域面积从小变到大，也即连通域的面积从小变大，并且该区域的灰度值是从局部灰度值较大逐步到灰度值较小的变化过程，则表明该区域的像素点为监控图像的重要像素点，其为烟雾区域的像素点的概率越大，因此该区域内像素点对应的显著性越大，即对应的第一显著性因子较大。
根据同一时间段内相邻两帧监控图像中同一坐标位置处像素点的所属连通域的灰度变化情况、面积变化情况和像素点到所属连通域内灰度值最大的像素点的距离，得到监控图像中像素点的第一显著性因子。具体的：
对于同一时间段，当前监控图像的前所有帧监控图像中像素点的初始第一显著性因子之和作为当前监控图像中像素点的第一显著性因子。并将得到的第一显著性因子的值进行线性归一化，其在后续步骤中所提到的第一显著性因子均为线性归一化后的第一显著性因子。
该初始第一显著性因子的计算公式为：
其中，为第j+1帧监控图像中第l个像素点的初始第一显著性因子；为第j+1帧监控图像中第l个像素点所属连通域中的最大灰度值；为第j+1帧监控图像中第l个像素点的灰度值；为第j+1帧监控图像中第l个像素点所属连通域中的最大灰度值对应的像素点；为第j+1帧监控图像中第l个像素点所属连通域中的最大灰度值对应的像素点和第l个像素点的欧式距离；为第j+1帧监控图像中第l个像素点所属连通域的面积；为第j帧监控图像中第l个像素点所属连通域的面积；exp为以自然常数为底数的指数函数。
需要说明的是，连通域的面积为连通域内像素点的数量。当第j帧监控图像为所属时间段内的起始帧时，其对应的第j+1帧监控图像中第l个像素点的初始第一显著性因子的计算公式中的部分为预设常数。在本实施例中预设常数的取值为1，在其他实施例中实施者可根据实际情况调整该取值。
由于烟雾是从小到大的过程，并且烟雾的浓度表现为逐渐从聚集性、浓度较大，变成从扩散性、浓度较小的特点，通过计算同一时间段的连续帧监控图像的同一坐标位置处的像素点的第一显著性因子，来表征该位置处像素点在这段时间段的灰度值变化。其中，对于单帧监控图像来说，通过计算像素点与像素点所属连通域区域中灰度值最大的像素点之间的欧式距离，欧式距离越大，表明当前像素点离烟雾越远，则对应的其为烟雾扩散点的概率越大，则对应的当前像素点的第一显著性因子越小；因为烟雾的起始源点中心为灰度值最大的点，故与灰度值最大的像素点的距离越远，则该像素点为烟雾的扩散点的概率越大。通过计算像素点与所属连通域区域中灰度值最大的像素点的灰度值差异，灰度值差异越大，则表明该像素点越属于烟雾扩散点，则对应的当前像素点的第一显著性因子越小，其原因是因为烟雾的起始源中心点的灰度值较大，离起始源中心点越近，该位置处的烟雾越大，则对应的像素点的灰度值应越大，而距离起始源中心点越远，该位置处的烟雾越小，则对应的像素点的灰度值越小，对应的其为烟雾扩散点的概率越大。而对于连续帧监控图像来说，通过计算当前像素点相邻两帧监控图像中连通域面积的变化，来表征当前像素点的扩散区域的变化，面积差异越大，则表明当前像素点所在区域越是烟雾扩散区域，从该处向四周扩散的烟雾的概率越大，则对应的当前像素点的第一显著性因子越大。
由于消防隐患烟雾是不断变化的，若仅考虑单帧监控图像的图像信息判断的每个像素点的第一显著性因子会出现较大的误差，故因此本发明中采用累加的方法，计算当前监控图像的前所有帧监控图像中像素点的初始第一显著性因子的和，作为当前监控图像中像素点的第一显著性因子。
本发明中根据采集到的监控图像，通过分析相关时间段中的连续帧监控图像的像素点的灰度值分布变化，来获取当前监控帧的每个像素点的第一显著性因子，其中第一显著性因子更好的表征每个像素点在相关时间段中连续帧图像的烟雾的扩散程度的变化，能够综合考虑单帧图像中像素点对于消防隐患烟雾的扩散变化的表征，以及连续帧图像中像素点对于消防隐患烟雾的扩散变化的表征，能够更准确的获取图像中像素点的显著性修正因子。
通过对连续帧监控图像进行灰度值分布变化分析，获取每个像素点的第一显著性因子。
步骤三，根据同一时间段内相邻两帧热红外图像的同一坐标位置处像素点及其邻域内像素点的温度变化情况，得到热红外图像中像素点的第二显著性因子。
由于在消防隐患烟雾产生的时候，会在相应的烟雾源头产生较大的温度差，但是这种温度差在监控图像无法获取，因此本发明通过使用热成像双光谱相机同时采集监控图像以及同一时刻下对应的热红外图像。上述步骤二通过对采集的监控图像分析获取到各像素点的第一显著性因子，故为了结合像素点对应的温度值，进一步的对热红外图像分析相关时间段中的连续帧的热红外图像的像素点的温度值分布变化，进而计算各像素点的第二显著性因子，其中第二显著性因子表征热红外图像中每个像素点在连续图像中的温度差表征。
对当前帧监控图像对应的热红外图像进行分析，对于第j+1帧热红外图像，计算图像中第l个像素点的3*3窗口内所有像素点的温度值的变化以及连续帧热红外图像中同一坐标位置的像素点的温度值的变化来计算第个像素点的第二显著性因子。
像素点的第二显著性因子与其连续帧的同一坐标位置像素点的温度差异有关，其中温度差异越大，则表明当前像素点的温度差异变化越剧烈，越有可能出现消防隐患烟雾，则对应的该像素点的第二显著性因子越大；与当前像素点与周围邻域内像素点的温度差变化有关，若当前像素点与周围邻域内像素点的温度差变化较大，则表明当前像素点的温度越异常，该像素点对应位置处越有可能出现消防隐患烟雾。
第二显著性因子的获取方法具体的：对于同一时间段，当前热红外图像的前所有帧热红外图像中像素点的初始第二显著性因子之和作为当前热红外图像中像素点的第二显著性因子。并将得到的第二显著性因子的值进行线性归一化，其在后续步骤中所提到的第二显著性因子均为线性归一化后的第二显著性因子。
所述初始第二显著性因子的计算公式为：
其中，为第j+1帧热红外图像中第l个像素点的初始第二显著性因子；为第j+1帧热红外图像中第l个像素点的温度值；为第j帧热红外图像中第l个像素点的温度值；为第j+1帧热红外图像中以第l个像素点为窗口中心像素点的窗口内第u个像素点的温度值；为对于第j+1帧热红外图像中以第l个像素点为窗口中心像素点的窗口内第u个像素点，以第u个像素点为窗口中心像素点的窗口内的温度均值；为第j+1帧热红外图像中以第l个像素点为窗口中心像素点的窗口内第u个像素点的温度均差值；为第j+1帧热红外图像中以第l个像素点为窗口中心像素点的窗口内各像素点的温度均差值的均值；U为像素点对应的窗口内的像素点数量。
在本实施例中像素点对应的窗口大小为3*3，故像素点对应的窗口内的像素点数量为9，也即U的取值为9，在其他实施例中实施者可根据实际情况调整该取值。需要说明的是，当第j帧热成像图像对应的监控图像为所属时间段内的起始帧时，其对应的第j+1帧热成像图像中第l个像素点的初始第二显著性因子的计算公式中的部分同样为预设常数。
由于在消防隐患烟雾产生的时候，会在相应的烟雾源头产生较大的温度差，但是这种温度差在监控图像无法获取，故通过考虑同一时刻下的热红外图像中像素点的温度值的分布差异，来获取同一时间段的连续帧的热红外图像的同一个像素点的第二显著性因子，来表征该像素点在此时间段的温度变化。其中在单帧热红外图像，通过计算当前像素点与其窗口内温度均值差异来表征当前像素点的温差大小，再通过类似计算方法计算当前像素点的窗口内其他像素点的温差大小，通过计算像素点所属窗口内各像素点的温度值和对应的温度均值来反映当前像素点的消防隐患温度的危险程度，所属窗口内各像素点的温度值和对应的温度均值越大，则表明当前像素点属于消防隐患烟雾位置处的概率越大，则对应的当前像素点的第二显著性因子越大；通过计算连续帧热红外图像的同一像素点的温度差异变化，来表征当前像素点在连续帧热红外图像中的温度变化程度，连续帧内温度变化越大，则表明当前像素点的温度越异常，则对应的当前像素点的第二显著性因子越大。
由于消防隐患烟雾是不断变化的，若仅考虑单帧热红外图像的图像信息判断的每个像素点的第二显著性因子会出现较大的误差，故因此本发明中采用累加的方法，计算当前热红外图像的前所有帧热红外图像中像素点的初始第二显著性因子的和，作为当前热红外图像中像素点的第二显著性因子。
本发明中根据与监控图像同一时刻内采集的热红外图像，通过综合分析单帧热红外图像和连续帧热红外图像之间的像素点的温度变化，来获取当前时刻的每个像素点的第二显著性因子，通过得到的第二显著性因子来表征热红外图像的异常温度变化情况，通过异常温度的变化情况能够综合反映消防隐患的危险变化，并且单帧热红外图像和连续帧热红外图像中像素点的温度变化，能够更为准确的表征异常温度变化特征，进而能够获取更为准确的热红外图像的显著性修正因子，进而计算得到的每个像素点的显著性值更加准确。
通过对连续帧的热红外图像进行的温度值分布变化分析，获取每个像素点的第二显著性因子。
步骤S300，对于任意像素点，根据所述第一显著性因子和所述第二显著性因子得到修正显著因子；基于修正显著因子对像素点的显著性值进行修正得到修正显著性值；基于各像素点的所述修正显著性值生成显著性监控图像；对所述显著性监控图像进行实时隐患监测。
在得到像素点的第一显著性因子和第二显著性因子的基础上，综合得到像素点的修正显著因子，而后通过修正显著因子对像素点的显著性值进行修正得到对应的修正显著性值。基于所有像素点的修正显著性值，进而生成显著性监控图像。
所述第一显著性因子、所述第二显著性因子以及预设调整值的和为修正显著因子。在本实施例中预设调整值的取值为1，在其他实施例中实施者可根据实际情况调整该取值。
进一步的，通过修正显著因子对像素点的显著性值进行修正，其中通过常规的根据显著性检测算法HC算法获取当前帧监控图像中每个像素点的显著性值，将每个像素点的修正显著因子作为修正因子，对显著性值进行修正，具体的：显著性值乘上修正显著因子得到修正显著性值。
该修正显著性值的计算公式为：
其中，为第i帧监控图像的第l个像素点的修正后的修正显著性值；为第i帧监控图像的第l个像素点的第一显著性因子；为第i帧监控图像的第l个像素点的第二显著性因子；为第i帧监控图像的第l个像素点的显著性值；为第i帧监控图像的第l个像素点的修正显著因子。
根据HC算法得到的显著性值和修正后的修正显著性值呈正比，当显著性值越大，则对应的修正显著性值越大，反之，当显著性值越小，则对应的修正显著性值越小，其原因是因为根据HC算法计算得到的显著性值本身就能够突出图像中像素点的显著性，故计算得到的显著性值是和修正显著性值呈正比的，显著性值大的像素点不一定为烟雾像素点，但烟雾像素点其对应的显著性值大的概率较大；对应的第一显著性因子越大，则修正显著性值越大，因为第一显著性因子是通过对连续帧监控图像进行灰度值分布变化分析得到的，其能够反映像素点的显著性，故第一显著性因子和修正后的修正显著性值呈正比；同样的，第二显著性因子越大，则修正显著性值越大，因为第二显著性因子是通过对连续帧热红外图像进行温度值分布变化分析得到的，其在一定程度上能够反映像素点为烟雾区域的概率，故第二显著性因子和修正后的修正显著性值也呈正比。
在得到各像素点对应的修正显著性值后，根据所有像素点的修正后的修正显著性值的大小进行灰度值转换，进而生成显著性监控图像，具体的：选取任意监控图像作为目标图像，选取目标图像中任意像素点作为目标像素点；获取目标图像的最大修正显著性值和最小修正显著性值；计算目标像素点的修正显著性值和最小修正显著性值的差值作为目标差值，计算最大修正显著性值和最小修正显著性值的差值作为最大显著性极差；计算目标差值和最大显著性极差的比值，该比值乘上预设最大灰度值得到初始显著灰度值，对初始显著灰度值进行取整操作，得到目标显著灰度值；由各像素点的目标显著灰度值构成显著性监控图像。
对于第帧的显著性监控图像中的第个像素点的目标显著灰度值的计算公式为：
其中，为第帧的显著性监控图像中的第个像素点的目标显著灰度值；为第帧的监控图像中的第个像素点的修正显著性值；为第帧的监控图像中的最小修正显著性值；为第帧的监控图像中的最大修正显著性值；为预设最大灰度值；表示取整函数。
在本实施例中预设最大灰度值的取值为255，在其他实施例中由实施者根据实际情况调整该取值。该目标显著灰度值的计算公式即完成由修正后的修正显著性值生成对应的显著性监控图像的操作，生成的显著性监控图像更加突出可能为烟雾的像素点，有利于监控员更好的对图像中的细节进行隐患监测。该目标显著灰度值的计算公式为常规的灰度转化公式，在此不再赘述。
计算得到当前帧监控图像对应的显著性监控图像，并将显著性监控图像传输至智慧建筑的消防隐患监测系统中，供给消防监测人员对显著性监控图像进行实时监测并及时做出预警。
综上所述，本发明涉及图像处理技术领域。该方法采集监控图像和对应的热红外图像；根据连续帧监控图像的相似性，将所有帧监控图像进行时间段划分；获取监控图像中的至少两个连通域，根据同一时间段内相邻两帧监控图像中同一坐标位置处像素点的所属连通域的灰度变化情况、面积变化情况和像素点到所属连通域内灰度值最大的像素点的距离，得到监控图像中像素点的第一显著性因子；根据同一时间段内相邻两帧热红外图像的同一坐标位置处像素点及其邻域内像素点的温度变化情况，得到热红外图像中像素点的第二显著性因子；对于任意像素点，根据第一显著性因子和第二显著性因子得到修正显著因子；基于修正显著因子对显著性值进行修正得到修正显著性值；基于各像素点的所述修正显著性值生成显著性监控图像；对显著性监控图像进行实时隐患监测。在计算像素点颜色特征的基础上，计算每个像素点的显著性因子，获得最终的修正显著性值进而生成显著性监控图像，供给消防监测人员对显著性监控图像进行实时监测并及时做出预警。
本发明实施例还提出了一种基于智慧建筑的消防隐患监测系统，包括存储器、处理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方法的步骤。由于一种基于智慧建筑的消防隐患监测方法在上述给出了详细描述，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于智慧建筑的消防隐患监测方法，其特征在于，该方法包括以下步骤：
采集监控图像和对应的热红外图像；
将所有帧监控图像进行时间段划分；获取监控图像中的至少两个连通域，根据同一时间段内相邻两帧监控图像中同一坐标位置处像素点的所属连通域的灰度变化情况、面积变化情况和像素点到所属连通域内灰度值最大的像素点的距离，得到监控图像中像素点的第一显著性因子；根据同一时间段内相邻两帧热红外图像的同一坐标位置处像素点及其邻域内像素点的温度变化情况，得到热红外图像中像素点的第二显著性因子；
对于任意像素点，根据所述第一显著性因子和所述第二显著性因子得到修正显著因子；基于修正显著因子对像素点的显著性值进行修正得到修正显著性值；基于各像素点的所述修正显著性值生成显著性监控图像；对所述显著性监控图像进行实时隐患监测。
2.根据权利要求1所述的一种基于智慧建筑的消防隐患监测方法，其特征在于，所述根据同一时间段内相邻两帧监控图像中同一坐标位置处像素点的所属连通域的灰度变化情况、面积变化情况和像素点到所属连通域内灰度值最大的像素点的距离，得到监控图像中像素点的第一显著性因子，包括：
对于同一时间段，当前监控图像的前所有帧监控图像中像素点的初始第一显著性因子之和作为当前监控图像中像素点的第一显著性因子；
所述初始第一显著性因子的计算公式为：
其中，为第j+1帧监控图像中第l个像素点的初始第一显著性因子；为第j+1帧监控图像中第l个像素点所属连通域中的最大灰度值；为第j+1帧监控图像中第l个像素点的灰度值；为第j+1帧监控图像中第l个像素点所属连通域中的最大灰度值对应的像素点；为第j+1帧监控图像中第l个像素点所属连通域中的最大灰度值对应的像素点和第l个像素点的欧式距离；为第j+1帧监控图像中第l个像素点所属连通域的面积；为第j帧监控图像中第l个像素点所属连通域的面积；exp为以自然常数为底数的指数函数。
3.根据权利要求1所述的一种基于智慧建筑的消防隐患监测方法，其特征在于，所述根据同一时间段内相邻两帧热红外图像的同一坐标位置处像素点及其邻域内像素点的温度变化情况，得到热红外图像中像素点的第二显著性因子，包括：
对于同一时间段，当前热红外图像的前所有帧热红外图像中像素点的初始第二显著性因子之和作为当前热红外图像中像素点的第二显著性因子；
所述初始第二显著性因子的计算公式为：
其中，为第j+1帧热红外图像中第l个像素点的初始第二显著性因子；为第j+1帧热红外图像中第l个像素点的温度值；为第j帧热红外图像中第l个像素点的温度值；为第j+1帧热红外图像中以第l个像素点为窗口中心像素点的窗口内第u个像素点的温度值；为对于第j+1帧热红外图像中以第l个像素点为窗口中心像素点的窗口内第u个像素点，以第u个像素点为窗口中心像素点的窗口内的温度均值；为第j+1帧热红外图像中以第l个像素点为窗口中心像素点的窗口内第u个像素点的温度均差值；为第j+1帧热红外图像中以第l个像素点为窗口中心像素点的窗口内各像素点的温度均差值的均值；U为像素点对应的窗口内的像素点数量。
4.根据权利要求1所述的一种基于智慧建筑的消防隐患监测方法，其特征在于，所述将所有帧监控图像进行时间段划分，包括：
计算相邻两帧监控图像的结构相似度；当所述结构相似度小于等于预设相似度阈值时，对应的两帧监控图像中的后一帧图像为时间段划分帧；基于时间段划分帧对所有监控图像进行时间段划分。
5.根据权利要求4所述的一种基于智慧建筑的消防隐患监测方法，其特征在于，所述相邻两帧监控图像的结构相似度的计算公式为：
其中，为第i帧监控图像和第i-1帧监控图像的结构相似度；为第i帧监控图像的所有像素点的灰度值均值；为第i-1帧监控图像的所有像素点的灰度值均值；为第i帧监控图像的所有像素点的灰度值方差；为第i-1帧监控图像的所有像素点的灰度值方差；为第i帧监控图像和第i-1帧监控图像上所有像素点的灰度值的协方差；为第i帧监控图像和第i-1帧监控图像中的灰度值最大值；为第一调节系数；为第二调节系数。
6.根据权利要求1所述的一种基于智慧建筑的消防隐患监测方法，其特征在于，所述基于各像素点的所述修正显著性值生成显著性监控图像包括：
选取任意监控图像作为目标图像，选取目标图像中任意像素点作为目标像素点；获取目标图像的最大修正显著性值和最小修正显著性值；计算所述目标像素点的修正显著性值和所述最小修正显著性值的差值作为目标差值，计算所述最大修正显著性值和最小修正显著性值的差值作为最大显著性极差；计算所述目标差值和所述最大显著性极差的比值；所述比值乘上预设最大灰度值得到初始显著灰度值，对初始显著灰度值取整，得到目标显著灰度值；由各像素点的目标显著性灰度值构成显著性监控图像。
7.根据权利要求1所述的一种基于智慧建筑的消防隐患监测方法，其特征在于，所述修正显著因子为：所述第一显著性因子、所述第二显著性因子以及预设调整值的和。
8.根据权利要求1所述的一种基于智慧建筑的消防隐患监测方法，其特征在于，所述基于修正显著因子对像素点的显著性值进行修正得到修正显著性值，包括：
根据显著性检测算法获取各像素点的显著性值；所述显著性值乘上所述修正显著因子得到所述修正显著性值。
9.根据权利要求1所述的一种基于智慧建筑的消防隐患监测方法，其特征在于，所述获取监控图像中的至少两个连通域，包括：
根据监控图像中各像素点的灰度值，对各像素点进行聚类，得到至少两个类别；由属于同一类别的像素点构成连通域，得到至少两个连通域。
10.一种基于智慧建筑的消防隐患监测系统，包括存储器、处理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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310368640.7A CN116092018B (zh) | 2023-04-10 | 2023-04-10 | 一种基于智慧建筑的消防隐患监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310368640.7A CN116092018B (zh) | 2023-04-10 | 2023-04-10 | 一种基于智慧建筑的消防隐患监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116092018A true CN116092018A (zh) | 2023-05-09 |
| CN116092018B CN116092018B (zh) | 2023-08-25 |
Family
ID=86199451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310368640.7A Active CN116092018B (zh) | 2023-04-10 | 2023-04-10 | 一种基于智慧建筑的消防隐患监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116092018B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116342891A (zh) * | 2023-05-24 | 2023-06-27 | 济南科汛智能科技有限公司 | 一种适用于自闭症儿童结构化教学监控数据管理系统 |
| CN116612438A (zh) * | 2023-07-20 | 2023-08-18 | 山东联兴能源集团有限公司 | 基于热成像的蒸汽锅炉燃烧状态实时监测系统 |
| CN116818830A (zh) * | 2023-08-29 | 2023-09-29 | 山东津庭名企建材有限公司 | 一种低碳建筑材料的保温隔热性能检测方法 |
| CN117221609A (zh) * | 2023-11-07 | 2023-12-12 | 深圳微云通科技有限公司 | 一种高速公路收费业务集中监控值机系统 |
| CN117880520A (zh) * | 2024-03-11 | 2024-04-12 | 山东交通学院 | 一种用于机车乘务员值乘标准化监控的数据管理方法 |
| CN117911880A (zh) * | 2024-03-20 | 2024-04-19 | 浙江大学 | 基于遥感影像的城市碳排放时空分布模拟方法及系统 |
| CN117880520B (zh) * | 2024-03-11 | 2024-05-10 | 山东交通学院 | 一种用于机车乘务员值乘标准化监控的数据管理方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599291A (zh) * | 2015-01-21 | 2015-05-06 | 内蒙古科技大学 | 基于结构相似度和显著性分析的红外运动目标检测方法 |
| CN110111283A (zh) * | 2019-05-14 | 2019-08-09 | 武汉高德红外股份有限公司 | 一种复杂背景下红外疑似目标的提示方法及系统 |
| CN112365669A (zh) * | 2020-10-10 | 2021-02-12 | 北京索斯克科技开发有限公司 | 双波段远红外融叠成像及火灾预警方法及系统 |
| CN113947555A (zh) * | 2021-09-26 | 2022-01-18 | 国网陕西省电力公司西咸新区供电公司 | 基于深度神经网络的红外与可见光融合的视觉系统及方法 |
| US20220028043A1 (en) * | 2019-11-22 | 2022-01-27 | Dalian University Of Technology | Multispectral camera dynamic stereo calibration algorithm based on saliency features |
| CN114618103A (zh) * | 2022-03-15 | 2022-06-14 | 浙江万邦智能科技股份有限公司 | 一种基于古建筑的智慧消防控制系统及方法 |
| CN115239607A (zh) * | 2022-06-23 | 2022-10-25 | 长沙理工大学 | 一种红外和可见光图像自适应融合的方法及系统 |
| CN115294409A (zh) * | 2022-10-08 | 2022-11-04 | 南通商翼信息科技有限公司 | 一种用于安防监控的视频压缩方法、系统及介质 |
| CN115862259A (zh) * | 2023-02-24 | 2023-03-28 | 深圳市特安电子有限公司 | 一种基于温度监测的火警预警系统 |
-
2023
- 2023-04-10 CN CN202310368640.7A patent/CN116092018B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599291A (zh) * | 2015-01-21 | 2015-05-06 | 内蒙古科技大学 | 基于结构相似度和显著性分析的红外运动目标检测方法 |
| CN110111283A (zh) * | 2019-05-14 | 2019-08-09 | 武汉高德红外股份有限公司 | 一种复杂背景下红外疑似目标的提示方法及系统 |
| US20220028043A1 (en) * | 2019-11-22 | 2022-01-27 | Dalian University Of Technology | Multispectral camera dynamic stereo calibration algorithm based on saliency features |
| CN112365669A (zh) * | 2020-10-10 | 2021-02-12 | 北京索斯克科技开发有限公司 | 双波段远红外融叠成像及火灾预警方法及系统 |
| CN113947555A (zh) * | 2021-09-26 | 2022-01-18 | 国网陕西省电力公司西咸新区供电公司 | 基于深度神经网络的红外与可见光融合的视觉系统及方法 |
| CN114618103A (zh) * | 2022-03-15 | 2022-06-14 | 浙江万邦智能科技股份有限公司 | 一种基于古建筑的智慧消防控制系统及方法 |
| CN115239607A (zh) * | 2022-06-23 | 2022-10-25 | 长沙理工大学 | 一种红外和可见光图像自适应融合的方法及系统 |
| CN115294409A (zh) * | 2022-10-08 | 2022-11-04 | 南通商翼信息科技有限公司 | 一种用于安防监控的视频压缩方法、系统及介质 |
| CN115862259A (zh) * | 2023-02-24 | 2023-03-28 | 深圳市特安电子有限公司 | 一种基于温度监测的火警预警系统 |
Non-Patent Citations (4)
| Title |
|---|
| DEV V. SAVLA ET AL.: "IoT and ML based Smart System for Efficient Garbage Monitoring: Real Time AQI monitoring and Fire Detection for dump yards and Garbage Management System", 《 2020 THIRD INTERNATIONAL CONFERENCE ON SMART SYSTEMS AND INVENTIVE TECHNOLOGY (ICSSIT)》, pages 315 - 321 * |
| ISLAM GOMAA ET AL.: "A framework for intelligent fire detection and evacuation system", 《FIRE TECHNOLOGY》, vol. 57, pages 3179 - 3185, XP037624559, DOI: 10.1007/s10694-021-01157-3 * |
| 孙照蕾等: "红外图像显著目标检测算法", 《红外与激光工程》, vol. 44, no. 09, pages 2633 - 2637 * |
| 徐童童等: "小型会议室夏季空调气流组织及热舒适性研究", 《节能》, vol. 42, no. 02, pages 5 - 9 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116342891A (zh) * | 2023-05-24 | 2023-06-27 | 济南科汛智能科技有限公司 | 一种适用于自闭症儿童结构化教学监控数据管理系统 |
| CN116342891B (zh) * | 2023-05-24 | 2023-08-15 | 济南科汛智能科技有限公司 | 一种适用于自闭症儿童结构化教学监控数据管理系统 |
| CN116612438A (zh) * | 2023-07-20 | 2023-08-18 | 山东联兴能源集团有限公司 | 基于热成像的蒸汽锅炉燃烧状态实时监测系统 |
| CN116612438B (zh) * | 2023-07-20 | 2023-09-19 | 山东联兴能源集团有限公司 | 基于热成像的蒸汽锅炉燃烧状态实时监测系统 |
| CN116818830A (zh) * | 2023-08-29 | 2023-09-29 | 山东津庭名企建材有限公司 | 一种低碳建筑材料的保温隔热性能检测方法 |
| CN116818830B (zh) * | 2023-08-29 | 2023-12-01 | 山东津庭名企建材有限公司 | 一种低碳建筑材料的保温隔热性能检测方法 |
| CN117221609A (zh) * | 2023-11-07 | 2023-12-12 | 深圳微云通科技有限公司 | 一种高速公路收费业务集中监控值机系统 |
| CN117221609B (zh) * | 2023-11-07 | 2024-03-12 | 深圳微云通科技有限公司 | 一种高速公路收费业务集中监控值机系统 |
| CN117880520A (zh) * | 2024-03-11 | 2024-04-12 | 山东交通学院 | 一种用于机车乘务员值乘标准化监控的数据管理方法 |
| CN117880520B (zh) * | 2024-03-11 | 2024-05-10 | 山东交通学院 | 一种用于机车乘务员值乘标准化监控的数据管理方法 |
| CN117911880A (zh) * | 2024-03-20 | 2024-04-19 | 浙江大学 | 基于遥感影像的城市碳排放时空分布模拟方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116092018B (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116092018B (zh) | 一种基于智慧建筑的消防隐患监测方法及系统 | |
| WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
| CN110044486B (zh) | 用于人体检验检疫系统避免重复报警的方法、装置、设备 | |
| US20100150401A1 (en) | Target tracker | |
| CN112069975A (zh) | 一种基于紫外、红外、视觉的综合火焰检测方法 | |
| CN109935080B (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
| JP6707920B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
| CN105828065B (zh) | 一种视频画面过曝检测方法及装置 | |
| US8953039B2 (en) | System and method for auto-commissioning an intelligent video system | |
| CN108875823B (zh) | 基于证据衡量标准下证据的组合方法 | |
| CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
| CN108389359A (zh) | 一种基于深度学习的城市火灾报警方法 | |
| US20210271913A1 (en) | Information processing apparatus, information processing method, and storage medium | |
| US20230282027A1 (en) | Facial enrollment and recognition system | |
| CN111985445A (zh) | 一种基于无人机多光谱遥感的草原虫害监测系统及方法 | |
| CN116259005A (zh) | 一种基于屋顶光伏消防的智能监控系统 | |
| CN116188327B (zh) | 一种用于安防监控视频的图像增强方法 | |
| CN115223105B (zh) | 基于大数据的风险信息监控分析方法及系统 | |
| EP2000998B1 (en) | Flame detecting method and device | |
| CN109688384A (zh) | 一种基于图像识别的教室教学情况监控系统及方法 | |
| CN115862259A (zh) | 一种基于温度监测的火警预警系统 | |
| CN116012780A (zh) | 一种基于图像识别的火灾监控方法及系统 | |
| CN112418251B (zh) | 红外体温检测方法及系统 | |
| CN114332587A (zh) | 一种火灾识别预警方法及装置 | |
| CN116029862B (zh) | 一种智慧建筑的可视化安全管理系统 |
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 |