CN116168345B - 火灾检测方法及相关设备 - Google Patents
火灾检测方法及相关设备 Download PDFInfo
- Publication number
- CN116168345B CN116168345B CN202310429957.7A CN202310429957A CN116168345B CN 116168345 B CN116168345 B CN 116168345B CN 202310429957 A CN202310429957 A CN 202310429957A CN 116168345 B CN116168345 B CN 116168345B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- fire
- scene
- false alarm
- 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
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本申请属于图像识别技术领域,提供了一种火灾检测方法、计算机设备及计算机可读存储介质,为解决传统技术中人工过滤火灾误报的问题,通过在目标场景不存在火灾的情况下,确定目标场景包含的误报目标所对应的误报目标图像,在不确定目标场景是否存在火灾的情况下,获取目标场景所对应的场景图像,并对场景图像进行火灾识别,在判定场景图像包含火灾的情况下,将场景图像与误报目标图像进行相似性比对,并在场景图像与误报目标图像不满足预设相似性条件的情况下,判定场景图像包含的火灾为真实火灾,能够提高火灾误报的排除效率,提高火灾检测的准确性。
Description
技术领域
本申请涉及图像识别技术领域,尤其涉及一种火灾检测方法、计算机设备及计算机可读存储介质。
背景技术
火灾检测算法一般利用监控摄像头或者红外热像仪采集的火灾图像作为训练样本图像进行训练,由于训练样本图像只能展示火焰的外观,且火焰的外观有着不确定的轮廓,所以火灾检测算法所获得的火灾特征只是火灾信号的面积、颜色、强度等信息。
由于火灾检测是以图像信息来对火灾进行识别的,而在火灾检测算法的常见部署场景中,会存在一些与火焰的可见光颜色以及红外信号强度相近的物体,比如高功率的照明灯,这些物体所对应的图像包含的目标会使火灾检测算法将这些目标的图像与上述作为检测火灾的图像产生混淆,并且由于采集的图像信号可能存在小幅度的抖动或者环境干扰,导致每次采集的图像信号很难完全一样,从而无法精确地确定采集的图像信号包含的误报物体,进而在监控摄像头或红外热像仪设备采集的火灾画面中,火灾检测算法无法有效地辨别这样的误报目标与真实火灾的火焰,导致持续产生火灾误报,即将上述不为火灾的目标误报为火灾,上述被误报为火灾的目标可以称为误报目标。
针对上述火灾误报,主要利用人工排除将每个监控设备画面里的每个误报点都排除,但这种方式仅仅适合于小规模场景。在拥有大量监控设备和照明灯等设备的大型场景中,对于将物体进行火灾误报的情形,如果利用人工排除火灾误报点,那么每个监控设备画面里的每个误报点都需要被标记,部署火灾检测系统的工作量就会非常大,如何自动过滤误报目标来准确检测火灾成为了火灾检测中亟需解决的问题。
发明内容
本申请提供了一种火灾检测方法、计算机设备及计算机可读存储介质,能够实现自动过滤火灾误报目标来准确检测火灾。
第一方面,本申请提供了一种火灾检测方法,包括:在目标场景不存在火灾的情况下,确定所述目标场景包含的误报目标所对应的误报目标图像;在不确定所述目标场景是否存在火灾的情况下,获取所述目标场景所对应的场景图像,并对所述场景图像进行火灾识别;在判定所述场景图像包含火灾的情况下,将所述场景图像与所述误报目标图像进行相似性比对;在所述场景图像与所述误报目标图像不满足预设相似性条件的情况下,判定所述场景图像包含的火灾为真实火灾。
第二方面,本申请提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现所述火灾检测方法的步骤。
第三方面,本申请提供了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使所述处理器执行所述火灾检测方法的步骤。
本申请提供了一种火灾检测方法、计算机设备及计算机可读存储介质,方法通过在目标场景不存在火灾的情况下,确定目标场景包含的误报目标所对应的误报目标图像,在不确定目标场景是否存在火灾的情况下,获取目标场景所对应的场景图像,并对场景图像进行火灾识别,在判定场景图像包含火灾的情况下,将场景图像与误报目标图像进行相似性比对,并在场景图像与误报目标图像不满足预设相似性条件的情况下,判定场景图像包含的火灾为真实火灾,相比于传统技术中通过人工进行误报目标的排除,本申请实施例能够采用确定的误报来排除可能的误报,从而替代人工自动排除误报的误报目标,并且无需调整火灾检测模型,尤其在拥有大量监控设备与照明灯等物体作为误报目标的场景中,能够提高火灾误报的排除效率,显著降低火灾误报率,提高火灾检测的准确性。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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的附图。
图1为本申请实施例提供的火灾检测方法的流程示意图;
图2为本申请实施例提供的火灾检测方法的第一个子流程示意图;
图3为本申请实施例提供的火灾检测方法的第二个子流程示意图;
图4为本申请实施例提供的火灾检测方法的第三个子流程示意图;
图5为本申请实施例提供的火灾检测方法的第四个子流程示意图;
图6为本申请实施例提供的火灾检测方法的第五个子流程示意图;
图7为本申请实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例提供了一种火灾检测方法,所述方法可以应用于包含但不限于智能手机、平板电脑、笔记本电脑、台式计算机等电子设备,可以应用在包括但不限于火灾监控等消防技术领域或者应用场景的电子设备中,并可以在拥有大量监控设备与照明灯等物体作为误报目标的场景中,采用本申请实施例提供的火灾检测方法。
面对传统技术中如何自动过滤误报目标来准确检测火灾的技术问题,发明人提出本申请实施例的火灾检测方法,本申请实施例的核心思想为:在火灾检测系统部署阶段,在目标现场没有火灾的情况下,识别出被误判为火灾的误报目标,在火灾检测系统运行阶段,将被识别为火灾的初判火灾目标,采用误报目标进行过滤,来判断初判火灾目标是否为真实的火灾,从而采用识别出的误报目标来排除火灾检测系统运行阶段的误判,进而用确定了的误判排除可能的误判,以此克服火灾检测系统自身对火灾的误判缺陷,相比传统技术中通过人工进行误报目标的排除,本申请实施例能够采用确定的误报来排除可能的误报,从而替代人工自动排除造成火灾误报的误报目标,并且无需调整火灾检测模型,尤其在拥有大量监控设备与照明灯等物体作为误报目标的场景中,能够提高火灾误报的排除效率,显著降低火灾误报率,并且提高火灾检测的准确性。
下面结合附图,对本申请的一些实施例作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合,从而构建出技术方案的不同实施方式。
请参阅图1,图1为本申请实施例提供的火灾检测方法的流程示意图。如图1所示,该方法包括但不限于以下步骤S11-S14:
S11、在目标场景不存在火灾的情况下,确定所述目标场景包含的误报目标所对应的误报目标图像。
其中,误报目标图像为误报目标的图像形式的映射。
解释性地,在目标场景不存在火灾的情况下,采集目标场景所对应的第一场景图像,并将第一场景图像进行识别,对于第一场景图像中被识别为火灾的目标图像,其所对应的目标即为误判为火灾的目标,并将其确定为误报目标,误报目标所对应的图像即为相对应的误报目标图像,误报目标包括但不限于静态误报目标,静态误报目标描述位置处于不变动状态的误报目标,即静态误报目标描述误报的目标为静态的对象,静态误报目标包括但不限于目标场景包含的监控设备或者照明灯,在误报目标为静态误报目标的情况下,能够提高火灾检测的准确性。
S12、在不确定所述目标场景是否存在火灾的情况下,获取所述目标场景所对应的场景图像,并对所述场景图像进行火灾识别。
解释性地,在不确定目标场景是否存在火灾的情况下,获取目标场景所对应的场景图像,并对场景图像进行火灾识别,可以基于预设第二火灾检测模型来对场景图像进行火灾识别,从而判断场景图像是否包含火灾。
S13、在判定所述场景图像包含火灾的情况下,将所述场景图像与所述误报目标图像进行相似性比对。
解释性地,在判定场景图像包含火灾的情况下,将场景图像与误报目标图像进行相似性比对,来判断场景图像与误报目标图像是否相似,从而进一步判断场景图像包含的被判定为的火灾是否为误报。
S14、在所述场景图像与所述误报目标图像不满足预设相似性条件的情况下,判定所述场景图像包含的火灾为真实火灾。
解释性地,在场景图像与误报目标图像不满足预设相似性条件的情况下,即在场景图像与误报目标图像不满足相应的相似程度的情况下,判定场景图像包含的火灾为真实火灾,进一步地,在场景图像与误报目标图像满足预设相似性条件的情况下,即在场景图像与误报目标图像满足相应的相似程度的情况下,判定场景图像包含的火灾为误报的火灾。
本申请实施例,通过在目标场景不存在火灾的情况下,确定目标场景包含的误报目标所对应的误报目标图像,在不确定目标场景是否存在火灾的情况下,获取目标场景所对应的场景图像,并对场景图像进行火灾识别,在判定场景图像包含火灾的情况下,将场景图像与误报目标图像进行相似性比对,并在场景图像与误报目标图像不满足预设相似性条件的情况下,判定场景图像包含的火灾为真实火灾,相比于传统技术中通过人工进行误报目标的排除,本申请实施例能够采用确定的误报来排除可能的误报,从而替代人工自动排除误报的误报目标,并且无需调整火灾检测模型,尤其在拥有大量监控设备与照明灯等物体作为误报目标的场景中,能够提高火灾误报的排除效率,显著降低火灾误报率,提高火灾检测的准确性。
在一实施例中,请参阅图2,图2为本申请实施例提供的火灾检测方法的第一个子流程示意图。如图2所示,在该实施例中,所述在目标场景不存在火灾的情况下,确定所述目标场景包含的误报目标所对应的误报目标图像,包括:
S21、在确定目标场景不存在火灾的情况下,获取所述目标场景所对应的第一场景图像;
S22、基于预设第一火灾检测模型,将所述第一场景图像进行识别,并将所述第一场景图像包含的被识别为火灾的第一目标所对应的图像确定为误报目标图像。
其中,目标场景为进行火灾监控的目标所属的场景,目标场景即进行火灾监控的现场。
解释性地,在确定目标场景不存在火灾的情况下,例如,在火灾检测系统部署阶段,确定目标场景不存在火灾,基于监控摄像头或者红外热像仪设备等图像采集设备,采集目标场景的图像,从而获取目标场景所对应的第一场景图像,第一场景图像即为目标场景不存在火灾情况下的图像。
构建第一火灾检测模型,并采用火灾样本图像训练第一火灾检测模型,从而使第一火灾检测模型能够根据图像进行火灾检测,训练后的第一火灾检测模型,即为预设第一火灾检测模型。并采用预设第一火灾检测模型,将第一场景图像进行识别,在预设第一火灾检测模型存在误判、并且第一场景图像所对应的目标场景存在容易被误判为火灾的目标的情况下,第一场景图像可能会被误判为火灾画面,第一场景图像包含的被错误识别为火灾的若干个第一目标为火灾误报的目标,并将第一目标所对应的图像确定为误报目标,还可以将处于静态的第一目标确定为静态误报目标,第一场景图像包含若干个误报目标图像,其中,误报目标描述确定原本不为火焰而被误判为火焰的目标。进一步地,在误报目标为静态误报目标的情况下,静态误报目标包含但不限于监控设备、照明灯,静态误报目标在图像识别上由于与火灾的火焰存在相似性,在基于图像识别时容易与火灾的火焰存在混淆而被误判为火焰,从而导致火灾的误判。
本申请实施例,通过在确定目标场景不存在火灾的情况下,获取目标场景所对应的第一场景图像,并基于预设第一火灾检测模型,将第一场景图像进行识别,并将第一场景图像包含的被识别为火灾的第一目标所对应的图像确定为误报目标图像,从而能够自动的确定被预设第一火灾检测模型进行了火灾误判的误判目标,并能够基于误判目标以便后续克服预设第一火灾检测模型自身所不可避免的误判缺陷。
在一实施例中,请参阅图3,图3为本申请实施例提供的火灾检测方法的第二个子流程示意图。如图3所示,在该实施例中,所述基于预设第一火灾检测模型,将所述第一场景图像进行识别,并将所述第一场景图像包含的被识别为火灾的第一目标所对应的图像确定为误报目标图像,包括:
S31、获取第一张场景图像,并基于预设第一火灾检测模型,获取所述第一张场景图像包含的被识别为火灾的第一目标图像;
S32、获取其它张场景图像,并基于所述预设第一火灾检测模型,获取所述其它张场景图像包含的被识别为火灾的第二目标图像;
S33、计算所述第一目标图像与所述第二目标图像之间的第二相似度;
S34、判断所述第二相似度是否大于或者等于预设第二相似度阈值;
S35、在所述第二相似度大于或者等于预设第二相似度阈值的情况下,将所述第一目标图像与所述第二目标图像作为相同的误报目标图像并记录一次;
S36、在所述第二相似度小于预设第二相似度阈值的情况下,将所述第一目标图像与所述第二目标图像作为不相同的误报目标图像并分别记录。
解释性地,获取第一张场景图像,并基于预设第一火灾检测模型,将第一张场景图像进行识别,且将第一张场景图像包含的被识别为火灾的第一目标所对应的图像确定为第一目标图像,第一张场景图像包含若干个第一目标图像,同样地,获取其它张场景图像包含的被识别为火灾的第二目标所对应的图像作为第二目标图像,其它张场景图像包含若干个第二目标图像,计算第一目标图像与第二目标图像之间的第二相似度,第二相似度一般为图像相似度,进一步地,还可以设置预设第二相似度阈值大于预设第一相似度阈值,并判断第二相似度是否大于或者等于预设第二相似度阈值,且在第二相似度大于或者等于预设第二相似度阈值的情况下,视第二目标图像与第一目标图像为相同的误报目标,仅将第一目标与第二目标作为同一个误报目标图像来进行记录,从而过滤掉重复的误报目标图像,其中,预设第二相似度阈值越大,误报目标图像的数量相对越多,预设第二相似度阈值越小,误报目标图像的数量相对越少,误报目标图像的数量会影响到后续对火灾进行判断的效率与准确性,需要设置合适的预设第二相似度阈值,从而在准确性与效率之间取得相对的平衡。进一步地,在第二相似度小于预设第二相似度阈值的情况下,视第二目标图像为与第一目标图像不相同的新的误报目标图像,即将第二目标作为不同于第一目标的新的误报目标图像,将第一目标图像与第二目标图像均作为误报目标图像并分别进行记录。
示例性地,在误报目标为静态误报目标的情况下,将第一张场景图像输入预设第一火灾检测模型,对于第一张场景图像包含的每个被判定为火灾的目标 1,/> 1描述第一张场景图像包含的若干个被判定为火灾的目标的集合,视其为静态误报目标,并将其记录在静态误报目标集合S中。然后将第2至第n张场景图像分别输入预设第一火灾检测模型,对于第2至第n张场景图像中包含的被预设第一火灾检测模型判定为火灾的每个目标/> 2...n,R2描述其它张场景图像包含的若干个被判定为火灾的目标的集合,Rn描述第n张场景图像包含的若干个被判定为火灾的目标的集合,然后对比S中已有的静态误报目标,计算 2...n中的每个目标与S中每个静态误报目标的重合范围,例如,可以在重合范围包括但不限于大于或者等于较小的目标的面积的80%的情况下,视/> 2...n中的目标与S中的目标为相同的静态误报目标,视/> 2...n中的目标与S中的目标为重复的静态误报目标,在重合范围包括但不限于小于较小的目标的面积的80%的情况下,视/> 2...n中的目标与S中的目标为不相同的静态误报目标,视/> 2...n中的目标为新的静态误报目标,并将其添加在S中,从而确定S中包含的静态误报目标。
本申请实施例,通过获取第一张场景图像,并基于预设第一火灾检测模型,获取第一张场景图像包含的被识别为火灾的第一目标图像,再获取其它张场景图像,并基于预设第一火灾检测模型,获取其它张场景图像包含的被识别为火灾的第二目标图像,然后计算第一目标图像与第二目标图像之间的第二相似度,并在第二相似度大于或者等于预设第二相似度阈值的情况下,将第一目标图像与第二目标图像作为相同的误报目标图像并仅记录一次,在第二相似度小于预设第二相似度阈值的情况下,将第一目标图像与第二目标图像作为不相同的误报目标图像并分别进行记录,能够在全面获取误报目标图像的情况下,自动过滤掉重复的误报目标图像,减少误报目标图像的数量,在保证火灾检测准确的基础上,提高火灾检测的效率。
在一实施例中,请参阅图4,图4为本申请实施例提供的火灾检测方法的第三个子流程示意图。如图4所示,在该实施例中,计算所述第一目标图像与所述第二目标图像之间的第二相似度,包括:
S41、在所述第一目标图像与所述第二目标图像存在重合的情况下,计算所述第一目标图像与所述第二目标图像所对应的重合面积;
S42、确定所述重合面积所对应的基准面积;
S43、计算所述重合面积相对于所述基准面积的占比,并将所述占比作为第二相似度。
解释性地,第一目标图像与第二目标图像可以分别采用但不限于图像坐标系来描述,图像坐标系即以图像左上角为原点建立以像素为单位的直角坐标系,其横坐标与纵坐标分别是在其图像数组中所在的列数与行数。第一目标图像与第二目标图像可以分别采用如下公式(1)的形式描述:
ro=(x0, y0, x1, y1),0≤x0<x1, 0≤y0<y1,公式(1);
其中,ro描述第一目标图像或者第二目标图像所对应的矩形边框,(x0, y0)描述矩形边框的左上角坐标,(x1, y1)描述矩形边框的右下角坐标,x0与x1分别描述横坐标在其图像数组中所在的列数,y0与y1分别描述纵坐标在其图像数组中所在的行数。
基于上述采用图坐标描述第一目标图像与第二目标图像,误报目标图像的范围表示可以采用如下公式(2),包括了误报目标图像范围的左上角和右下角各自的坐标,由于采集的图像信号的抖动和环境干扰,误报目标图像会出现在这个目标范围附近,不一定完全重合,所有误报目标范围图像的集合,记为S。
sfp=(x2, y2, x3, y3),0≤x2<x3, 0≤y2<y3,公式(2);
其中,sfp描述误报目标图像所对应的矩形边框,为一种图像范围,(x2, y2)描述矩形边框的左上角坐标,(x3, y3)描述矩形边框的右下角坐标,x2与x3分别描述横坐标在其图像数组中所在的列数,y2与y3分别描述纵坐标在其图像数组中所在的行数。
基于上述第一目标图像与第二目标图像的坐标表示,通过坐标之间的比较与计算,能够判断第一目标图像与第二目标图像是否存在相同的部分,相同的部分即为图像之间重叠或者重合的部分,在第一目标图像与第二目标图像存在相同部分的情况下,即为第一目标图像与第二目标图像存在重合,在第一目标图像与第二目标图像存在重合的情况下,计算第一目标图像与第二目标图像所对应的重合面积,即第一目标图像与第二目标图像存在的相同部分的大小。
确定重合面积所对应的基准面积,基准面积描述作为基准来判断第一目标图像与第二目标图像的相似性大小的面积,基准面积包括但不限于第一目标图像所对应的面积或者第二目标图像所对应的面积。进一步地,确定重合面积所对应的基准面积,包括:计算所述第一目标图像所对应的第一面积,及所述第二目标图像所对应的第二面积;将所述第一面积与所述第二面积中的较小者作为基准面积,通过将第一面积与第二面积中的较小者作为基准面积,能够提高火灾检测的准确性,降低火灾误判的几率。
然后计算重合面积相对于基准面积的占比,即将重合面积除以基准面积所对应的值,为重合面积占基准面积的比例,并将占比作为第二相似度。
本申请实施例,通过在第一目标图像与第二目标图像存在重合的情况下,计算第一目标图像与第二目标图像所对应的重合面积,并确定重合面积所对应的基准面积,计算重合面积相对于基准面积的占比,并将占比作为第二相似度,能够精确地判定第一目标图像与第二目标图像的相似性,进而提高火灾检测的准确性,降低火灾误判的几率。
在一实施例中,请参阅图5,图5为本申请实施例提供的火灾检测方法的第四个子流程示意图。如图5所示,在该实施例中,获取所述目标场景所对应的场景图像,并对所述场景图像进行火灾识别,包括:
S51、获取所述目标场景所对应的第二场景图像;
S52、基于预设第二火灾检测模型,将所述第二场景图像进行识别,并将所述第二场景图像包含的被识别为火灾的第二目标确定为初判火灾目标。
其中,预设第二火灾检测模型与预设第一火灾检测模型可以为相同的火灾检测模型,此处的“第一”与“第二”只是为了区分可能存在的不同火灾检测模型,不用于限定火灾检测模型。
解释性地,在不确定目标场景是否存在火灾的情况下,例如,在火灾检测系统的正式运行阶段,基于监控摄像头或者红外热像仪设备等图像采集设备,采集目标场景的图像,从而获取目标场景所对应的第二场景图像,对于同一目标场景,由于信号可能存在的小幅度抖动或者环境干扰,第二场景图像及其包含的目标与第一场景图像及其包含的可能完全相同,也可能存在不完全相同,并采用第二场景图像来判断目标场景是否存在火灾,然后基于预设第二火灾检测模型,将第二场景图像进行识别,在预设第二火灾检测模型判定第二场景图像存在火灾的情况下,将第二场景图像包含的被识别为火灾的若干个第二目标确定为初判火灾目标,第二场景图像包含若干个初判火灾目标,再进一步判断初判火灾目标是否为真实的火灾,进一步地,还可以在预设第二火灾检测模型判定第二场景图像不存在火灾的情况下,默认第二场景图像所对应的目标场景不存在火灾。
本申请实施例,通过获取目标场景所对应的第二场景图像,基于预设第二火灾检测模型,将第二场景图像进行识别,并将第二场景图像包含的被识别为火灾的第二目标确定为初判火灾目标,从而实现对第二场景图像的初次判断,形成后续火灾检测判断的前提与基础,并与后续的火灾判断步骤结合在一起,对火灾检测进行准确判断,能够提高火灾检测的准确性、自动性与效率。
在一实施例中,请参阅图6,图6为本申请实施例提供的火灾检测方法的第五个子流程示意图。如图6所示,在该实施例中,将所述场景图像与所述误报目标图像进行相似性比对,包括:
S61、计算所述初判火灾目标与所述误报目标图像之间的第一相似度;
S62、判断所述第一相似度是否小于或者等于预设第一相似度阈值;
S63、在所述第一相似度小于或者等于预设第一相似度阈值的情况下,判定所述场景图像与所述误报目标图像不满足预设相似性条件;
S64、在所述第一相似度大于预设第一相似度阈值的情况下,判定所述场景图像与所述误报目标图像满足预设相似性条件。
解释性地,以误报目标图像作为误报的判断基准,计算初判火灾目标与误报目标图像之间的第一相似度,从而采用误报目标图像来判断第二场景图像是否被预设第二火灾检测模型进行了火灾的误判,并在第一相似度小于或者等于预设第一相似度阈值的情况下,判定场景图像与误报目标图像不满足预设相似性条件,即初判火灾目标与静态误报目标的第一相似度较低的情况下,判定初判火灾目标与误报目标不一致,即初判火灾目标不为误报目标,并判定初判火灾目标为真实火灾。
进一步地,还可以在第一相似度大于预设第一相似度阈值的情况下,判定场景图像与误报目标图像满足预设相似性条件,即初判火灾目标与误报目标图像之间的第一相似度较高的情况下,判定初判火灾目标与误报目标图像一致,即初判火灾目标为误报目标图像,并判定初判火灾目标为预设第二火灾检测模型的不准确判断,初判火灾目标不为真实火灾,即第二场景图像被预设第二火灾检测模型进行了火灾的误判,从而在基于预设第二火灾检测模型对第二场景图像进行初判为火灾的基础上,再基于误报目标对初判火灾目标进行再次判断,并在判定初判火灾目标不为真实火灾的情况下,实现对火灾误判的最终准确判断,能够自动过滤基于预设第二火灾检测模型对火灾的误判,来克服预设第二火灾检测模型不可避免的误判,提高火灾检测的准确性。
在一示例中,可以将误报目标图像的集合记为S,将第二场景图像记为第m张信号图像,对于第二场景图像包含的每个被判定为火灾的初判火灾目标 m,与S包含的误报目标图像进行比较,计算初判火灾目标与每个误报目标图像的第一相似度,可以采用包括但不限于计算初判火灾目标与单个误报目标的重合范围来衡量初判火灾目标与单个误报目标图像的第一相似度,示例性地,在采用重合范围来衡量初判火灾目标与单个误报目标图像的第一相似度的情况下,可以采用包括但不限于在初判火灾目标与单个误报目标图像的重合范围大于或者等于两者中较小框的面积的50%的情况下,视初判火灾目标为已知的误报目标图像,在初判火灾目标与单个误报目标图像的重合范围小于两者中较小框的面积的50%的情况下,视初判火灾目标不为已知的误报目标图像,判定初判火灾目标为真实的火灾。
本申请实施例,通过计算初判火灾目标与误报目标图像的第一相似度,并在第一相似度小于或者等于预设第一相似度阈值的情况下,判定场景图像与误报目标图像不满足预设相似性条件,进而判定初判火灾目标为真实火灾,从而通过自动识别误报目标,并将其它被初步判定为火灾的初判火灾目标与误报目标图像进行比对,再根据初判火灾目标与误报目标图像的相似度,来确定初判火灾目标是否被最终确定为真实的火灾,相比于传统技术中通过人工进行误报目标的排除,本申请实施例能够采用确定的误报来排除可能的误报,从而替代人工自动排除误报的误报目标,并且无需调整火灾检测模型,尤其在拥有大量监控设备与照明灯等静态物体作为误报目标的场景中,能够提高火灾误报的排除效率,显著降低火灾误报率,提高火灾检测的准确性。
需要说明的是,上述各个实施例所述的火灾检测方法,可以根据需要将不同实施例中包含的技术特征重新进行组合,以获取组合后的实施方案,但都在本申请要求的保护范围之内。
上述的应用于计算机设备的火灾检测方法或者应用于集中控制端的火灾检测方法可以分别实现为一种计算机程序的形式,该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7,图7是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是台式机电脑或者服务器等计算机设备,也可以是其他设备中的组件或者部件。
参阅图7,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504,所述存储器也可以为易失性存储介质。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行一种上述火灾检测方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种上述火灾检测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图7所示实施例一致,在此不再赘述。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
在目标场景不存在火灾的情况下,确定所述目标场景包含的误报目标所对应的误报目标图像;
在不确定所述目标场景是否存在火灾的情况下,获取所述目标场景所对应的场景图像,并对所述场景图像进行火灾识别;
在判定所述场景图像包含火灾的情况下,将所述场景图像与所述误报目标图像进行相似性比对;
在所述场景图像与所述误报目标图像不满足预设相似性条件的情况下,判定所述场景图像包含的火灾为真实火灾。
在一实施例中,所述处理器502在实现所述在目标场景不存在火灾的情况下,确定所述目标场景包含的误报目标所对应的误报目标图像的步骤时,具体实现以下步骤:
在确定目标场景不存在火灾的情况下,获取所述目标场景所对应的第一场景图像;
基于预设第一火灾检测模型,将所述第一场景图像进行识别,并将所述第一场景图像包含的被识别为火灾的第一目标所对应的图像确定为误报目标图像。
在一实施例中,所述处理器502在实现所述基于预设第一火灾检测模型,将所述第一场景图像进行识别,并将所述第一场景图像包含的被识别为火灾的第一目标所对应的图像确定为误报目标图像的步骤时,具体实现以下步骤:
获取第一张场景图像,并基于预设第一火灾检测模型,获取所述第一张场景图像包含的被识别为火灾的第一目标图像;
获取其它张场景图像,并基于所述预设第一火灾检测模型,获取所述其它张场景图像包含的被识别为火灾的第二目标图像;
计算所述第一目标图像与所述第二目标图像之间的第二相似度;
判断所述第二相似度是否大于或者等于预设第二相似度阈值;
在所述第二相似度大于或者等于预设第二相似度阈值的情况下,将所述第一目标图像与所述第二目标图像作为相同的误报目标图像并记录一次;
在所述第二相似度小于预设第二相似度阈值的情况下,将所述第一目标图像与所述第二目标图像作为不相同的误报目标图像并分别记录。
在一实施例中,所述处理器502在实现计算所述第一目标图像与所述第二目标图像之间的第二相似度的步骤时,具体实现以下步骤:
在所述第一目标图像与所述第二目标图像存在重合的情况下,计算所述第一目标图像与所述第二目标图像所对应的重合面积;
确定所述重合面积所对应的基准面积;
计算所述重合面积相对于所述基准面积的占比,并将所述占比作为第二相似度。
在一实施例中,所述处理器502在实现所述确定重合面积所对应的基准面积的步骤时,具体实现以下步骤:
计算所述第一目标图像所对应的第一面积,及所述第二目标图像所对应的第二面积;
将所述第一面积与所述第二面积中的较小者作为基准面积。
在一实施例中,所述处理器502在实现获取所述目标场景所对应的场景图像,并对所述场景图像进行火灾识别的步骤时,具体实现以下步骤:
获取所述目标场景所对应的第二场景图像;
基于预设第二火灾检测模型,将所述第二场景图像进行识别,并将所述第二场景图像包含的被识别为火灾的第二目标确定为初判火灾目标。
在一实施例中,所述处理器502在实现所述将所述场景图像与所述误报目标图像进行相似性比对的步骤时,具体实现以下步骤:
计算所述初判火灾目标与所述误报目标图像之间的第一相似度;
判断所述第一相似度是否小于或者等于预设第一相似度阈值;
在所述第一相似度小于或者等于预设第一相似度阈值的情况下,判定所述场景图像与所述误报目标图像不满足预设相似性条件。
在一实施例中,所述处理器502在实现确定所述目标场景包含的误报目标所对应的误报目标图像时,所述误报目标为静态误报目标,所述静态误报目标描述位置处于不变动状态的误报目标。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,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。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来完成,该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行,以实现上述应用于计算机设备的所述火灾检测方法的步骤或者实现应用于集中控制端的所述火灾检测方法的步骤。
因此,本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质,也可以为易失性的计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时使处理器执行如下步骤:
一种计算机程序产品,当其在计算机上运行时,使得计算机执行以上各实施例中所描述的应用于计算机设备的所述火灾检测方法的步骤或者执行应用于集中控制端的所述火灾检测方法的步骤。
所述计算机可读存储介质可以是前述设备的内部存储单元,例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备,例如所述设备上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述存储介质为实体的、非瞬时性的存储介质,例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,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。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本申请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,也可以是两个或两个以上单元集成在一个单元中。
该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,可以存储在一个存储介质中。基于这样的理解,本申请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一个存储介质中,包括若干指令用进而得一台电子设备(可以是个人计算机,终端,或者计算机设备等)执行本申请各个实施例所述方法的全部或部分步骤。
以上所述,仅为本申请的具体实施方式,但本申请明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种火灾检测方法,其特征在于,包括:
在目标场景不存在火灾的情况下,确定所述目标场景包含的误报目标所对应的误报目标图像;
在不确定所述目标场景是否存在火灾的情况下,获取所述目标场景所对应的场景图像,并对所述场景图像进行火灾识别;
在判定所述场景图像包含火灾的情况下,将所述场景图像与所述误报目标图像进行相似性比对;
在所述场景图像与所述误报目标图像不满足预设相似性条件的情况下,判定所述场景图像包含的火灾为真实火灾;
其中,所述在目标场景不存在火灾的情况下,确定所述目标场景包含的误报目标所对应的误报目标图像,包括:
在确定目标场景不存在火灾的情况下,获取所述目标场景所对应的第一场景图像;
基于预设第一火灾检测模型,对所述第一场景图像进行识别,并将所述第一场景图像包含的被识别为火灾的第一目标所对应的图像确定为误报目标图像;
其中,所述基于预设第一火灾检测模型,对所述第一场景图像进行识别,并将所述第一场景图像包含的被识别为火灾的第一目标所对应的图像确定为误报目标图像,包括:
获取第一张场景图像,并基于预设第一火灾检测模型,获取所述第一张场景图像包含的被识别为火灾的第一目标图像;
获取其它张场景图像,并基于所述预设第一火灾检测模型,获取所述其它张场景图像包含的被识别为火灾的第二目标图像;
计算所述第一目标图像与所述第二目标图像之间的第二相似度;
判断所述第二相似度是否大于或者等于预设第二相似度阈值;
在所述第二相似度大于或者等于预设第二相似度阈值的情况下,将所述第一目标图像与所述第二目标图像作为相同的误报目标图像并记录一次;
在所述第二相似度小于预设第二相似度阈值的情况下,将所述第一目标图像与所述第二目标图像作为不相同的误报目标图像并分别记录。
2.根据权利要求1所述火灾检测方法,其特征在于,计算所述第一目标图像与所述第二目标图像之间的第二相似度,包括:
在所述第一目标图像与所述第二目标图像存在重合的情况下,计算所述第一目标图像与所述第二目标图像所对应的重合面积;
确定所述重合面积所对应的基准面积;
计算所述重合面积相对于所述基准面积的占比,并将所述占比作为第二相似度。
3.根据权利要求2所述火灾检测方法,其特征在于,确定所述重合面积所对应的基准面积,包括:
计算所述第一目标图像所对应的第一面积,及所述第二目标图像所对应的第二面积;
将所述第一面积与所述第二面积中的较小者作为基准面积。
4.根据权利要求1-3任一项所述火灾检测方法,其特征在于,获取所述目标场景所对应的场景图像,并对所述场景图像进行火灾识别,包括:
获取所述目标场景所对应的第二场景图像;
基于预设第二火灾检测模型,对所述第二场景图像进行识别,并将所述第二场景图像包含的被识别为火灾的第二目标确定为初判火灾目标。
5.根据权利要求4所述火灾检测方法,其特征在于,将所述场景图像与所述误报目标图像进行相似性比对,包括:
计算所述初判火灾目标与所述误报目标图像之间的第一相似度;
判断所述第一相似度是否小于或者等于预设第一相似度阈值;
在所述第一相似度小于或者等于预设第一相似度阈值的情况下,判定所述场景图像与所述误报目标图像不满足预设相似性条件。
6.根据权利要求1所述火灾检测方法,其特征在于,所述误报目标为静态误报目标,所述静态误报目标描述位置处于不变动状态的误报目标。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器以及与所述存储器相连的处理器;所述存储器用于存储计算机程序;所述处理器用于运行所述计算机程序,以执行如权利要求1-6任一项所述方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述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可实现如权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310429957.7A CN116168345B (zh) | 2023-04-21 | 2023-04-21 | 火灾检测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310429957.7A CN116168345B (zh) | 2023-04-21 | 2023-04-21 | 火灾检测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168345A CN116168345A (zh) | 2023-05-26 |
CN116168345B true CN116168345B (zh) | 2023-07-21 |
Family
ID=86414919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310429957.7A Active CN116168345B (zh) | 2023-04-21 | 2023-04-21 | 火灾检测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168345B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503815B (zh) * | 2023-06-21 | 2024-01-30 | 宝德计算机系统股份有限公司 | 一种基于大数据的计算机视觉处理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910604A (zh) * | 2019-11-21 | 2020-03-24 | 北京都是科技有限公司 | 用于火灾报警的监控方法、系统以及装置 |
WO2023273665A1 (zh) * | 2021-06-30 | 2023-01-05 | 武汉理工光科股份有限公司 | 一种重复火警判定方法、装置、电子设备及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512667B (zh) * | 2014-09-22 | 2019-01-15 | 中国石油化工股份有限公司 | 红外和可见光视频图像融合识别火灾的方法 |
US10304306B2 (en) * | 2015-02-19 | 2019-05-28 | Smoke Detective, Llc | Smoke detection system and method using a camera |
CN106373320B (zh) * | 2016-08-22 | 2018-10-02 | 中国人民解放军海军工程大学 | 基于火焰颜色离散度和连续帧图像相似度的火灾识别方法 |
CN108334801A (zh) * | 2017-01-20 | 2018-07-27 | 杭州海康威视系统技术有限公司 | 一种火灾识别方法、装置及火灾报警系统 |
KR102417560B1 (ko) * | 2020-02-28 | 2022-07-06 | (주)트리플렛 | 화재 감지 장치 및 방법 |
CN114332747A (zh) * | 2020-10-09 | 2022-04-12 | 北京安云世纪科技有限公司 | 防止火焰识别误报的方法、系统、存储介质及其计算机设备 |
CN113591921A (zh) * | 2021-06-30 | 2021-11-02 | 北京旷视科技有限公司 | 图像识别方法及装置、电子设备、存储介质 |
CN114926774A (zh) * | 2022-02-17 | 2022-08-19 | 华能威宁风力发电有限公司 | 一种基于视频图像识别光伏组件火灾的方法及装置 |
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 |
CN114648735A (zh) * | 2022-04-01 | 2022-06-21 | 上海电气集团股份有限公司 | 火苗的检测方法、系统、设备和存储介质 |
-
2023
- 2023-04-21 CN CN202310429957.7A patent/CN116168345B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910604A (zh) * | 2019-11-21 | 2020-03-24 | 北京都是科技有限公司 | 用于火灾报警的监控方法、系统以及装置 |
WO2023273665A1 (zh) * | 2021-06-30 | 2023-01-05 | 武汉理工光科股份有限公司 | 一种重复火警判定方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116168345A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109257582B (zh) | 一种投影设备的校正方法和装置 | |
CN109657564B (zh) | 一种人员在岗检测方法、装置、存储介质及终端设备 | |
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
KR102595704B1 (ko) | 영상 검측 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
CN107273838B (zh) | 交通信号灯抓拍图片的处理方法及装置 | |
CN109726620B (zh) | 一种视频火焰检测方法及装置 | |
CN101599175B (zh) | 确定拍摄背景发生改变的检测方法及图像处理设备 | |
CN107909569B (zh) | 一种花屏检测方法、花屏检测装置及电子设备 | |
CN110909712B (zh) | 运动目标检测方法、装置、电子设备及存储介质 | |
CN116168345B (zh) | 火灾检测方法及相关设备 | |
CN110969045B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
CN111368717A (zh) | 视线确定方法、装置、电子设备和计算机可读存储介质 | |
JP4999794B2 (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 | |
CN110675425B (zh) | 一种视频边框识别方法、装置、设备及介质 | |
CN113012383A (zh) | 火灾检测报警方法、相关系统、相关设备及存储介质 | |
CN110647818A (zh) | 一种遮挡目标物体的识别方法及装置 | |
CN111797726A (zh) | 一种火焰检测方法、装置、电子设备及存储介质 | |
CN113408479A (zh) | 火焰检测方法、装置、计算机设备和存储介质 | |
CN103607558A (zh) | 一种视频监控系统及其目标匹配方法和装置 | |
CN113869137A (zh) | 事件检测方法、装置、终端设备及存储介质 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
JP2002304677A (ja) | 侵入者検出方法および装置 | |
JP2004282368A (ja) | 移動体監視装置 | |
CN112446304A (zh) | 一种火焰检测方法及其系统 |
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 |