CN103440484A - 一种适应室外大空间的火焰检测方法 - Google Patents
一种适应室外大空间的火焰检测方法 Download PDFInfo
- Publication number
- CN103440484A CN103440484A CN2013104140209A CN201310414020A CN103440484A CN 103440484 A CN103440484 A CN 103440484A CN 2013104140209 A CN2013104140209 A CN 2013104140209A CN 201310414020 A CN201310414020 A CN 201310414020A CN 103440484 A CN103440484 A CN 103440484A
- Authority
- CN
- China
- Prior art keywords
- target
- flame
- area
- mask
- frame
- 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
Landscapes
- Fire-Detection Mechanisms (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种适应室外大空间的火焰检测方法,步骤为:将视频帧图像转换成灰度图,以其前N帧(N>50)的均值图像作为临时背景帧;当前帧与临时背景帧做差,再经掩码处理获得掩码二值图;对当前帧进行二值化处理获得亮度目标,当前帧与背景帧做差并用Otsu自适应阈值二值化获得物体目标,亮度目标与物体目标取交集获得目标二值图,目标二值图中的连通区域即为疑似火焰目标;对各个连通区域进行标记,并存储连通区域信息;为每一个连通区域建立目标链表,并对上述各目标链表进行链接;对被跟踪的运动目标信息进行计算,根据火焰报警概率确定是否为火焰。本发明能够对适应天气和光照的变化,能够适应室内、室外的火焰检测,对早期火灾能够及时准确的报警。
Description
技术领域
本发明涉及一种基于视频图像的火焰智能监控技术,具体的说是一种适应室外大空间的火焰检测方法。
背景技术
由于图像处理技术源源不断的为计算机领域注入新鲜的血液,视频火灾监测技术渐渐引起了人们的重视。但是由于真实的火灾场景中环境的复杂性和不断变化特性,使得火灾的识别变得非常困难。目前基于视频图像处理的各种火灾识别方法只是在特定的环境(理想的实验环境)下比较有效,当环境发生变化时检测的误差就会变的很大。申请号为:201210295531.9的专利申请公开了基于视频帧的火焰检测方法,包括:1)获取视频帧图像,2)根据火焰的亮度阈值来获取二值前景,并由多个二值前景图像获得感兴趣的目标链;3)根据目标链中的目标块的目标特征计算出火焰的频率,并根据火焰频率及置信度来判断目标链中的视频帧图像是否存在火焰。上述技术方案主要是用亮度阈值和帧差法来提取二值前景后展开火焰分析的,亮度阈值设为230,在运动目标的提取上采用当前帧与前面10帧做帧差来提取火焰的运动区域。由于在图像中火焰的亮度与燃烧的物质、燃烧时的温度以及离摄像头的远近有关,亮度范围设为0-255的情况下通过对大量视频火灾火焰进行了亮度分析,发现很多火焰的亮度阈值都在180以上230以下,因此如果阈值设为230,很多火焰的二值前景都提不出来,后续对火焰的分析将不能进行,影响火焰的识别。在火灾的初期,如果火焰离摄像头的距离比较远并且像仓库这种相对密闭的空间下火焰早期的燃烧位置和大小是相对稳定的,因此即使与前10帧进行帧差分也最多能获取到火焰的部分边缘,而且帧差法产生的噪声比较大影响火焰的检测。申请号为:201310062843.X的专利申请公开了火灾火焰视频检测预警***及火灾火焰的检测方法,火焰检测算法是该***的核心内容,其包括:1)比较前后两帧图像的灰度阈值的变化检测火焰的运动特征。2)比较前后两帧图像火焰面积是否增长检测火焰的面积变化特征。3)HIS色彩空间检测火焰的颜色特征。4)通过圆形度特征区分日光灯和环境自然光。5)提取火焰尖角数目作为识别火焰的特征。6)提取火焰的闪烁频率作为火焰的特征。上述技术方案利用火焰的颜色、圆形度、尖角和频率作为火焰识别的特征,但是在实际的火灾中颜色、圆形度、尖角并不适合作为火焰的识别特征。首先对于颜色,第一、由于燃烧物质和温度的不同,火焰的颜色也会呈现出不同的颜色;第二、由于价格等因素监控领域用的CCD摄像头采集不到火焰的真实颜色;第三、夜晚情况下摄像头转换到夜间模式只能采集到火焰的灰度信息。因此火焰颜色不适合作为识别火焰的判据。其次是圆形度和尖角,实际中闪烁的车尾灯、电焊弧、明亮物体反射的光斑等由于能量的分布不均,即亮度的分布不均,在图像中呈现出来的也是不规则的边缘并且也有很多的尖角,而且数目也是在不断变化的。火焰产生的初期并且距离摄像头较远时,在图像中表现为一个很小的亮斑,除了面积、亮度的变化外并没有尖角等特征,因此圆形度、尖角也不适合作为火焰的识别特征。
综上所述,现有的基于视频的火焰检测方法多是基于固定背景,不能实时的适应天气和太阳光的渐变或突变,因此有很高的误报率;现有的基于视频的火焰检测方法对隧道内车尾灯的闪烁有很高的误报率。
发明内容
针对现有技术中的基于视频的火焰检测方法在天气、光照渐变或突变等情况下误报率高的不足之处,本发明要解决的技术问题是提供一种能够适应天气、光照突变等天气变化的大空间火焰识别方法,并能够适应高速路、隧道、街道等多种场合的火焰检测。
为解决上述技术问题,本发明采用的技术方案是:
本发明一种适应室外大空间的火焰检测方法,包括以下步骤:
初始化背景帧:输入视频帧图像,并转换成灰度图,以其均值图像作为临时背景帧;
更新背景帧:当前帧与临时背景帧做差,再经掩码处理获得掩码二值图;
获取疑似火焰目标:对当前帧进行二值化处理获得亮度目标,当前帧与更新后的背景帧做差,并获得物体目标,亮度目标与物体目标取交集获得目标二值图,目标二值图中的连通区域即为疑似火焰目标;
连通区域标记:采用基于目标线段的区域生长标记算法对各个连通区域进行标记,并存储连通区域信息;
运动目标跟踪:为每一个连通区域建立目标链表用于存储各个运动目标的信息,并对上述各目标链表进行链接,并对运动目标信息实时更新,实现对多运动目标的跟踪;
火焰识别:对被跟踪的运动目标信息进行计算,根据火焰报警概率确定是否为火焰,同时对没有火焰概率的目标更新到背景中。
更新背景帧的步骤为:
当前帧与前一帧做差并进行二值化获得运动掩码;
当前帧与背景帧做差并进行二值化获得物体掩码;
运动掩码和物体掩码取并集获得综合掩码;
根据综合掩码对背景区域进行更新,更新公式如下:
Bkgk(i,j)=Curk(i,j);if(OrMaks(i,j)=0),k=1,2,3,...,n,... (3)
其中Bkgk(i,j)为用第k帧灰度图更新后的背景帧,Curk(i,j)为第k帧灰度图,OrMaskk(i,j)为综合掩码。
所述对各连通区域进行标记为:
从目标二值图(0,0)坐标开始从上到下扫描整幅图像;
如果遇到目标像素,则初始化连通区域的长、宽、面积以及外接矩形信息,标记目标像素所在目标段,同时根据该目标段中目标像素的个数、目标段最左边和最右边像素的x、y坐标对连通区域的长、宽、面积以及外接矩形信息进行更新,并将该目标段存入结点,新建链表,将此结点加入链表;
从链表中取出此结点并判断此结点中目标段上领域和下领域是否有未标记目标段,如果有未标记目标段,则标记所有目标段,将每个目标段以结点形式依次在链表尾部加入;
接续从链表头部取出结点进行上述步骤判断,直到链表为空一个连通区域标记完毕。
所述火焰识别为:
当子链表中存储的元素个数达到M时,求这连续M帧中此运动目标的面积变化次数、灰度变化次数以及中心位置变化次数;
判断上述面积变化次数、灰度变化次数以及中心位置变化次数是否均达到火焰概率;
如果次数都达到了设定的火焰的阈值,则对火焰概率进行累加;当火焰概率累加到大于所设定的报警阈值时则进行火焰报警。
所述面积变化次数的计算公式为:
其中AreaCount为面积变化次数,T1为面积变化大小程度的阈值,Areak为该子链表中第k个元素的面积,M为子链表中存储的元素个数。
如果没有达到火焰概率,则接续输入视频帧图像步骤,同时根据火焰检测概率再次对背景进行更新。
火焰识别步骤还包括以下步骤,即无论是否达到火焰概率,都执行根据火焰概率值再次对背景进行更新步骤,再次对背景进行更新步骤的公式如下:
本发明具有以下有益效果及优点:
1.本发明方法采用背景差分结合亮度信息来提取具有高亮度的运动目标,去除了亮度小于180的运动物体的干扰;分割阈值采用Otsu自适应阈值,有效避免了光线突变引起的干扰;背景的实时更新能够适应天气随时间的变化,有效的提高了火焰报警的准确率。对室内火焰的平均识别率为95.43%,火焰事件的误报率为0.95%,室外火焰的平均识别率为89.51%,火焰事件的误报率为4.73%;与现有技术相比,本发明对外部环境的自适应性和火焰动态特征的识别方式,有效的避免了现有技术中利用固定背景、颜色、圆形度、尖角等容易造成火焰的漏报和误报率高的缺陷。
2.本发明方法能够适应天气、光照突变等天气变化的大空间火焰识别,此方法能够适应高速路、隧道、街道等多种场合的火焰检测。
附图说明
图1为本发明火焰识别算法的整体流程图;
图2为本发明背景重建和更新流程图;
图3为本发明标记目标二值图中一个连通区域的流程图;
图4为本发明火焰特征识别流程图。
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
如图1所示,本发明一种适应室外大空间的火焰检测方法,其特征在于包括以下步骤:
(1)初始化背景帧:输入视频帧图像,并转换成灰度图,以其均值图像作为临时背景帧;
(2)更新背景帧:当前帧与临时背景帧做差,再经掩码处理获得掩码二值图;
(3)获取疑似火焰目标:对当前帧进行二值化处理获得亮度目标,再与背景帧掩码二值图进行差分并进行二值化获得物体目标,亮度目标与物体目标取交集获得目标二值图,目标二值图中的连通区域即为疑似火焰目标;
(4)连通区域标记:采用基于目标线段的区域生长标记算法对各个连通区域进行标记,并存储连通区域信息;
(5)运动目标跟踪:为每一个连通区域建立目标链表用于存储各个运动目标的信息,并对上述各目标链表进行链接,并对运动目标信息实时更新,实现对多运动目标的跟踪;
(6)火焰识别:对被跟踪的运动目标信息进行计算,根据火焰报警概率确定是否为火焰,同时对没有火焰概率的目标更新到背景中。
步骤(1)初始化背景帧中,获取视频帧图像,并转换成灰度图,缓存前N(N>50)帧并求其平均值,得到的均值图像Bkg0(i,j)作为临时背景帧。
彩色图转灰度图公式为:
Cur=0.299R+0.587G+0.114B (1)
其中Cur为当前帧转换后的灰度图像,R、G、B为红绿蓝三个颜色通道的像素值。
临时背景帧Bkg0(i,j)由下式得到:
其中Curk(i,j)为第k帧灰度图,Bkg0(i,j)为初始背景帧,N(N>50)为视频帧数。
步骤(2)更新背景帧如图2所示:
当前帧与前一帧做差并进行二值化获得运动掩码;
当前帧与背景帧做差并进行二值化获得物体掩码;
运动掩码和物体掩码取并集获得综合掩码;
根据综合掩码对背景区域进行更新,更新公式如下:
Bkgk(i,j)=Curk(i,j);if(OrMaskk(i,j)=0),k=1,2,3,...,n,... (3)
其中Bkgk(i,j)为用第k帧灰度图更新后的背景帧,Curk(i,j)为第k帧灰度图,OrMaskk(i,j)为综合掩码。
本实施例中,当前帧与前一帧做差,并采用Otsu自适应阈值进行二值化获得运动掩码。当前帧与背景帧做差,并采用Otsu自适应阈值进行二值化获得物体掩码。掩码是由0和1组成的跟图像同等大小的二值图像,当像素值为0时,不对视频帧对应像素做处理,反之则对视频帧对应像素做处理。运动掩码公式为:
物体掩码公式为:
综合掩码公式为:
OrMaskk(i,j)=MovMaskk(i,j)|ObjMaskk(i,j),k=50,51,.... (6)
其中k为第k帧,MovMaskk(i,j)为运动掩码,ObjMaskk(i,j)为物体掩码,Curk(i,j)为第k帧灰度图,Curk-1(i,j)为第k-1帧灰度图,Bkgk(i,j)为用第k帧灰度图更新得到的背景,OtsuThresh是由Otsu算法也叫最大类间方差法得到的,它根据图像灰度,将图像分成背景和前景两部分,背景和前景之间的类间方差越大,说明构成图像的两部分的差别就越大,当背景和目标出现彼此错分时会导致类间方差变小。因此Otsu算法选择阈值会将图像分割出现错分概率降到最小。其公式如下:
OtsuThresh=max(σ2)=max(ω0(μ0-μT)2+ω1(μ1-μT)2) (7)
使σ2最大的值即为Otsu算法的最佳阈值。
其中ω0为背景像素点占整幅图像的比例,ω1为前景像素点占整幅图像的比例,μ0为背景像素的平均灰度,μ1为前景像素的平均灰度,μT为整幅图像的平均灰度。由于提取运动目标的阈值范围在10-60之间,因此再用Otsu寻找最佳阈值时,只在这个范围而不是0-255间寻找,因此Otsu算法的处理时间缩短了3到4倍。
步骤(3)获取疑似火焰目标中,用阈值为180对当前帧进行二值化获得亮度目标,再次用当前帧与更新后的背景进行差分并用Otsu自适应阈值进行二值化获得物体目标,亮度目标与物体目标取交集获得灰度大于180的前景二值图。由于火焰的灰度值在180以上,所以通过亮度目标与运动目标取交集后可以在前景目标镇中去掉灰度小于180的运动目标,从而降低干扰,提高对火焰检测的准确率。
亮度目标公式为:
物体目标同公式(5)
前景二值图公式为:
Flamek(i,j)=BrightMaskk(i,j)&ObjMaskk(i,j),k=50,51,.... (9)
其中Flamek(i,j)为第k帧前景二值图。
步骤(4)连通区域标记如图3所示。
从目标二值图(0,0)坐标开始从上到下扫描整幅图像。
如果遇到目标像素,则初始化连通区域的长、宽、面积、外接矩形等信息,标记目标像素所在目标段,同时根据该目标段中目标像素的个数、目标段最左边和最右边像素的x、y坐标对连通区域的长、宽、面积、外接矩形等信息进行更新,并将该目标段存入结点(结点为存储目标段最左边和最右边像素的x、y坐标的结构体),新建链表,将此结点加入链表;
从链表中取出此结点并判断此结点中目标段上领域和下领域是否有未标记目标段,如果有未标记目标段,则标记所有目标段,将每个目标段以结点形式依次在链表尾部加入;接续从链表头部取出结点进行上述步骤判断,直到链表为空一个连通区域标记完毕。
一个连通区域标记完毕后接续扫描图像,如遇新的目标像素,则重复连通区域标记的步骤直到标记完目标二值图中所有的连通区域。
本实施例中,对前景二值图进行十字型腐蚀和膨胀操作去除噪声,十字型即只扫描像素的上下左右邻域。采用基于线的区域生长标记算法对各个连通区域进行标记同时获得各个连通区域的位置、长宽、面积、平均灰度值等信息。采用十字型的腐蚀和膨胀方法,一是为了更好的保留目标的形状,二是为了降低算法的运算量。基于线的区域生长标记算法,将目标对象看作是由许多目标线段构成的,并将目标段作为连通区域检测的基本单元,以区域生长的方式对连通区域进行标记。这种方法的优点是避免了基于像素点的标记算法中对元素的重复标记,提高了标记速度,特别是在标记大的连通区域的时候会大幅度的提高标记速度。
步骤(5)运动目标跟踪中,为第一帧中每一个连通区域建立一个目标链表,链表中后续帧中如果目标存在则添加到该链表中,同时每个目标链表中还要有个变量dispear用于统计该目标消失的次数。这样一个链表中存储的就是同一目标在连续帧中的信息,我把它称为子链表。同时建立一个链表把这些子链表都链接起来,这个链表称之为父链表,这样就可以同时对多个运动目标进行跟踪分析。由于火焰燃烧时位置的相对稳定性,目标匹配的方法是采用最近距离匹配,同时连同亮度、面积变化进行火焰的综合匹配。匹配率公式如下:
MatchRate=(AreaRate+BrightRate)>>1 (10)
其中:
其中MatchRate为前后帧中目标匹配的综合概率。AreaRate为前后帧目标区域的重叠率,值越大代表重叠的部分越多,并且需满足4*Areak-1<Areak<4*Areak-1。BrightRate为亮度相似率,其中分母的最小值设为1,同样也是值越大代表亮度越接近。当MatchRate大于所设定的阈值T,则认为是同一目标,把它添加到链表的尾部,如果目标在连续N帧中都没有出现,即dispear累加到设定值后则认为目标消失,将此目标从链表删除,如果有新目标出现则建立一个新的子链表并把它链接到父链表上。
步骤(6)火焰识别如图4所示:
当子链表中存储的元素个数达到M时,求这连续M帧中此运动目标的面积变化次数、灰度变化次数以及中心位置变化次数;
判断上述面积变化次数、灰度变化次数以及中心位置变化次是否均达到火焰概率;
如果次数都达到了设定的是火焰的阈值,则对火焰概率进行累加,火焰概率的大小与面积变化次数、灰度变化次数以及中心位置变化次的大小成正比。当火焰概率累加到大于所设定的报警阈值时则进行火焰报警。
如果没有达到火焰概率,则接续背景更新步骤,根据火焰检测概率再次对背景进行更新。
所述面积变化次数的计算公式为:
其中AreaCount为面积变化次数,T1为面积变化大小程度的阈值,Areak为该子链表中第k个元素的面积,M为子链表中存储的元素个数。
当子链表中存储的元素个数达到M(16<=M<=32)时,求这连续M帧中此运动目标的面积变化次数、灰度变化次数、中心位置变化次数,当都达到设定的火焰阈值时,对火焰的概率进行累加,否则进行累减。如果没有达到火焰报警概率则将这个子链表在父链表中删除,同时根据步骤2获得的综合掩码和火焰的概率对步骤1所获得的背景进行更新。此时返回到步骤1,继续向下如果运动目标没有消失则又添加到该子链表中,此时子链表中的元素数又达到M个,再对其进行本步骤所说的火焰概率分析,循环如上,如果达到火焰报警概率则触发报警。
上述所述背景更新方法主要是为了能够适应随着时间推移的天气变化,如从白天到黑夜的过程,减少误报率。背景更新的公式如下:
其中OrMaskk(i,j)为公式(4)中的综合掩码,Mask(i,j)为目标区域是否有火焰概率的标志位,当检测的目标区域有火焰概率时Mask(i,j)=1,否则Mask(i,j)=0,这样在实时更新背景的同时防止火焰区域在检测的过程中更新到背景中。
由于燃烧物质的不同、温度的高低会使火焰有不同颜色,而且夜晚情况下摄像机采集不到火焰的颜色信息,所以火焰的静态特征中只能利用火焰的亮度即灰度。因此必须要分析连续帧中火焰的动态特征来进行火焰的识别,而火焰的频率在8-12Hz。根据香农-内奎斯特采样定理,采样频率必须大于被采样信号的2倍以上,因此视频采集设备需要达到25帧每秒才能够准确求出火焰的频率,而实际上目前的嵌入式设备的处理速度在10帧每秒左右。本发明根据火焰的频率特点转而用火焰的亮度信息并结合面积变化次数、灰度变化次数、中心位置变化次数等火焰的几个典型特征来对火焰进行识别。
面积变化次数求法:
其中AreaCount为面积变化次数,T1为面积变化大小程度的阈值,当阈值小于T1时,我们认为面积只是发生微小的波动,并不认为是火焰面积变化的特性,反射在墙上的光斑、车开走或停下留下的虚假前景。当面积变化次数大于C1时,则认为达到火焰特征。
灰度变化次数也是求子链表中M个元素的灰度值与这M个元素灰度均值的差异的次数,当灰度变化次数大于C2,则认为达到火焰灰度变化的特性。位置变化次数也是类似,变化次数阈值设为C3。
由于车灯闪烁一大一小的变化非常有规律,并且它的中心位置不会发生像火焰那样明显的变化,所以通过上述位置变化次数就能够很好的排除。当上述三个参数同时满足大于C1、C2、C3时,则认为达到火焰概率,对概率进行累加,否则累减。
当达到设定的火焰报警阈值就会启动报警。
Claims (7)
1.一种适应室外大空间的火焰检测方法,其特征在于包括以下步骤:
初始化背景帧:输入视频帧图像,并转换成灰度图,以其均值图像作为临时背景帧;
更新背景帧:当前帧与临时背景帧做差,再经掩码处理获得掩码二值图;
获取疑似火焰目标:对当前帧进行二值化处理获得亮度目标,当前帧与更新后的背景帧做差,并获得物体目标,亮度目标与物体目标取交集获得目标二值图,目标二值图中的连通区域即为疑似火焰目标;
连通区域标记:采用基于目标线段的区域生长标记算法对各个连通区域进行标记,并存储连通区域信息;
运动目标跟踪:为每一个连通区域建立目标链表用于存储各个运动目标的信息,并对上述各目标链表进行链接,并对运动目标信息实时更新,实现对多运动目标的跟踪;
火焰识别:对被跟踪的运动目标信息进行计算,根据火焰报警概率确定是否为火焰,同时对没有火焰概率的目标更新到背景中。
2.按权利要求1所述的适应室外大空间的火焰检测方法,其特征在于:更新背景帧的步骤为:
当前帧与前一帧做差并进行二值化获得运动掩码;
当前帧与背景帧做差并进行二值化获得物体掩码;
运动掩码和物体掩码取并集获得综合掩码;
根据综合掩码对背景区域进行更新,更新公式如下:
Bkgk(i,j)=Curk(i,j);if(OrMaks(i,j)=0),k=1,2,3,...,n,... (3)
其中Bkgk(i,j)为用第k帧灰度图更新后的背景帧,Curk(i,j)为第k帧灰度图,OrMaskk(i,j)为综合掩码。
3.按权利要求1所述的适应室外大空间的火焰检测方法,其特征在于:所述对各连通区域进行标记为:
从目标二值图(0,0)坐标开始从上到下扫描整幅图像;
如果遇到目标像素,则初始化连通区域的长、宽、面积以及外接矩形信息,标记目标像素所在目标段,同时根据该目标段中目标像素的个数、目标段最左边和最右边像素的x、y坐标对连通区域的长、宽、面积以及外接矩形信息进行更新,并将该目标段存入结点,新建链表,将此结点加入链表;
从链表中取出此结点并判断此结点中目标段上领域和下领域是否有未标记目标段,如果有未标记目标段,则标记所有目标段,将每个目标段以结点形式依次在链表尾部加入;
接续从链表头部取出结点进行上述步骤判断,直到链表为空一个连通区域标记完毕。
4.按权利要求1所述的适应室外大空间的火焰检测方法,其特征在于:所述火焰识别为:
当子链表中存储的元素个数达到M时,求这连续M帧中此运动目标的面积变化次数、灰度变化次数以及中心位置变化次数;
判断上述面积变化次数、灰度变化次数以及中心位置变化次数是否均达到火焰概率;
如果次数都达到了设定的火焰的阈值,则对火焰概率进行累加;当火焰概率累加到大于所设定的报警阈值时则进行火焰报警。
5.按权利要求4所述的适应室外大空间的火焰检测方法,其特征在于:所述面积变化次数的计算公式为:
其中AreaCount为面积变化次数,T1为面积变化大小程度的阈值,Areak为该子链表中第k个元素的面积,M为子链表中存储的元素个数。
6.按权利要求4所述的适应室外大空间的火焰检测方法,其特征在于:如果没有达到火焰概率,则接续输入视频帧图像步骤,同时根据火焰检测概率再次对背景进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310414020.9A CN103440484B (zh) | 2013-09-12 | 2013-09-12 | 一种适应室外大空间的火焰检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310414020.9A CN103440484B (zh) | 2013-09-12 | 2013-09-12 | 一种适应室外大空间的火焰检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103440484A true CN103440484A (zh) | 2013-12-11 |
CN103440484B CN103440484B (zh) | 2016-08-17 |
Family
ID=49694177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310414020.9A Active CN103440484B (zh) | 2013-09-12 | 2013-09-12 | 一种适应室外大空间的火焰检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103440484B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408706A (zh) * | 2014-09-30 | 2015-03-11 | 天津艾思科尔科技有限公司 | 一种基于双波段图像的火灾检测及定位方法 |
CN104794738A (zh) * | 2015-03-27 | 2015-07-22 | 北京君正集成电路股份有限公司 | 一种烟火检测方法及装置 |
CN105575034A (zh) * | 2014-10-14 | 2016-05-11 | 哈尔滨新光光电科技有限公司 | 一种双波段森林防火智能监控软件图像处理分析方法 |
CN106303444A (zh) * | 2016-08-28 | 2017-01-04 | 桂林市晶准测控技术有限公司 | 一种森林防火监测*** |
CN106296739A (zh) * | 2016-08-11 | 2017-01-04 | 清华大学苏州汽车研究院(吴江) | 一种改进的运动目标检测方法和*** |
CN106940875A (zh) * | 2017-02-10 | 2017-07-11 | 杭州朔天科技有限公司 | 灰度图像背景处理建表方法 |
CN107729811A (zh) * | 2017-09-13 | 2018-02-23 | 浙江大学 | 一种基于场景建模的夜间火焰检测方法 |
CN108088559A (zh) * | 2016-11-21 | 2018-05-29 | 阿自倍尔株式会社 | 火焰检测*** |
CN108765461A (zh) * | 2018-05-29 | 2018-11-06 | 北大青鸟环宇消防设备股份有限公司 | 一种消防火灾图像块提取和识别方法及其装置 |
CN109360370A (zh) * | 2018-11-30 | 2019-02-19 | 广州高新兴机器人有限公司 | 一种基于机器人烟火检测的方法 |
CN109886227A (zh) * | 2019-02-27 | 2019-06-14 | 哈尔滨工业大学 | 基于多通道卷积神经网络的室内火灾视频识别方法 |
CN110826439A (zh) * | 2019-10-25 | 2020-02-21 | 杭州叙简科技股份有限公司 | 一种基于深度学习图像处理的电焊施工检测方法 |
CN110879948A (zh) * | 2018-09-06 | 2020-03-13 | 华为技术有限公司 | 图像处理方法、装置及存储介质 |
CN110910402A (zh) * | 2019-11-01 | 2020-03-24 | 武汉纺织大学 | 一种夜间室外火焰检测方法 |
CN111027519A (zh) * | 2019-12-26 | 2020-04-17 | 讯飞智元信息科技有限公司 | 一种高炉风口的监控方法及监控装置 |
CN111654955A (zh) * | 2020-04-30 | 2020-09-11 | 钱丽丽 | 基于图像分析的室内环境光变化因素识别方法 |
CN112804447A (zh) * | 2020-12-30 | 2021-05-14 | 北京石头世纪科技股份有限公司 | 一种检测近场物体的方法、装置、介质和电子设备 |
US20220358682A1 (en) * | 2020-09-16 | 2022-11-10 | China Tobacco Yunnan Industrial Co., Ltd | Device and method for detecting cigarette fly ash by gray-scale difference based on machine vision (mv) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080191886A1 (en) * | 2006-12-12 | 2008-08-14 | Industrial Technology Research Institute | Flame detecting method and device |
CN101515326A (zh) * | 2009-03-19 | 2009-08-26 | 浙江大学 | 一种适用于识别和检测大空间火灾火焰的方法 |
CN102819735A (zh) * | 2012-08-17 | 2012-12-12 | 深圳辉锐天眼科技有限公司 | 基于视频帧图像的火焰检测方法 |
-
2013
- 2013-09-12 CN CN201310414020.9A patent/CN103440484B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080191886A1 (en) * | 2006-12-12 | 2008-08-14 | Industrial Technology Research Institute | Flame detecting method and device |
CN101515326A (zh) * | 2009-03-19 | 2009-08-26 | 浙江大学 | 一种适用于识别和检测大空间火灾火焰的方法 |
CN102819735A (zh) * | 2012-08-17 | 2012-12-12 | 深圳辉锐天眼科技有限公司 | 基于视频帧图像的火焰检测方法 |
Non-Patent Citations (2)
Title |
---|
张宾: "基于视频的火灾火焰检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
田睿等: "利用动态链接表的二值图像目标区域分割", 《红外与激光工程》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408706A (zh) * | 2014-09-30 | 2015-03-11 | 天津艾思科尔科技有限公司 | 一种基于双波段图像的火灾检测及定位方法 |
CN105575034B (zh) * | 2014-10-14 | 2019-06-07 | 哈尔滨新光光电科技有限公司 | 一种双波段森林防火智能监控软件图像处理分析方法 |
CN105575034A (zh) * | 2014-10-14 | 2016-05-11 | 哈尔滨新光光电科技有限公司 | 一种双波段森林防火智能监控软件图像处理分析方法 |
CN104794738A (zh) * | 2015-03-27 | 2015-07-22 | 北京君正集成电路股份有限公司 | 一种烟火检测方法及装置 |
CN106296739A (zh) * | 2016-08-11 | 2017-01-04 | 清华大学苏州汽车研究院(吴江) | 一种改进的运动目标检测方法和*** |
CN106303444A (zh) * | 2016-08-28 | 2017-01-04 | 桂林市晶准测控技术有限公司 | 一种森林防火监测*** |
CN108088559B (zh) * | 2016-11-21 | 2020-03-24 | 阿自倍尔株式会社 | 火焰检测*** |
CN108088559A (zh) * | 2016-11-21 | 2018-05-29 | 阿自倍尔株式会社 | 火焰检测*** |
CN106940875B (zh) * | 2017-02-10 | 2020-07-24 | 杭州朔天科技有限公司 | 灰度图像背景处理建表方法 |
CN106940875A (zh) * | 2017-02-10 | 2017-07-11 | 杭州朔天科技有限公司 | 灰度图像背景处理建表方法 |
CN107729811A (zh) * | 2017-09-13 | 2018-02-23 | 浙江大学 | 一种基于场景建模的夜间火焰检测方法 |
CN107729811B (zh) * | 2017-09-13 | 2020-07-07 | 浙江大学 | 一种基于场景建模的夜间火焰检测方法 |
CN108765461A (zh) * | 2018-05-29 | 2018-11-06 | 北大青鸟环宇消防设备股份有限公司 | 一种消防火灾图像块提取和识别方法及其装置 |
CN108765461B (zh) * | 2018-05-29 | 2022-07-12 | 青鸟消防股份有限公司 | 一种消防火灾图像块提取和识别方法及其装置 |
CN110879948A (zh) * | 2018-09-06 | 2020-03-13 | 华为技术有限公司 | 图像处理方法、装置及存储介质 |
CN110879948B (zh) * | 2018-09-06 | 2022-10-18 | 华为技术有限公司 | 图像处理方法、装置及存储介质 |
CN109360370A (zh) * | 2018-11-30 | 2019-02-19 | 广州高新兴机器人有限公司 | 一种基于机器人烟火检测的方法 |
CN109886227A (zh) * | 2019-02-27 | 2019-06-14 | 哈尔滨工业大学 | 基于多通道卷积神经网络的室内火灾视频识别方法 |
CN110826439A (zh) * | 2019-10-25 | 2020-02-21 | 杭州叙简科技股份有限公司 | 一种基于深度学习图像处理的电焊施工检测方法 |
CN110910402B (zh) * | 2019-11-01 | 2022-07-29 | 武汉纺织大学 | 一种夜间室外火焰检测方法 |
CN110910402A (zh) * | 2019-11-01 | 2020-03-24 | 武汉纺织大学 | 一种夜间室外火焰检测方法 |
CN111027519A (zh) * | 2019-12-26 | 2020-04-17 | 讯飞智元信息科技有限公司 | 一种高炉风口的监控方法及监控装置 |
CN111027519B (zh) * | 2019-12-26 | 2023-08-01 | 讯飞智元信息科技有限公司 | 一种高炉风口的监控方法及监控装置 |
CN111654955A (zh) * | 2020-04-30 | 2020-09-11 | 钱丽丽 | 基于图像分析的室内环境光变化因素识别方法 |
CN111654955B (zh) * | 2020-04-30 | 2022-07-29 | 钱丽丽 | 基于图像分析的室内环境光变化因素识别方法 |
US20220358682A1 (en) * | 2020-09-16 | 2022-11-10 | China Tobacco Yunnan Industrial Co., Ltd | Device and method for detecting cigarette fly ash by gray-scale difference based on machine vision (mv) |
US11670007B2 (en) * | 2020-09-16 | 2023-06-06 | China Tobacco Yunnan Industrial Co., Ltd | Device and method for detecting cigarette fly ash by gray-scale difference based on machine vision (MV) |
CN112804447A (zh) * | 2020-12-30 | 2021-05-14 | 北京石头世纪科技股份有限公司 | 一种检测近场物体的方法、装置、介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103440484B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103440484A (zh) | 一种适应室外大空间的火焰检测方法 | |
US10628890B2 (en) | Visual analytics based vehicle insurance anti-fraud detection | |
Son et al. | Real-time illumination invariant lane detection for lane departure warning system | |
CN109977782B (zh) | 基于目标位置信息推理的跨店经营行为检测方法 | |
WO2018130016A1 (zh) | 一种基于监控视频的停车检测方法及装置 | |
JP5747549B2 (ja) | 信号機検出装置及びプログラム | |
CN105373794A (zh) | 一种车牌识别方法 | |
CN101799968B (zh) | 基于视频图像智能分析的油井入侵检测方法及装置 | |
CN108986158A (zh) | 一种基于目标再识别的跨场景追踪方法和装置及计算机视觉平台 | |
CN104574960A (zh) | 一种交通灯识别方法 | |
CN107729843B (zh) | 基于雷达与视觉信息融合的低地板有轨电车行人识别方法 | |
CN104851288B (zh) | 一种交通灯定位方法 | |
CN106339657A (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN109753949A (zh) | 一种基于深度学习的多视窗交通标志检测方法 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
Naufal et al. | Preprocessed mask RCNN for parking space detection in smart parking systems | |
CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
Saha et al. | Automated road lane detection for intelligent vehicles | |
CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与*** | |
CN112818853A (zh) | 一种交通要素识别方法、装置、设备及储存介质 | |
KR101026778B1 (ko) | 차량 영상 검지 장치 | |
Avery et al. | Investigation into shadow removal from traffic images | |
JP6413318B2 (ja) | 車両検出装置、およびシステム、ならびにプログラム | |
CN109684982B (zh) | 结合易混目标排除的基于视频分析的火焰检测方法 | |
Coronado et al. | Detection and classification of road signs for automatic inventory systems using computer vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |