CN109961042B - 结合深度卷积神经网络和视觉变化图的烟雾检测方法 - Google Patents
结合深度卷积神经网络和视觉变化图的烟雾检测方法 Download PDFInfo
- Publication number
- CN109961042B CN109961042B CN201910219838.2A CN201910219838A CN109961042B CN 109961042 B CN109961042 B CN 109961042B CN 201910219838 A CN201910219838 A CN 201910219838A CN 109961042 B CN109961042 B CN 109961042B
- Authority
- CN
- China
- Prior art keywords
- smoke
- image
- suspected
- visual change
- area
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 123
- 230000008859 change Effects 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000000007 visual effect Effects 0.000 title claims abstract description 28
- 238000010586 diagram Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 15
- 238000009792 diffusion process Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 13
- 230000003139 buffering effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/21—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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及结合深度卷积神经网络和视觉变化图的烟雾检测方法。先采用深度卷积神经网络初步检测疑似烟雾区域。在此基础上,以烟雾扩散的物理特性为依据,基于视频运动变化构建视觉变化图,再采用SVM分类器实现烟雾区域的二次判决,本发明的有益效果是降低了云、雾等与烟雾相似的目标引发的虚警现象,进一步提高了烟雾检测的可靠性。
Description
技术领域
本发明主要涉及结合深度卷积神经网络和视觉变化图的烟雾检测方法。
技术背景
在各种灾害中,火灾是最经常、最普遍地威胁公众安全和社会发展的主要灾害之一。火灾不仅毁坏物质财产,造成社会秩序的混乱,还直接或间接危害生命。为了降低火灾危害,除了各种防火措施完备之外,还需要火灾检测技术,及时发现和处理火灾。当火灾发生时,通常是先有烟再有火,因此,快速检测烟雾有利于及早发现火灾,降低火灾危害。传统的烟雾传感器需要烟进入传感器且浓度达到一定程度才能检测到,难以在室外开放空间使用。基于视觉的烟雾检测技术不受空间限制、覆盖区域大、成本低,是室外烟雾检测研究的主要方向。颜色和运动特征是烟雾检测常用的特征,如专利《一种基于颜色混合模型和多特征组合的视频烟雾检测方法》将疑似烟雾运动区域及疑似烟雾颜色区域进行结合获取疑似烟雾区域,根据运动速度均值与方差、烟雾的运动方向、烟雾面积增长率对疑似烟雾区域进行烟雾识别。这种方法的优点是检测速度快,但是容易受类烟雾颜色的目标干扰,如运动的浅色物体,虚警相对较多。纹理特征也是烟雾检测的常用特征,如文献《Video-based smokedetection with histogram sequence of LBP and LBPV pyramids》采用单帧图像LBP纹理特征和相邻图像的LBPV纹理特征来描述烟雾,采用神经网络分类器进行特征分类,一定程度了提高了烟雾检测的正确率,但虚警仍是烟雾检测面临的主要难题。随着深度学习技术的深入和发展,烟雾检测领域也涌现了许多采用深度学习的方法,如文献《Convolutional Neural Network for Video Fire and Smoke Detection》,该方法的主要思想是采用卷积神经网络来自动提取区分能力强的烟雾特征,相对于人工选择的LBP、小波等特征而言,泛化能力更强。但是,对于云、雾等与烟雾特别相似的目标而言,仍然存在虚警现象。
发明内容
本发明提出一种结合深度卷积神经网络和视觉变化图的烟雾检测方法,主要创新是提出视觉变化图的概念,描述烟雾的物理扩散特性。在实现过程中,先采用深度卷积神经网络检测图像中的疑似烟雾区域,然后采用视觉变化图对疑似烟雾区域进行二次判决,剔除云、雾等与烟雾特别相似的目标,降低烟雾检测的虚警。
本发明的实现流程如图1所示。实施步骤如下:
Step1:输入第k帧图像,本发明中图像尺寸为240×320;
Step2:如果k>1,表示当前图像不是第一帧图像,进入下一步;否则,缓存当前帧图像,k=k+1,返回Step1;
Step3:疑似烟雾区域检测,本发明采用文献《Deep Convolutional NeuralNetworks for Forest Fire Detection》(Qingjie Zhang,Jiaolong Xu,Liang Xu,等,ICMRA 2016)所述方法检测烟雾区域,该文献采用深度卷积神经网络(DCNN)训练火焰检测器,而本发明将训练数据集中的正样本由火焰图像变为烟雾图像,然后采用相同的方法构建一个烟雾检测器,从而检测烟雾区域。本发明中,训练图像数量为200幅,其中正样本(烟雾)图像块数量为1296个,负样本图像块数量为17633个。该方法训练的烟雾检测器检测烟雾区域的漏检率很低,但对于云、雾等与烟雾相似的目标,还是容易出现虚检;本发明后续将通过视觉变化图来实现类烟雾目标的区分。这里,记检测到的疑似烟雾区域ROI的数量为NROI;
Step4:如果NROI大于0,表明检测到疑似烟雾区域,进入下一步;否则,缓存当前帧图像,k=k+1,返回Step1;
Step5:掩膜提取。对于每一个疑似烟雾区域,本发明依据颜色模型实现粗略的烟雾掩膜提取。从物理特性分析,烟雾因温度相对较低大多呈灰白色,其像素在RGB空间的颜色分量R、G、B值非常接近,且HSV空间的饱和度S值比较小。因此,像素点(x,y)的颜色值满足公式(1)时,判断该像素点为烟雾像素点。
其中,max(x,y)和min(x,y)分别表示RGB颜色模型上像素点(x,y)处R、G、B三个值中的最大值和最小值,T1和T2是两个固定阈值,本发明中T1=10,T2=0.1。这样,可以构建第k帧图像对应的掩膜图像,记为Ik,表示为
Step6:变化量提取。对于第k帧图像fk,提取变化量图像dk,表示为
Step7:缓存变化量图像dk,令N表示缓存变化量图像数量的最大值,当缓存的变化量图像数量大于N时,先删除缓存空间中存储的最早的图像,也即dk-N,再缓存当前变化量图像dk。本发明中,N=25。
Step8:如果k>N,进入下一步;否则,缓存当前帧图像,k=k+1,返回Step1;
Step9:视觉变化图提取。从烟雾的发生发展过程来看,烟雾具有明显的向上扩散特性,表现为:烟雾以着火点为起点,会不断往上方和四周扩散。本发明采用视觉变化图来描述这一特性,具体地,视觉变化图是将缓存的N幅变化量图像进行累加求和得到,记为Fk,表示为
为了偏于显示和提取特征,将Fk中各像素点的值压缩到255,具体地,
对于烟雾扩散进行特性分析,烟雾从着火点开始发生,这一区域的变化时间最久。烟雾在向上和向外扩散的过程中,周围区域开始发生变化,越往外的区域受烟雾扩散而变化的时间越滞后。这些特性在视觉变化图中的表现为,图中某位置非常亮,以该位置为中心,越往外亮度越暗,而且上侧区域的亮度非零的像素点数量明显大于下侧区域。这一特点与云、雾等颜色与烟雾相似的目标明显不同,对于云、雾而言,其位置移动或者扩散比较一致,各个位置的变化时间比较接近,因此累积后的变化量图像中没有明显的层次感。基于这一特性,本发明采用视觉变化图来区分烟雾和云、雾等类烟雾目标。
Step10:特征提取。特征提取按疑似烟雾区域进行,对于第k帧图像所检测到的每一个疑似烟雾区域,从视觉变化图中裁剪相对应区域的子图像。然后,采用双线性插值方法对对每一个子图像进行缩放,得到一个64×64的图像。接着,提取图像的HOG(方向梯度直方图)特征,HOG特征的提取方法参考论文《Histograms of Oriented Gradients forHuman Detection》(Dalal N,Triggs B.CVPR,2005)。本发明中,块尺寸(blockSize)设置为16×16,块滑动增量(blockStride)设置为8×8,细胞尺寸(cellSize)设置为8×8,方向数(nbins)设置为9。
Step11:SVM(支持向量机)分类。这一步骤是对疑似烟雾区域的二次判决,主要目标是区分真实的烟雾和云、雾等类烟雾目标,具体方法是采用训练阶段构建的SVM分类器对第k帧每一个疑似烟雾区域的HOG特征进行分类,只要有一个区域的分类结果为烟雾,则输出烟雾告警。分类结束,不管是否输出告警,都缓存当前帧图像,k=k+1,返回Step1。
其中,SVM分类器是在训练阶段构建,具体方法是:选取100段烟雾视频和300段包括云、雾、水汽、车辆尾气等目标的非烟雾视频。然后,按照步骤Step1至Step9生成视觉变化图。再按照步骤Step10,从这些图中裁剪相对应区域的子图像,并将图像尺寸缩放到64×64。接着,用这些图像构建两个数据集,其中正样本数据集中放置真实烟雾区域对应的子图像,负样本数据集中放置非烟雾区域对应的子图像。本发明中,正样本数据集图像数量为797,负样本数据集图像数量为2436。最后,按照Step10步骤所述HOG特征提取方法提取训练集中的图像特征,采用LIBSVM软件开发包进行训练,构建SVM分类器。其中,核函数选择径向基函数。
本发明以现有烟雾检测性能相对最好的深度学习方法为基础,先采用深度卷积神经网络初步检测疑似烟雾区域。在此基础上,以烟雾扩散的物理特性为依据,基于视频运动变化构建视觉变化图,再采用SVM分类器实现烟雾区域的二次判决,本发明的有益效果是降低了云、雾等与烟雾相似的目标引发的虚警现象,进一步提高了烟雾检测的可靠性。
附图说明
图1烟雾检测流程图。
具体实施方式
本发明提出一种结合深度卷积神经网络和视觉变化图的烟雾检测方法,主要创新是提出视觉变化图的概念,描述烟雾的物理扩散特性。在实现过程中,先采用深度卷积神经网络检测图像中的疑似烟雾区域,然后采用视觉变化图对疑似烟雾区域进行二次判决,剔除云、雾等与烟雾特别相似的目标,降低烟雾检测的虚警;
实施步骤如下:
Step1:输入第k帧图像,本发明中图像尺寸为240×320;
Step2:如果k>1,表示当前图像不是第一帧图像,进入下一步;否则,缓存当前帧图像,k=k+1,返回Step1;
Step3:疑似烟雾区域检测,采用深度卷积神经网络(DCNN)训练火焰检测器,将训练数据集中的正样本由火焰图像变为烟雾图像,然后采用相同的方法构建一个烟雾检测器,从而检测烟雾区域,记检测到的疑似烟雾区域ROI的数量为NROI;
Step4:如果NROI大于0,表明检测到疑似烟雾区域,进入下一步;否则,缓存当前帧图像,k=k+1,返回Step1;
Step5:掩膜提取。对于每一个疑似烟雾区域,依据颜色模型实现粗略的烟雾掩膜提取。烟雾其像素在RGB空间的颜色分量R、G、B值非常接近,且HSV空间的饱和度S值比较小。因此,像素点(x,y)的颜色值满足公式(1)时,判断该像素点为烟雾像素点。
其中,max(x,y)和min(x,y)分别表示RGB颜色模型上像素点(x,y)处R、G、B三个值中的最大值和最小值,T1和T2是两个固定阈值,本发明中T1=10,T2=0.1。这样,可以构建第k帧图像对应的掩膜图像,记为Ik,表示为
Step6:变化量提取。对于第k帧图像fk,提取变化量图像dk,表示为
Step7:缓存变化量图像dk,令N表示缓存变化量图像数量的最大值,当缓存的变化量图像数量大于N时,先删除缓存空间中存储的最早的图像,也即dk-N,再缓存当前变化量图像dk。本发明中,N=25。
Step8:如果k>N,进入下一步;否则,缓存当前帧图像,k=k+1,返回Step1;
Step9:视觉变化图提取。从烟雾的发生发展过程来看,烟雾具有明显的向上扩散特性,表现为:烟雾以着火点为起点,会不断往上方和四周扩散。采用视觉变化图来描述这一特性,视觉变化图是将缓存的N幅变化量图像进行累加求和得到,记为Fk,表示为
为了偏于显示和提取特征,将Fk中各像素点的值压缩到255,具体地,
Step10:特征提取。特征提取按疑似烟雾区域进行,对于第k帧图像所检测到的每一个疑似烟雾区域,从视觉变化图中裁剪相对应区域的子图像。然后,采用双线性插值方法对对每一个子图像进行缩放,得到一个64×64的图像。接着,提取图像的HOG(方向梯度直方图)特征,块尺寸(blockSize)设置为16×16,块滑动增量(blockStride)设置为8×8,细胞尺寸(cellSize)设置为8×8,方向数(nbins)设置为9。
Step11:SVM(支持向量机)分类。这一步骤是对疑似烟雾区域的二次判决,主要目标是区分真实的烟雾和云、雾等类烟雾目标,采用训练阶段构建的SVM分类器对第k帧每一个疑似烟雾区域的HOG特征进行分类,只要有一个区域的分类结果为烟雾,则输出烟雾告警。分类结束,不管是否输出告警,都缓存当前帧图像,k=k+1,返回Step1。
Claims (1)
1.结合深度卷积神经网络和视觉变化图的烟雾检测方法,先采用深度卷积神经网络初步检测疑似烟雾区域,然后,以烟雾扩散的物理特性为依据,基于视频运动变化构建视觉变化图,再采用SVM分类器实现烟雾区域的二次判决,其特征在于,具体步骤如下:
Step1:输入第k帧图像,本发明中图像尺寸为240×320;
Step2:如果k>1,表示当前图像不是第一帧图像,进入下一步;否则,缓存当前帧图像,k=k+1,返回Step1;
Step3:疑似烟雾区域检测,采用深度卷积神经网络训练火焰检测器,将训练数据集中的正样本由火焰图像变为烟雾图像,然后采用相同的方法构建一个烟雾检测器,从而检测烟雾区域,记检测到的疑似烟雾区域ROI的数量为NROI;
Step4:如果NROI大于0,表明检测到疑似烟雾区域,进入下一步;否则,缓存当前帧图像,k=k+1,返回Step1;
Step5:掩膜提取,对于每一个疑似烟雾区域,依据颜色模型实现粗略的烟雾掩膜提取,像素点(x,y)的颜色值满足公式(1)时,判断该像素点为烟雾像素点;
其中,max(x,y)和min(x,y)分别表示RGB颜色模型上像素点x,y处R、G、B三个值中的最大值和最小值,T1和T2是两个固定阈值,其中T1=10,T2=0.1,
构建第k帧图像对应的掩膜图像,记Ik,表示为
Step6:变化量提取,对于第k帧图像fk,提取变化量图像dk,表示为
Step7:缓存变化量图像dk,令N表示缓存变化量图像数量的最大值,当缓存的变化量图像数量大于N时,先删除缓存空间中存储的最早的图像,也即dk-N,再缓存当前变化量图像dk,其中,N=25;
Step8:如果k>N,进入下一步;否则,缓存当前帧图像,k=k+1,返回Step1;
Step9:视觉变化图提取,视觉变化图是将缓存的N幅变化量图像进行累加求和得到,记为Fk,表示为
为便于显示和提取特征,将Fk中各像素点的值压缩到255,具体地,
其中,表示Fk中各像素点的最大值,这样,看作一幅灰度图像;Step10:特征提取,特征提取按疑似烟雾区域进行,对于第k帧图像所检测到的每一个疑似烟雾区域,从视觉变化图中裁剪相对应区域的子图像,然后,采用双线性插值方法对每一个子图像进行缩放,得到64×64的图像,接着,提取图像的方向梯度直方图特征;
所述step10中图像的方向梯度直方图特征中,块尺寸设置为16×16,块滑动增量设置为8×8,细胞尺寸设置为8×8,方向数设置为9;
Step11:支持向量机分类,采用训练阶段构建的SVM分类器对第k帧每一个疑似烟雾区域的HOG特征进行分类,只要有一个区域的分类结果为烟雾,则输出烟雾告警,分类结束,不管是否输出告警,都缓存当前帧图像,k=k+1,返回Step1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910219838.2A CN109961042B (zh) | 2019-03-22 | 2019-03-22 | 结合深度卷积神经网络和视觉变化图的烟雾检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910219838.2A CN109961042B (zh) | 2019-03-22 | 2019-03-22 | 结合深度卷积神经网络和视觉变化图的烟雾检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109961042A CN109961042A (zh) | 2019-07-02 |
CN109961042B true CN109961042B (zh) | 2021-07-27 |
Family
ID=67024815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910219838.2A Active CN109961042B (zh) | 2019-03-22 | 2019-03-22 | 结合深度卷积神经网络和视觉变化图的烟雾检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109961042B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991244A (zh) * | 2019-11-01 | 2020-04-10 | 武汉纺织大学 | 一种基于深度学习与纹理特征的实时烟雾检测方法 |
CN111047818A (zh) * | 2019-11-01 | 2020-04-21 | 浙江省林业技术推广总站(浙江省林业信息宣传中心) | 一种基于视频图像的森林火灾预警*** |
CN110765982B (zh) * | 2019-11-07 | 2022-06-14 | 中国人民解放军国防科技大学 | 基于变化累积图和级联深度网络的视频烟雾检测方法 |
CN111127433B (zh) * | 2019-12-24 | 2020-09-25 | 深圳集智数字科技有限公司 | 一种检测火焰的方法及装置 |
CN111860330B (zh) * | 2020-07-21 | 2023-08-11 | 陕西工业职业技术学院 | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 |
CN116824514B (zh) * | 2023-08-30 | 2023-12-08 | 四川弘和数智集团有限公司 | 一种目标识别方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635833A (zh) * | 2008-07-22 | 2010-01-27 | 深圳市朗驰欣创科技有限公司 | 一种视频监控方法、装置及*** |
CN103473530A (zh) * | 2013-08-30 | 2013-12-25 | 天津理工大学 | 基于多视图和多模态特征的自适应动作识别方法 |
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN105809715A (zh) * | 2016-03-07 | 2016-07-27 | 南京航空航天大学 | 一种基于帧间累计变化矩阵的视觉运动目标检测方法 |
CN107025443A (zh) * | 2017-04-06 | 2017-08-08 | 江南大学 | 基于深度卷积神经网络的堆场烟雾监测及在线模型更新方法 |
CN108573231A (zh) * | 2018-04-17 | 2018-09-25 | 中国民航大学 | 基于运动历史点云生成的深度运动图的人体行为识别方法 |
CN109255326A (zh) * | 2018-09-07 | 2019-01-22 | 华南理工大学 | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 |
CN109271906A (zh) * | 2018-09-03 | 2019-01-25 | 五邑大学 | 一种基于深度卷积神经网络的烟雾检测方法及其装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903120A (zh) * | 2012-07-19 | 2013-01-30 | 中国人民解放军国防科学技术大学 | 基于时空条件信息的运动目标检测方法 |
US9465987B1 (en) * | 2015-03-17 | 2016-10-11 | Exelis, Inc. | Monitoring and detecting weather conditions based on images acquired from image sensor aboard mobile platforms |
CN107067412A (zh) * | 2017-04-01 | 2017-08-18 | 江苏移动信息***集成有限公司 | 一种多信息融合的视频火焰烟雾检测方法 |
-
2019
- 2019-03-22 CN CN201910219838.2A patent/CN109961042B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635833A (zh) * | 2008-07-22 | 2010-01-27 | 深圳市朗驰欣创科技有限公司 | 一种视频监控方法、装置及*** |
CN103473530A (zh) * | 2013-08-30 | 2013-12-25 | 天津理工大学 | 基于多视图和多模态特征的自适应动作识别方法 |
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN105809715A (zh) * | 2016-03-07 | 2016-07-27 | 南京航空航天大学 | 一种基于帧间累计变化矩阵的视觉运动目标检测方法 |
CN107025443A (zh) * | 2017-04-06 | 2017-08-08 | 江南大学 | 基于深度卷积神经网络的堆场烟雾监测及在线模型更新方法 |
CN108573231A (zh) * | 2018-04-17 | 2018-09-25 | 中国民航大学 | 基于运动历史点云生成的深度运动图的人体行为识别方法 |
CN109271906A (zh) * | 2018-09-03 | 2019-01-25 | 五邑大学 | 一种基于深度卷积神经网络的烟雾检测方法及其装置 |
CN109255326A (zh) * | 2018-09-07 | 2019-01-22 | 华南理工大学 | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109961042A (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961042B (zh) | 结合深度卷积神经网络和视觉变化图的烟雾检测方法 | |
Kim et al. | Pedestrian detection based on faster R-CNN in nighttime by fusing deep convolutional features of successive images | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
CN110298297B (zh) | 火焰识别方法和装置 | |
JP6797860B2 (ja) | 水上侵入検知システムおよびその方法 | |
US10452922B2 (en) | IR or thermal image enhancement method based on background information for video analysis | |
CN107609470A (zh) | 野外火灾早期烟雾视频检测的方法 | |
CN111062293B (zh) | 一种基于深度学习的无人机森林火焰识别方法 | |
KR102103770B1 (ko) | 보행자 검출 장치 및 방법 | |
CN104217215A (zh) | 一种水面有雾图像和清晰图像的分类识别方法 | |
CN105260715B (zh) | 面向偏僻地段的小动物目标检测方法 | |
CN104036250B (zh) | 视频行人检测与跟踪方法 | |
CN109410222B (zh) | 一种火焰检测方法及装置 | |
Siala et al. | Moving shadow detection with support vector domain description in the color ratios space | |
KR101026778B1 (ko) | 차량 영상 검지 장치 | |
CN102509414B (zh) | 一种基于计算机视觉的烟雾检测方法 | |
CN111539483A (zh) | 基于gan网络的虚假图像鉴别***及构建方法 | |
CN113744326B (zh) | 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法 | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和*** | |
CN107992799B (zh) | 面向烟雾检测应用的预处理方法 | |
CN111291747B (zh) | 一种复杂场景下基于深度图的彩色小目标检测方法 | |
CN108038872B (zh) | 一种基于动静态目标检测与实时压缩感知追踪研究方法 | |
Anagnostopoulos et al. | Using sliding concentric windows for license plate segmentation and processing | |
CN114842235B (zh) | 一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法 | |
CN109961012A (zh) | 一种水下目标跟踪识别方法 |
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 |