CN111739250B - 结合图像处理技术与红外传感器的火灾探测方法及*** - Google Patents
结合图像处理技术与红外传感器的火灾探测方法及*** Download PDFInfo
- Publication number
- CN111739250B CN111739250B CN202010621830.1A CN202010621830A CN111739250B CN 111739250 B CN111739250 B CN 111739250B CN 202010621830 A CN202010621830 A CN 202010621830A CN 111739250 B CN111739250 B CN 111739250B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- target area
- infrared sensor
- fire
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 105
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 238000005516 engineering process Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims description 14
- 230000008033 biological extinction Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 239000000779 smoke Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 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
- 230000005855 radiation Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0014—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation from gases, flames
- G01J5/0018—Flames, plasma or welding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/80—Calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Plasma & Fusion (AREA)
- Fire-Detection Mechanisms (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明实施例涉及一种结合图像处理技术与红外传感器的火灾探测方法及***,包括数字信号处理单元、图像采集设备、红外传感器和激光测距传感器,通过激光测距传感器与红外传感器准确识别目标区域的表面温度,同时利用图像采集设备视觉识别获取目标区域的图像数据,将表面温度与图像数据输入BP神经网络模型中利用BP神经网络正确识别判断目标区域是否发生火灾,可以大幅度的提高对目标区域火源识别的准确性与稳定性,该方法能够应用于森林火灾探测、消防灭火、化工厂环境探测、农业评估等环境,该方法的应用在生产生活中发挥极大的作用,也解决了现有对火灾的探测***或方法使用场所有限制,且探测过程易受干扰的技术问题。
Description
技术领域
本发明涉及火灾探测数据处理技术领域,尤其涉及一种结合图像处理技术与红外传感器的火灾探测方法及***。
背景技术
目前在火灾探测领域中,主要应用的是气体型、感烟型、温度型、感光型和图像型的火灾报警***。自然界中存在着诸多影响火灾探测的因素,如空间高度、热量屏障、覆盖范围、远程信号传输等。在这些情况下,传统的接触式探测手段,如感温、感烟式火灾探测器并不能有效利用,不但需要高成本的支持,而且可靠性、准确度、实施性都很低,由此对于火灾检测的效果不佳。
如中国知识产权局公开的申请号为201510016281.4、公开号为CN104504382A、发明名称为“一种基于图像处理技术的火焰识别算法”的发明专利,该识别算法是通过内外焰提取算法找到火焰的最高点以及重心,并分别记录两点坐标;然后经此做出两点连线并提取两点连线上的RGB值;同时对两点连线上的RGB值与标准火焰RGB特征库进行比较,通过比较得出一个匹配值,然后通过匹配值的大小来判定图像是否为火焰图像。但是该方法只采用摄像头获取图片信息分辨是否发生火灾,准确度不高,摄像头拍摄图片受到光线影响严重,使得该识别算法识别火灾应用场景有限;该方法还通过图像判断易受到外界图片信息的干扰,假如直接在摄像头前放置一张火焰照片即可使得报警器报警,造成错误的识别。
如中国知识产权局公开的申请号为201410163501.1、公开号为CN103927838A、发明名称为“一种烟雾热成像火灾自动定位探测***及方法”的发明专利,该方法通过编码器对所有光电烟雾探测器进行编码,将探测器位置编号和热像视场进行对应,确定火灾具***置。但是该方法采用烟雾传感器无法检测到较远距离的火灾信息,探测火灾的场所有限,例如:在森林,油厂等各种比较复杂的环境中采用该方法无法探测火灾。
发明内容
本发明实施例提供了一种结合图像处理技术与红外传感器的火灾探测方法及***,用于解决现有对火灾的探测***或方法使用场所有限制,且探测过程易受干扰的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种结合图像处理技术与红外传感器的火灾探测***,包括以下步骤:
S1.通过图像采集设备对目标区域进行图像采集,获得目标图像;同时通过红外传感器和激光测距传感器对所述目标区域进行温度和距离检测,获得目标温度和目标距离;
S2.对所述目标温度、所述目标距离和所述目标图像进行处理,得到目标区域的表面温度、图像颜色占比、图像变化率、图像圆形度和图像尖角宽度;
S3.将所述目标区域的表面温度、图像颜色占比、图像变化率、图像圆形度和图像尖角宽度作为输入层输入BP神经网络模型判断是否发生火灾。
优选地,还包括:所述BP神经网络模型输出层输出的数值记为Q,若Q∈[0,0.75),则所述目标区域没有发生火灾;若Q∈[0.75,1],则所述目标区域发生火灾。
优选地,对所述目标温度、所述目标距离处理具体包括:
获取所述目标区域的实际温度、所述目标区域周围的环境温度、所述红外传感器的参考发射率和实际发射率;
根据所述目标温度、所述实际温度、所述环境温度、所述参考发射率、所述实际发射率和所述目标距离计算得到消光系数;
根据所述目标温度、所述消光系数、所述参考发射率、所述实际发射率和所述目标距离计算,得到所述目标区域的表面温度。
优选地,对所述目标图像处理的步骤具体包括:
对所述目标图像根据RGB颜色取值范围进行分割,得到分割图像并计算所述分割图像中红色R的颜色占比,得到图像颜色占比;
对所述分割图像取帧,得到一组连续i个帧图像以及与每个所述帧图像对应的像素点;
计算相邻两个所述帧图像像素点之差的绝对值,得到绝对值数组,对所述绝对值数组中所有绝对值计算平均数,得到所述平均数为所述目标区域的图像变化率。
优选地,对所述目标图像处理的步骤还包括:
对所述目标图像根据火灾的干扰源提取特征,得到特征图像;
根据所述特征图像的面积和周长计算,得到所述目标区域的图像圆形度。
优选地,对所述目标图像处理的步骤还包括:
对所述目标图像中火焰进行边缘检测,得到边缘图像;
沿着所述边缘图像中火焰边缘逐个火焰点进行扫描,得到每个火焰点的高度,若一个火焰点边缘连续50个火焰点的高度均小于该火焰点的高度,那么该火焰点记为尖角点;
将与所述尖角点相邻第25个火焰点的距离记为第一距离,以及与所述尖角点相邻第50个火焰点的距离记为第二距离,根据所述第一距离与所述第二距离计算所述尖角点的宽度,得到所述目标区域的图像尖角宽度。
本发明还提供一种结合图像处理技术与红外传感器的火灾探测***,包括数字信号处理单元以及与所述数字信号处理单元连接的图像采集设备、红外传感器和激光测距传感器;
所述图像采集设备,用于对目标区域进行图像采集;
所述红外传感器和所述激光测距传感器,用于对所述目标区域进行温度和距离检测,获得目标温度和目标距离;
所述数字信号处理单元,用于执行上述所述的结合图像处理技术与红外传感器的火灾探测方法对所述目标温度、所述目标距离和所述目标图像进行处理,判断所述目标区域是否发生火灾。
优选地,还包括与所述数字信号处理单元连接的显示单元,所述显示单元用于显示所述数字信号处理单元判断结果。
优选地,还包括与所述数字信号处理单元连接的通信单元和报警单元,所述通信单元用于将所述数字信号处理单元处理判断的结果传输至后端服务台上,所述报警单元用于根据所述数字信号处理单元判断所述目标区域发生火灾发出警报。
本发明还提供一种终端设备,包括处理器以及存储器:
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行上述的结合图像处理技术与红外传感器的火灾探测方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
1.该结合图像处理技术与红外传感器的火灾探测方法通过激光测距传感器与红外传感器准确识别目标区域的表面温度,同时利用图像采集设备视觉识别获取目标区域的图像数据,将表面温度与图像数据输入BP神经网络模型中利用BP神经网络正确识别判断目标区域是否发生火灾,可以大幅度的提高对目标区域火源识别的准确性与稳定性,该方法能够应用于森林火灾探测、消防灭火、化工厂环境探测、农业评估等环境,该方法的应用在生产生活中发挥极大的作用,也解决了现有对火灾的探测***或方法使用场所有限制,且探测过程易受干扰的技术问题。
2.该结合图像处理技术与红外传感器的火灾探测***通过激光测距传感器与红外传感器准确识别目标区域的表面温度,同时利用图像采集设备视觉识别获取目标区域的图像数据,经过数字信号处理单元将表面温度与图像数据输入BP神经网络模型中利用BP神经网络正确识别判断目标区域是否发生火灾,可以大幅度的提高对目标区域火源识别的准确性与稳定性,该***能够利用BP神经网络模型对所获得的数据进行融合,从而提高整体***的稳定性与准确性,也能适用不同的场所火灾的探测,解决了现有对火灾的探测***或方法使用场所有限制,且探测过程易受干扰的技术问题。
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,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地介绍,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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例所述的结合图像处理技术与红外传感器的火灾探测方法的步骤流程图。
图2为本发明实施例中所述的结合图像处理技术与红外传感器的火灾探测方法BP神经网络模型的示意图。
图3为本发明实施例所述的结合图像处理技术与红外传感器的火灾探测***的框架图。
图4为本发明实施例所述的结合图像处理技术与红外传感器的火灾探测***对应装置的结构示意图。
图5为本发明实施例所述的结合图像处理技术与红外传感器的火灾探测***又一的框架图。
图6为本发明实施例所述的结合图像处理技术与红外传感器的火灾探测***另一的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
本申请实施例提供了一种结合图像处理技术与红外传感器的火灾探测方法及***,通过红外传感器与激光测距传感器获取目标区域的表面温度,使用图像采集设备对目标区域域进行图像识别,并对图像采集设备与红外传感器获取的数据进行处理,将处理后的数据作为输入层输入BP神经网络模型中判断目标区域是否发生火灾,当发生火灾时能够及时将发生火灾地点显示并发送火灾信息至后端服务器台处,该结合图像处理技术与红外传感器的火灾探测方法及***能适用于森林、核电站、高压变电站等高危场所的火灾预警,用于解决了现有对火灾的探测***或方法使用场所有限制,且探测过程易受干扰的技术问题。
实施例一:
图1为本发明实施例所述的结合图像处理技术与红外传感器的火灾探测方法的步骤流程图。
如图1所示,本发明实施例提供了一种结合图像处理技术与红外传感器的火灾探测方法,包括以下步骤:
S1.通过图像采集设备对目标区域进行图像采集,获得目标图像;同时通过红外传感器和激光测距传感器对目标区域进行温度和距离检测,获得目标温度和目标距离;
S2.对目标温度、目标距离和目标图像进行处理,得到目标区域的表面温度、图像颜色占比、图像变化率、图像圆形度和图像尖角宽度;
S3.将目标区域的表面温度、图像颜色占比、图像变化率、图像圆形度和图像尖角宽度作为输入层输入BP神经网络模型判断是否发生火灾。
在本发明实施例的步骤S1中,主要是获取目标区域的目标图像以及检测目标区域的温度记为目标温度,红外传感器与目标区域之间的检测距离记为目标距离。其中,红外传感器优选为红外温度传感器。
需要说明的是,图像采集设备可以为摄像机,也可以为CMOS摄像头、相机、扫描仪、或带有拍照功能的设备(手机、平板电脑)等。目标区域是指需要检测是否火灾的地区。
在本发明实施例的步骤S2中,主要是对获取的目标图像、目标温度和目标距离进行处理,得到需要分析目标区域是否发生火灾数据,数据包含有目标区域的表面温度、图像颜色占比、图像变化率、图像圆形度和图像尖角宽度。
在本发明实施例的步骤S3中,根据步骤S2获得的数据输入BP神经网络模型中输出一个数值,根据BP神经网络模型输出的数据判断目标区域是否发生火灾。其中,将BP神经网络模型输出层输出的数值记为Q,若Q∈[0,0.75),说明目标区域没有发生火灾;若Q∈[0.75,1],则目标区域发生火灾。
需要说明的是,BP神经网络模型是基于BP神经网络算法组成的模型,BP神经网络算法是一种按照误差逆向传播算法训练的多层前馈神经网络,其算法称为BP算法。
本发明提供的一种结合图像处理技术与红外传感器的火灾探测方法通过激光测距传感器与红外传感器准确识别目标区域的表面温度,同时利用图像采集设备视觉识别获取目标区域的图像数据,将表面温度与图像数据输入BP神经网络模型中利用BP神经网络正确识别判断目标区域是否发生火灾,可以大幅度的提高对目标区域火源识别的准确性与稳定性,该方法能够应用于森林火灾探测、消防灭火、化工厂环境探测、农业评估等环境,该方法的应用在生产生活中发挥极大的作用,也解决了现有对火灾的探测***或方法使用场所有限制,且探测过程易受干扰的技术问题。
在本发明的一个实施例中,对目标温度、目标距离处理具体包括:
获取目标区域的实际温度、目标区域周围的环境温度、红外传感器的参考发射率和实际发射率;
根据目标温度、实际温度、环境温度、参考发射率、实际发射率和目标距离计算得到消光系数;
根据目标温度、消光系数、参考发射率、实际发射率和目标距离计算,得到目标区域的表面温度。
需要说明的是,为了测量目标区域物体的具体温度信息,根据红外传感器的红外辐射能量能够在大气中随传播距离呈现指数衰减的规律,通过红外传感器获得目标区域的原始红外测量温度当前的环境温度,同时利用激光测距传感器获得与目标区域的距离信息,先求出消光系数β,根据获得的消光系数β,对处于任一环境,任一距离的目标区域就可以通过测量距离,原始红外测量的目标温度与目前的环境温度,最终计算得到目标区域的真实温度。
其消光系数β计算方法如下:
式中,T2为目标区域的实际温度,T1为目标温度,T0为环境温度,η1为红外传感器的参考发射率,η2为红外传感器的实际发射率,R为目标距离。而在获得消光系数β大小之后,在测得目标区域的的目标温度T4与当前环境温度T3,代入如下公式计算,得到目标区域的表面温度T5:
式中,T4为红外传感器所测得目标区域的温度,η3为红外传感器的参考发射率,T3为目标区域的当前环境温度。在本实施例中,该结合图像处理技术与红外传感器的火灾探测方法使用红外传感器与激光测距传感器通过大气消光系数β校正温度获得目标区域的表面温度,便于准确计算目标区域的实际温度,为BP神经网络模型输出数值提供准确数据,提高判断的准确度。
在本发明的一个实施例中,对目标图像处理的步骤具体包括:
对目标图像根据RGB颜色取值范围进行分割,得到分割图像并计算分割图像中红色R的颜色占比,得到图像颜色占比;
对分割图像取帧,得到一组连续i个帧图像以及与每个帧图像对应的像素点;
计算相邻两个帧图像像素点之差的绝对值,得到绝对值数组,对绝对值数组中所有绝对值计算平均数,得到平均数为目标区域的图像变化率。
需要说明的是,在对目标图像处理前,首先利用图像中火焰的颜色RGB各分量取值范围对目标图像进行分割,得到分割图像,对分割图像进行筛选,保留符合如下范围的颜色,去除目标图像的背景信息和不必要的干扰,提高该结合图像处理技术与红外传感器的火灾探测方法判断的准确率,筛选的范围为:
R>200,G<200,B<100
式中,R、G、B分别对应目标图像中红、绿、蓝三通道的颜色,R、G、B颜色变化的范围取值为0~255。
计算其中的红色R比重,计算公式为:
式中,R(x,y)、G(x,y)、B(x,y)分别为目标图像中的第(x,y)位置的像素点,(x,y)为目标图像中的坐标,m为目标图像中所有像素点的集合。
计算目标区域的图像变化率公式如下:
式中,Ii是连续n个帧图像中的第i帧图像,x,y则代表的是目标图像中第(x,y)位置的像素点。
在本发明的一个实施例中,对目标图像处理的步骤还包括:
对目标图像根据火灾的干扰源提取特征,得到特征图像;
根据特征图像的面积和周长计算,得到目标区域的图像圆形度。
需要说明的是,火灾发生时,火灾的形状呈现不规则特性,然而大部分干扰源的形状是具有规则的特性,所以选择圆形度作为火灾特征之一。对于目标区域的图像圆形度的计算公式为:
式中,C为图像圆形度,S为去除目标图像的背景信息和不必要的干扰计算得到的特征图像的面积,P为特征图像区域的周长。
在本发明的一个实施例中,对目标图像处理的步骤还包括:
对目标图像中火焰进行边缘检测,得到边缘图像;
沿着边缘图像中火焰边缘逐个火焰点进行扫描,得到每个火焰点的高度,若一个火焰点边缘连续50个火焰点的高度均小于该火焰点的高度,那么该火焰点记为尖角点;
将与尖角点相邻第25个火焰点的距离记为第一距离,以及与尖角点相邻第50个火焰点的距离记为第二距离,根据第一距离与第二距离计算尖角点的宽度,得到目标区域的图像尖角宽度。
需要说明的是,在获取目标图像后,首先对目标图像中的火焰进行边缘检测,得到火焰的边缘图像,并沿着火焰的边缘逐个火焰点进行扫描,如果一个火焰点的左右连续的50个火焰点的高度都小于该火焰点,则该火焰点被认为疑似的尖角点,并记录该火焰点,要确定该疑似从火焰点的尖角点,要满足一定的宽度和高度条件,尖角的宽度公式如下:
式中:l为尖角点的宽度,l1为与所述尖角点相邻第25个火焰点的距离,l2为与所述尖角点相邻第50个火焰点的距离。
图2为本发明实施例中所述的结合图像处理技术与红外传感器的火灾探测方法BP神经网络模型的示意图。
在本发明的实施例中,有上述可知,得到目标区域的表面温度T5、图像颜色占比、图像变化率、图像圆形度C和图像尖角宽度l五个数据,根据这五个数据输入BP神经网络模型中分析输出一个数值去判断目标区域是否发生火灾。其中,如图2所示,BP神经网络由输入层、隐藏层和输出层这三层组成,图中表示输入层xj第个j节点的输入,j=1,...,M;(其中x1=T5,x2=Rratio(x,y),x3=Change(x,y),x4=C,x5=l),M的数值为5。wij表示隐含层第i个节点到输入层第j个节点之间的权值;θi表示隐含层第i个节点的阈值;φ(x)表示隐含层的激励函数,这里为Sigmoid函数,φ=1/(1+e-x);wki表示输出层第k个节点到隐含层第i个节点之间的权值,i=1,…,q;ak表示输出层第k个节点的阈值,k=1,…,L;ψ(x)表示输出层的激励函数;Ok表示输出层第k个节点的输出。
需要说明的是,其中根据误差梯度下降法依次修正输出层权值的修正量Δwki,输出层阈值的修正量Δak,隐含层权值的修正量Δwij,隐含层阈值的修正量Δθi,得到如下公式:
隐含层第i个节点的输入neti:
输出层第k个节点的输入netk:
输出层权值调整公式:
输出层阈值调整公式:
隐含层权值调整公式:
隐含层阈值调整公式:
获得输出层第k个节点的输出:
最终在输出层,当输出的数值Ok∈[0,0.75)时,则判断目标区域正常,未发生火灾;当输出的数值Ok∈[0.75,1]时,则判断目标区域发生火灾。在本发明实施例中,该结合图像处理技术与红外传感器的火灾探测方法利用BP神经网络模型对所获得的五个数据进行融合分析,避免了探测过程中数据的干扰,从而提高结合图像处理技术与红外传感器的火灾探测方法探测的准确性。
实施例二:
图3为本发明实施例所述的结合图像处理技术与红外传感器的火灾探测***的框架图,图4为本发明实施例所述的结合图像处理技术与红外传感器的火灾探测***对应装置的结构示意图。
如图3所示,本发明实施例提供了一种结合图像处理技术与红外传感器的火灾探测***,包括数字信号处理单元10以及与数字信号处理单元10连接的图像采集设备20、红外传感器30和激光测距传感器40;
图像采集设备20,用于对目标区域进行图像采集;
红外传感器30和激光测距传感器40,用于对目标区域进行温度和距离检测,获得目标温度和目标距离;
数字信号处理单元10,用于执行上述的结合图像处理技术与红外传感器的火灾探测方法对目标温度、目标距离和目标图像进行处理,判断目标区域是否发生火灾。
在本发明实施例中,该结合图像处理技术与红外传感器的火灾探测***设置在一个装置中,如图4所示,该结合图像处理技术与红外传感器的火灾探测***包括一组红外传感器30与激光测距传感器40,一台图像采集设备20,一个数字信号处理单元10,数字信号处理单元10具有信号输入、信号处理与信号输出的三大部分;该结合图像处理技术与红外传感器的火灾探测***的火灾检测部分依靠红外传感器30、激光测距传感器40与图像采集设备20,红外传感器30与激光测距传感器40输出的电信号与图像采集设备20的获取的视频信号均接入数字信号处理单元10,在数字信号处理单元10中对温度信号与视频信号进行处理,判断目标区域是否发生火灾,判断的结果能够以声音、图像与串行数据的形式进行输出。
需要说明的是,数字信号处理单元10对温度信号与视频信号进行处理已在实施例一的方法详细阐述了,在此实施例二中不再一一阐述。
本发明提供的一种结合图像处理技术与红外传感器的火灾探测***通过激光测距传感器与红外传感器准确识别目标区域的表面温度,同时利用图像采集设备视觉识别获取目标区域的图像数据,经过数字信号处理单元将表面温度与图像数据输入BP神经网络模型中利用BP神经网络正确识别判断目标区域是否发生火灾,可以大幅度的提高对目标区域火源识别的准确性与稳定性,该***能够利用BP神经网络模型对所获得的数据进行融合,从而提高整体***的稳定性与准确性,也能适用不同的场所火灾的探测,解决了现有对火灾的探测***或方法使用场所有限制,且探测过程易受干扰的技术问题。
图5为本发明实施例所述的结合图像处理技术与红外传感器的火灾探测***又一的框架图。
如图5所示,在本发明的一个实施例中,该结合图像处理技术与红外传感器的火灾探测***还包括与数字信号处理单元10连接的显示单元50,显示单元50用于显示数字信号处理单元10判断结果。
需要说明的是,显示单元50可以为显示屏,也可以为显示器等。
图6为本发明实施例所述的结合图像处理技术与红外传感器的火灾探测***另一的框架图。
如图6所示,在本发明的一个实施例中,该结合图像处理技术与红外传感器的火灾探测***还包括与数字信号处理单元10连接的通信单元60和报警单元70,通信单元60用于将数字信号处理单元10处理判断的结果传输至后端服务台上,报警单元70用于根据数字信号处理单元10判断目标区域发生火灾发出警报。
需要说明的是,通信单元60优先选为2.4G的发射器,也可以为其他具有通讯功能的通信设备。报警单元70优先选为蜂鸣器,也可以为喇叭等其他具有发出声音或灯光显示器件或设备。
实施例三:
本发明实施例还提供一种终端设备,其特征在于,包括处理器以及存储器:
存储器,用于存储程序代码,并将程序代码传输给处理器;
处理器,用于根据程序代码中的指令执行上述的结合图像处理技术与红外传感器的火灾探测方法。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在设备中的执行过程。
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。设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,并不构成对设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal 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。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。
存储器可以是计算机设备的内部存储单元,例如计算机设备的硬盘或内存。存储器也可以是计算机设备的外部存储设备,例如计算机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,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、方法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。
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,可以通过其它的方式实现。例如,以上所描述的***实施例仅仅是示意性的,例如,所述单元的划分,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***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,***或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明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,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种结合图像处理技术与红外传感器的火灾探测方法,其特征在于,包括以下步骤:
S1.通过图像采集设备对目标区域进行图像采集,获得目标图像;同时通过红外传感器和激光测距传感器对所述目标区域进行温度和距离检测,获得目标温度和目标距离;
S2.对所述目标温度、所述目标距离和所述目标图像进行处理,得到目标区域的表面温度、图像颜色占比、图像变化率、图像圆形度和图像尖角宽度;
S3.将所述目标区域的表面温度、图像颜色占比、图像变化率、图像圆形度和图像尖角宽度作为输入层输入BP神经网络模型判断是否发生火灾;
对所述目标图像处理的步骤还包括:
对所述目标图像中火焰进行边缘检测,得到边缘图像;
沿着所述边缘图像中火焰边缘逐个火焰点进行扫描,得到每个火焰点的高度,若一个火焰点边缘连续50个火焰点的高度均小于该火焰点的高度,那么该火焰点记为尖角点;
将与所述尖角点相邻第25个火焰点的距离记为第一距离,以及与所述尖角点相邻第50个火焰点的距离记为第二距离,根据所述第一距离与所述第二距离计算所述尖角点的宽度,得到所述目标区域的图像尖角宽度;
对所述目标温度、所述目标距离处理具体包括:
获取所述目标区域的实际温度、所述目标区域周围的环境温度、所述红外传感器的参考发射率和实际发射率;
根据所述目标温度、所述实际温度、所述环境温度、所述参考发射率、所述实际发射率和所述目标距离计算得到消光系数;
根据所述目标温度、所述消光系数、所述参考发射率、所述实际发射率和所述目标距离计算,得到所述目标区域的表面温度;
对所述目标图像处理的步骤具体包括:
对所述目标图像根据RGB颜色取值范围进行分割,得到分割图像并计算所述分割图像中红色R的颜色占比,得到图像颜色占比;
对所述分割图像取帧,得到一组连续i个帧图像以及与每个所述帧图像对应的像素点;
计算相邻两个所述帧图像像素点之差的绝对值,得到绝对值数组,对所述绝对值数组中所有绝对值计算平均数,得到所述平均数为所述目标区域的图像变化率;
对所述目标图像处理的步骤还包括:
对所述目标图像根据火灾的干扰源提取特征,得到特征图像;
根据所述特征图像的面积和周长计算,得到所述目标区域的图像圆形度;
其消光系数β计算公式为:
式中,T2为目标区域的实际温度,T1为目标温度,T0为环境温度,η1为红外传感器的参考发射率,η2为红外传感器的实际发射率,R为目标距离;
目标区域的表面温度T5的计算公式为:
式中,T4为红外传感器所测得目标区域的温度,η3为红外传感器的参考发射率,T3为目标区域的当前环境温度;
目标区域的图像变化率计算公式为:
式中,Ii是连续n个帧图像中的第i帧图像,x,y则代表的是目标图像中第(x,y)位置的像素点;
目标区域的图像圆形度的计算公式为:
式中,C为图像圆形度,S为去除目标图像的背景信息和不必要的干扰计算得到的特征图像的面积,P为特征图像区域的周长。
2.根据权利要求1所述的结合图像处理技术与红外传感器的火灾探测方法,其特征在于,还包括:所述BP神经网络模型输出层输出的数值记为Q,若Q∈[0,0.75),则所述目标区域没有发生火灾;若Q∈[0.75,1],则所述目标区域发生火灾。
3.一种结合图像处理技术与红外传感器的火灾探测***,其特征在于,包括数字信号处理单元以及与所述数字信号处理单元连接的图像采集设备、红外传感器和激光测距传感器;
所述图像采集设备,用于对目标区域进行图像采集;
所述红外传感器和所述激光测距传感器,用于对所述目标区域进行温度和距离检测,获得目标温度和目标距离;
所述数字信号处理单元,用于执行如权利要求1或2所述的结合图像处理技术与红外传感器的火灾探测方法对所述目标温度、所述目标距离和所述目标图像进行处理,判断所述目标区域是否发生火灾。
4.根据权利要求3所述的结合图像处理技术与红外传感器的火灾探测***,其特征在于,还包括与所述数字信号处理单元连接的显示单元,所述显示单元用于显示所述数字信号处理单元判断结果。
5.根据权利要求3所述的结合图像处理技术与红外传感器的火灾探测***,其特征在于,还包括与所述数字信号处理单元连接的通信单元和报警单元,所述通信单元用于将所述数字信号处理单元处理判断的结果传输至后端服务台上,所述报警单元用于根据所述数字信号处理单元判断所述目标区域发生火灾发出警报。
6.一种终端设备,其特征在于,包括处理器以及存储器:
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行如权利要求1或2所述的结合图像处理技术与红外传感器的火灾探测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621830.1A CN111739250B (zh) | 2020-07-01 | 2020-07-01 | 结合图像处理技术与红外传感器的火灾探测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621830.1A CN111739250B (zh) | 2020-07-01 | 2020-07-01 | 结合图像处理技术与红外传感器的火灾探测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111739250A CN111739250A (zh) | 2020-10-02 |
CN111739250B true CN111739250B (zh) | 2022-02-15 |
Family
ID=72652239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010621830.1A Active CN111739250B (zh) | 2020-07-01 | 2020-07-01 | 结合图像处理技术与红外传感器的火灾探测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111739250B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112237697A (zh) * | 2020-10-13 | 2021-01-19 | 合肥中科创奥数字科技有限公司 | 一种化工厂用灭火巡检机器人 |
CN112347874A (zh) * | 2020-10-26 | 2021-02-09 | 创泽智能机器人集团股份有限公司 | 一种火灾检测方法、装置、设备及存储介质 |
CN113065421B (zh) * | 2021-03-19 | 2022-09-09 | 国网河南省电力公司电力科学研究院 | 一种充油设备多源光学火灾探测方法及*** |
CN113405219B (zh) * | 2021-05-17 | 2022-07-19 | 重庆海尔空调器有限公司 | 空调器的防火监测方法、装置、电子设备以及存储介质 |
CN113553931A (zh) * | 2021-07-14 | 2021-10-26 | 浙江讯飞智能科技有限公司 | 异常目标检测方法、装置、电子设备、存储介质和*** |
CN113920680A (zh) * | 2021-10-08 | 2022-01-11 | 合肥宽特姆量子科技有限公司 | 一种基于量子通信的智能建筑火灾探测*** |
CN114435422B (zh) * | 2022-02-15 | 2023-05-16 | 北京康拓红外技术股份有限公司 | 一种基于铁路红外轴温探测的目标定位探测装置及方法 |
CN114999092A (zh) * | 2022-06-10 | 2022-09-02 | 北京拙河科技有限公司 | 一种基于多发性森林火灾模型的灾难预警方法及装置 |
US11990017B2 (en) | 2022-07-14 | 2024-05-21 | Honeywell International Inc. | Thermal camera and infrared sensor based flame detection |
CN116091959B (zh) * | 2022-11-21 | 2024-03-22 | 武汉坤达安信息安全技术有限公司 | 基于全天候烟火的双光联动识别方法及装置 |
CN115512307B (zh) * | 2022-11-23 | 2023-03-17 | 中国民用航空飞行学院 | 广域空间红外多点实时火灾探测方法及***、定位方法 |
CN116822964A (zh) * | 2023-08-25 | 2023-09-29 | 石家庄长川电气科技有限公司 | 一种基于物联网的消防设备管理***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4222920A1 (de) * | 1991-07-12 | 1993-01-14 | Hochiki Co | Bildverarbeitung verwendendes ueberwachungsmonitorsystem |
CN204288415U (zh) * | 2014-10-22 | 2015-04-22 | 常州大学 | 智能预警灭火机器人 |
CN104581076A (zh) * | 2015-01-14 | 2015-04-29 | 国网四川省电力公司电力科学研究院 | 基于360度全景红外鱼眼摄像机之山火监控识别方法及装置 |
CN105046868A (zh) * | 2015-06-16 | 2015-11-11 | 苏州华启智能科技股份有限公司 | 一种狭长环境中基于红外热像仪的火灾预警方法 |
CN109919071A (zh) * | 2019-02-28 | 2019-06-21 | 沈阳天眼智云信息科技有限公司 | 基于红外多特征联合技术的火焰识别方法 |
CN110491066A (zh) * | 2019-08-21 | 2019-11-22 | 深圳云感物联网科技有限公司 | 基于红外热成像的森林防火监测预警*** |
CN111145234A (zh) * | 2019-12-25 | 2020-05-12 | 沈阳天眼智云信息科技有限公司 | 基于双目视觉的火灾烟雾探测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106558181B (zh) * | 2015-09-28 | 2019-07-30 | 东莞前沿技术研究院 | 火灾监测方法和装置 |
CN105160799B (zh) * | 2015-09-29 | 2018-02-02 | 广州紫川电子科技有限公司 | 一种基于红外热成像裸数据的火情与热源探测方法及装置 |
CN111126136B (zh) * | 2019-11-18 | 2023-04-21 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
-
2020
- 2020-07-01 CN CN202010621830.1A patent/CN111739250B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4222920A1 (de) * | 1991-07-12 | 1993-01-14 | Hochiki Co | Bildverarbeitung verwendendes ueberwachungsmonitorsystem |
CN204288415U (zh) * | 2014-10-22 | 2015-04-22 | 常州大学 | 智能预警灭火机器人 |
CN104581076A (zh) * | 2015-01-14 | 2015-04-29 | 国网四川省电力公司电力科学研究院 | 基于360度全景红外鱼眼摄像机之山火监控识别方法及装置 |
CN105046868A (zh) * | 2015-06-16 | 2015-11-11 | 苏州华启智能科技股份有限公司 | 一种狭长环境中基于红外热像仪的火灾预警方法 |
CN109919071A (zh) * | 2019-02-28 | 2019-06-21 | 沈阳天眼智云信息科技有限公司 | 基于红外多特征联合技术的火焰识别方法 |
CN110491066A (zh) * | 2019-08-21 | 2019-11-22 | 深圳云感物联网科技有限公司 | 基于红外热成像的森林防火监测预警*** |
CN111145234A (zh) * | 2019-12-25 | 2020-05-12 | 沈阳天眼智云信息科技有限公司 | 基于双目视觉的火灾烟雾探测方法 |
Non-Patent Citations (1)
Title |
---|
基于可见光和红外图像的矿井外因火灾识别方法;孙继平;《工况自动化》;20190531;1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111739250A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111739250B (zh) | 结合图像处理技术与红外传感器的火灾探测方法及*** | |
CN108416968B (zh) | 火灾预警方法和装置 | |
US7574039B2 (en) | Video based fire detection system | |
CN111339951A (zh) | 体温测量方法、装置及*** | |
CN107437318B (zh) | 一种可见光智能识别算法 | |
CN111179279A (zh) | 一种基于紫外、双目视觉的综合火焰检测方法 | |
CN113267828A (zh) | 一种信息关联方法、装置、安检设备及存储介质 | |
CN115171361B (zh) | 一种基于计算机视觉的危险行为智能检测预警方法 | |
CN114399882A (zh) | 一种用于消防机器人的火源探测识别并预警方法 | |
CN108335454A (zh) | 一种火情检测方法及装置 | |
CN116229668A (zh) | 基于红外视频监测的火灾定位*** | |
CN110703760A (zh) | 一种用于安防巡检机器人的新增可疑物体检测方法 | |
CN115937746A (zh) | 一种烟火事件监测方法、装置及存储介质 | |
CN110428579B (zh) | 基于图像识别的室内监控***、方法及装置 | |
CN115049955A (zh) | 一种基于视频分析技术的火灾探测分析方法及装置 | |
CN209433517U (zh) | 一种基于多火焰图像与组合判据的火灾识别报警装置 | |
CN117037065A (zh) | 火焰烟雾浓度检测方法、装置、计算机设备和存储介质 | |
CN112686214A (zh) | 一种基于Retinaface算法的人脸口罩检测***和方法 | |
CN112446304A (zh) | 一种火焰检测方法及其*** | |
Munawar et al. | Fire detection through Image Processing; A brief overview | |
CN115841730A (zh) | 视频监控***、异常事件检测方法 | |
CN112598738B (zh) | 一种基于深度学习的人物定位方法 | |
CN112784703B (zh) | 一种基于多光谱的人员行动轨迹确定方法 | |
CN111127433B (zh) | 一种检测火焰的方法及装置 | |
CN114067267A (zh) | 一种基于地理视频的搏斗行为检测方法 |
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 |