CN117423068B - 用于智慧城市的车辆火灾检测方法及*** - Google Patents
用于智慧城市的车辆火灾检测方法及*** Download PDFInfo
- Publication number
- CN117423068B CN117423068B CN202311733900.2A CN202311733900A CN117423068B CN 117423068 B CN117423068 B CN 117423068B CN 202311733900 A CN202311733900 A CN 202311733900A CN 117423068 B CN117423068 B CN 117423068B
- Authority
- CN
- China
- Prior art keywords
- suspected
- smoke
- degree
- area
- suspected smoke
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 239000000779 smoke Substances 0.000 claims abstract description 177
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及用于智慧城市的车辆火灾检测方法及***，该方法包括：采集停车场车辆图像，根据各像素点的RGB三通道值得到各像素点的雾色偏离程度，根据雾色偏离程度将各像素点划分为疑似烟雾像素点及背景像素点，进而得到各个疑似烟雾区域，获取各疑似烟雾区域的关注度，根据各疑似烟雾区域的关注度得到各疑似烟雾区域的烟雾概率，进而得到各疑似烟雾区域的危险程度，根据各疑似烟雾区域的危险程度完成智慧城市的车辆火灾检测。本发明旨在提高车辆火灾检测的准确率与可靠性，实现用于智慧城市的车辆火灾检测。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及用于智慧城市的车辆火灾检测方法及***。
背景技术
停车场车辆密度的增加，会导致火灾风险也相应上升。因此，建立可靠的车辆火灾检测***至关重要，它能迅速发现火灾迹象，并及时启动预警和灭火措施，有效遏制火势蔓延，保护停车场车辆和周边建筑物的安全，同时保障车主和工作人员的生命财产安全。
目前传统的烟雾检测方法是根据火焰的形状以及黑色烟雾的浓度对火灾进行判断，但是若火势已经相对较大，则不利于火情准确分析。
综上所述，本发明提出用于智慧城市的车辆火灾检测方法及***，通过拍摄停车场车辆图像，分析出现火灾时采集图像的特点，构建各帧图像的危险程度，以此实现车俩火灾实时检测，提高了火灾检测的准确率与可靠性。
发明内容
为了解决上述技术问题，本发明的目的在于提供用于智慧城市的车辆火灾检测方法及***，所采用的技术方案具体如下：
第一方面，本发明实施例提供了用于智慧城市的车辆火灾检测方法，该方法包括以下步骤：
采集停车场车辆的各帧图像；
根据图像中各像素点的RGB三通道值得到各像素点的雾色偏离程度；根据各像素点的雾色偏离程度获取图像中的各疑似烟雾像素点；根据各疑似烟雾像素点的分布得到图像中的各个疑似烟雾区域；根据相邻帧图像中疑似烟雾区域的分布获取交叠区域；根据交叠区域的像素点数量得到各帧图像各疑似烟雾区域的关注度；根据各帧图像各疑似烟雾区域的关注度得到各帧图像各疑似烟雾区域的烟雾概率；根据各帧图像各疑似烟雾区域的烟雾概率得到各帧图像各疑似烟雾区域的危险程度；根据各帧图像各疑似烟雾区域的危险程度完成车辆火灾检测。
优选的，所述根据图像中各像素点的RGB三通道值得到各像素点的雾色偏离程度，包括：
针对各像素点的RGB三通道值，计算R通道与G通道的差值绝对值，计算R通道与B通道的差值绝对值，计算G通道与B通道的差值绝对值，将三个差值绝对值的和值作为各像素点的雾色偏离程度。
优选的，所述根据各像素点的雾色偏离程度获取图像中的各疑似烟雾像素点，包括：
将各像素点的雾色偏离程度大于等于预设第一阈值的像素点灰度值置为0，将小于预设第一阈值的像素点灰度值置为1，将灰度值为1的各像素点确定为疑似烟雾像素点，将灰度值为0的各像素点确定为背景像素点。
优选的，所述根据各疑似烟雾像素点的分布得到图像中的各个疑似烟雾区域，包括：
利用闭运算处理各个疑似烟雾像素点，将得到的各连通域确定为疑似烟雾区域。
优选的，所述根据相邻帧图像中疑似烟雾区域的分布获取交叠区域，包括：
利用重心法获取各帧图像中各疑似烟雾区域的质心，针对当前帧图像的各疑似烟雾区域，确定与前一帧图像中质心距离最近的疑似烟雾区域，作为当前帧图像各疑似烟雾区域的对应区域，将与对应区域重合的区域作为当前帧图像的各疑似烟雾区域的交叠区域。
优选的，所述根据交叠区域的像素点数量得到各帧图像各疑似烟雾区域的关注度，表达式为：
式中，表示第b帧图像中第/>个疑似烟雾区域的关注度，/>表示第b帧图像中第个疑似烟雾区域的像素点个数，/>表示第b帧图像的第/>个疑似烟雾区域在上一帧图像中的对应区域的像素点个数，/>表示第b帧图像中第/>个疑似烟雾区域内所有像素点的雾色偏离程度的均值，/>表示第b帧图像的第/>个疑似烟雾区域在上一帧图像中的对应区域的雾色偏离程度的均值，/>表示第b帧图像中第/>个疑似烟雾区域的交叠区域的像素点个数，/>表示取最大值函数。
优选的，所述根据各帧图像各疑似烟雾区域的关注度得到各帧图像各疑似烟雾区域的烟雾概率，表达式为：
式中，表示第b帧图像中第/>个疑似烟雾区域的烟雾概率，/>表示第b帧图像中第/>个疑似烟雾区域的关注度，/>表示采集图像的帧数，/>表示第c帧图像中各疑似烟雾区域的关注度，/>表示第b帧图像中各疑似烟雾区域的关注度，/>表示取最小值函数，表示获取第c帧图像中所有疑似烟雾区域的关注度最小值，/>表示获取第b帧图像中所有疑似烟雾区域的关注度最小值，/>表示所有帧图像中各疑似烟雾区域的关注度的最小值，/>表示以自然常数为底数的指数函数。
优选的，所述根据各帧图像各疑似烟雾区域的烟雾概率得到各帧图像各疑似烟雾区域的危险程度，表达式为：
式中，表示第b帧图像中第/>个疑似烟雾区域的危险程度，/>表示第b-1帧图像中第/>个疑似烟雾区域的烟雾概率，/>表示第b帧图像中第/>个疑似烟雾区域的关注度，/>表示第b帧图像的第/>个疑似烟雾区域在上一帧图像中的对应区域的最大雾色偏离程度，/>表示第b帧图像的第/>个疑似烟雾区域在上一帧图像中的对应区域的雾色偏离程度的均值，/>表示以自然常数为底数的指数函数，/>表示取最大值函数。
优选的，所述根据各帧图像各疑似烟雾区域的危险程度完成车辆火灾检测，包括：
将各帧图像的所有疑似烟雾区域的危险程度的最大值作为各帧图像的危险程度，当各帧图像的危险程度大于等于预设第二阈值时，表示发生火灾，当各帧图像的危险程度小于第二阈值时，表示正常。
第二方面，本发明实施例还提供了用于智慧城市的车辆火灾检测***，包括存储器、处理器以及存储在所述存储器中并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任意一项所述方法的步骤。
本发明至少具有如下有益效果：
本发明根据各像素点的RGB三通道值得到各像素点的雾色偏离程度，根据雾色偏离程度将各像素点划分为疑似烟雾像素点及背景像素点，进而得到各个疑似烟雾区域，获取各疑似烟雾区域的关注度，根据各疑似烟雾区域的关注度得到各疑似烟雾区域的烟雾概率，进而得到各疑似烟雾区域的危险程度；
本发明解决了由于数据传输、处理等因素难以准确实时的实现车辆火灾检测的问题，本发明提高了车辆火灾检测的准确性及可靠性，实时进行车辆火灾检测，及时做出响应。
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提供的用于智慧城市的车辆火灾检测方法的步骤流程图；
图2为车辆火灾检测指标获取流程图。
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用于智慧城市的车辆火灾检测方法及***，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，一个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。
下面结合附图具体的说明本发明所提供的用于智慧城市的车辆火灾检测方法及***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用于智慧城市的车辆火灾检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，通过图像采集装置获取停车场车辆图像，并进行预处理。
在停车场架设高空摄像头，拍摄范围包括停车场上所有可以拍摄到的停放车辆，对停车场进行多帧RGB图像采集。
由于汽车在起火时会冒出烟雾，烟雾由起初的白色转为后来的黑色，而烟雾的RGB三通道都比较相近，故对于第b帧图像中的每一个像素点，计算三通道中每两个通道的差值绝对值，将所有差值绝对值累加，作为每个像素点的雾色偏离程度，记作，需要说明的是在计算每两个通道的差值时均为大值减去小值，计算得到的差值均为正值。设定第一阈值a，本实施例中/>，实施者可根据实际情况自行设定，本实施例对此不做限制，将雾色偏离程度小于第一阈值a的像素点灰度值标记为1，将雾色偏离程度大于等于第一阈值a的像素点灰度值标记为0，从而得到二值图像，其中灰度值标记为1的像素点为疑似烟雾像素点，灰度值标记为0的像素点为背景像素点。针对标记为1的各个疑似烟雾像素点，利用闭运算处理，从而使得区域孔洞闭合，得到完整的多个连通域，将各个连通域定义为疑似烟雾区域，其中闭运算处理为现有公知技术，本实施例在此不做详细赘述。
步骤S002，根据疑似烟雾区域的分布和雾色偏离程度的变化，计算各帧图像中各疑似烟雾区域的危险程度。
具体的，本实施例首先采集停车场车辆图像，根据各像素点的RGB三通道值得到各像素点的雾色偏离程度，根据雾色偏离程度将各像素点划分为疑似烟雾像素点及背景像素点，进而得到各个疑似烟雾区域，获取各疑似烟雾区域的关注度，根据各疑似烟雾区域的关注度得到各疑似烟雾区域的烟雾概率，进而得到各疑似烟雾区域的危险程度，根据各疑似烟雾区域的危险程度完成智慧城市的车辆火灾检测，具体车辆火灾检测指标获取流程图如图2所示。各帧图像中各疑似烟雾区域的危险程度的构建过程具体为：
对于起火初期，会出现白色烟雾，白色烟雾的RGB通道值都较小，而随着时间的变化烟雾会逐渐变大变浓，故可根据疑似烟雾区域的雾色偏离程度的变化，给不同的疑似烟雾区域赋予不同的关注度。
当出现一段时间疑似烟雾区域连续的关注度均较高，则表明此该疑似烟雾区域越有可能为出现火灾。
随着火势的改变，一段时间后会在烟雾根部区域冒出火苗，而火苗的出现会导致疑似烟雾区域内部分像素点的R通道值相对于G，B通道值增大，当前帧图像的烟雾概率较大的情况下，则表示出现火灾，需要立刻进行报警。
由于火势逐渐增大，烟雾的区域也逐渐扩大，所以对于各帧图像中，分割出的疑似烟雾区域的面积也将越来越大，且当前帧图像中的疑似烟雾区域，会包含上一帧图像中的疑似烟雾区域。并且前期车辆起火冒出白烟，当烟雾越来越浓时，疑似烟雾区域的灰度值也逐渐增大。
针对采集的各帧图像的各疑似烟雾区域，利用重心法获取各疑似烟雾区域的质心位置，其中重心法为现有公知技术，本实施例在此不做详细赘述，对于第b帧图像中第个疑似烟雾区域的质心，获取第b-1帧图像中与第/>个疑似烟雾区域的质心距离最近的质心所对应的疑似烟雾区域，将其记为第b帧图像中第/>个疑似烟雾区域的对应区域。获取第b帧图像中第/>个疑似烟雾区域和对应区域的交叠区域，统计交叠区域的像素点个数，记为/>。计算各帧图像中各疑似烟雾区域的关注度，具体表达式为：
式中，表示第b帧图像中第/>个疑似烟雾区域的关注度；/>表示第b帧图像中第个疑似烟雾区域的像素点个数；/>表示第b帧图像的第/>个疑似烟雾区域在上一帧图像中的对应区域的像素点个数；/>表示第b帧图像中第/>个疑似烟雾区域内所有像素点的雾色偏离程度的均值；/>表示第b帧图像的第/>个疑似烟雾区域在上一帧图像中的对应区域的雾色偏离程度的均值，/>表示第b帧图像中第/>个疑似烟雾区域的交叠区域的像素点个数，/>表示取最大值函数。
表示第b帧图像中疑似烟雾区域与对应区域的交叠率，即疑似烟雾区域大小变化和雾色偏离程度变化的置信度，只有当第b帧图像中疑似烟雾区域与对应区域的交叠率越高时，才能说明两个疑似烟雾区域可能处于同一烟雾范围内。/>将判断疑似烟雾区域的范围变化是否越来越大。
若疑似烟雾区域的扩散性很强，即疑似烟雾区域的关注度在一段时间内一直很高，则疑似烟雾区域为起火烟雾的概率将会很大。在关注度随时间的分布上表现为存在连续的一个时间段内，疑似烟雾区域的关注度保持较高值。根据采集视频图像中，第b帧前的所有帧图像下的疑似烟雾区域的关注度，计算疑似烟雾区域的烟雾概率，具体表达式为：
式中，表示第b帧图像中第/>个疑似烟雾区域的烟雾概率；/>表示第b帧图像中第/>个疑似烟雾区域的关注度；/>表示采集图像的帧数，/>表示第c帧图像中各疑似烟雾区域的关注度；/>表示第b帧图像中各疑似烟雾区域的关注度，/>表示取最小值函数，表示获取第c帧图像中所有疑似烟雾区域的关注度最小值，/>表示获取第b帧图像中所有疑似烟雾区域的关注度最小值，/>表示所有帧图像中各疑似烟雾区域的关注度的最小值，/>表示以自然常数为底数的指数函数。
表示第b帧图像的疑似烟雾区域与第c帧图像的疑似烟雾区域的关注度差异程度，若差异程度不大，且第b帧图像的疑似烟雾区域本身的关注度值较大时，则表明疑似烟雾区域的关注度持续保持较高值状态；/>为关注度差异程度的可信度，当第c帧图像到第b帧图像的时间区间内最小的关注度，相对于第b帧图像的疑似烟雾区域的关注度仍然很高时，则表示关注度具有持续性特征。
在起烟一段时间后，一旦在起烟区域内冒出火苗，则应立刻报警。冒出火苗时，由于当前帧图像的疑似烟雾区域相对于上一帧图像的对应区域，部分像素点R通道值与G,B通道相比会大得多，即雾色偏离程度会越大，在前一帧图像的疑似烟雾区域的烟雾概率较大的情况下，有冒出火苗的现象，据此计算各帧图像各疑似烟雾区域的危险程度，危险程度的具体表达式为：
式中，表示第b帧图像中第/>个疑似烟雾区域的危险程度；/>表示第b-1帧图像中第/>个疑似烟雾区域的烟雾概率；/>表示第b帧图像中第/>个疑似烟雾区域的关注度；/>表示第b帧图像的第/>个疑似烟雾区域在上一帧图像中的对应区域的最大雾色偏离程度；/>表示第b帧图像的第/>个疑似烟雾区域在上一帧图像中的对应区域的雾色偏离程度的均值，/>表示取最大值函数，/>表示以自然常数为底数的指数函数。
表示第b帧图像的第/>个疑似烟雾区域的雾色偏离程度的变化程度，当雾色偏离程度发生巨大变化时，则表明可能产生了火苗；/>表示火势情况的改变程度，若与此同时上一帧图像疑似烟雾区域的烟雾概率较高，则表明火势情况发生明显改变。
步骤S003，根据各帧图像各疑似烟雾区域的危险程度判定是否出现火灾。
利用上述方法对视频监控图像进行持续监测。对于各帧图像中存在的各个疑似烟雾区域，则取疑似烟雾区域对应的危险程度的最大值，作为各帧图像的危险程度。设定第二阈值H，当各帧图像的危险程度大于等于第二阈值H时，则表示出现火灾，立刻发起报警；若各帧图像的危险程度小于第二阈值H时，则表明正常，无火灾出现，本实施例中，实施者可根据实际情况自行设定，本实施例对此不做限制。
基于与上述方法相同的发明构思，本发明实施例还提供了用于智慧城市的车辆火灾检测***，包括存储器、处理器以及存储在所述存储器中并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用于智慧城市的车辆火灾检测方法中任意一项所述方法的步骤。
综上所述，本发明实施例解决了由于数据传输、处理等因素难以准确实时的实现车辆火灾检测的问题，通过结合火灾场景分析采集图像的特征，提高了车辆火灾检测的准确率与可靠性。
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。且上述对本说明书特定实施例进行了描述。另外，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。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.用于智慧城市的车辆火灾检测方法，其特征在于，该方法包括以下步骤：
采集停车场车辆的各帧图像；
根据图像中各像素点的RGB三通道值得到各像素点的雾色偏离程度；根据各像素点的雾色偏离程度获取图像中的各疑似烟雾像素点；根据各疑似烟雾像素点的分布得到图像中的各个疑似烟雾区域；根据相邻帧图像中疑似烟雾区域的分布获取交叠区域；根据交叠区域的像素点数量得到各帧图像各疑似烟雾区域的关注度；根据各帧图像各疑似烟雾区域的关注度得到各帧图像各疑似烟雾区域的烟雾概率；根据各帧图像各疑似烟雾区域的烟雾概率得到各帧图像各疑似烟雾区域的危险程度；根据各帧图像各疑似烟雾区域的危险程度完成车辆火灾检测；
所述根据各帧图像各疑似烟雾区域的关注度得到各帧图像各疑似烟雾区域的烟雾概率，表达式为：
式中，表示第b帧图像中第/>个疑似烟雾区域的烟雾概率，/>表示第b帧图像中第/>个疑似烟雾区域的关注度，/>表示采集图像的帧数，/>表示第c帧图像中各疑似烟雾区域的关注度，/>表示第b帧图像中各疑似烟雾区域的关注度，/>表示取最小值函数，表示获取第c帧图像中所有疑似烟雾区域的关注度最小值，/>表示获取第b帧图像中所有疑似烟雾区域的关注度最小值，/>表示所有帧图像中各疑似烟雾区域的关注度的最小值，/>表示以自然常数为底数的指数函数。
2.根据权利要求1所述的用于智慧城市的车辆火灾检测方法，其特征在于，所述根据图像中各像素点的RGB三通道值得到各像素点的雾色偏离程度，包括：
针对各像素点的RGB三通道值，计算R通道与G通道的差值绝对值，计算R通道与B通道的差值绝对值，计算G通道与B通道的差值绝对值，将三个差值绝对值的和值作为各像素点的雾色偏离程度。
3.根据权利要求1所述的用于智慧城市的车辆火灾检测方法，其特征在于，所述根据各像素点的雾色偏离程度获取图像中的各疑似烟雾像素点，包括：
将各像素点的雾色偏离程度大于等于预设第一阈值的像素点灰度值置为0，将小于预设第一阈值的像素点灰度值置为1，将灰度值为1的各像素点确定为疑似烟雾像素点，将灰度值为0的各像素点确定为背景像素点。
4.根据权利要求1所述的用于智慧城市的车辆火灾检测方法，其特征在于，所述根据各疑似烟雾像素点的分布得到图像中的各个疑似烟雾区域，包括：
利用闭运算处理各个疑似烟雾像素点，将得到的各连通域确定为疑似烟雾区域。
5.根据权利要求1所述的用于智慧城市的车辆火灾检测方法，其特征在于，所述根据相邻帧图像中疑似烟雾区域的分布获取交叠区域，包括：
利用重心法获取各帧图像中各疑似烟雾区域的质心，针对当前帧图像的各疑似烟雾区域，确定与前一帧图像中质心距离最近的疑似烟雾区域，作为当前帧图像各疑似烟雾区域的对应区域，将与对应区域重合的区域作为当前帧图像的各疑似烟雾区域的交叠区域。
6.根据权利要求5所述的用于智慧城市的车辆火灾检测方法，其特征在于，所述根据交叠区域的像素点数量得到各帧图像各疑似烟雾区域的关注度，表达式为：
式中，表示第b帧图像中第/>个疑似烟雾区域的关注度，/>表示第b帧图像中第/>个疑似烟雾区域的像素点个数，/>表示第b帧图像的第/>个疑似烟雾区域在上一帧图像中的对应区域的像素点个数，/>表示第b帧图像中第/>个疑似烟雾区域内所有像素点的雾色偏离程度的均值，/>表示第b帧图像的第/>个疑似烟雾区域在上一帧图像中的对应区域的雾色偏离程度的均值，/>表示第b帧图像中第/>个疑似烟雾区域的交叠区域的像素点个数，表示取最大值函数。
7.根据权利要求1所述的用于智慧城市的车辆火灾检测方法，其特征在于，所述根据各帧图像各疑似烟雾区域的烟雾概率得到各帧图像各疑似烟雾区域的危险程度，表达式为：
式中，表示第b帧图像中第/>个疑似烟雾区域的危险程度，/>表示第b-1帧图像中第/>个疑似烟雾区域的烟雾概率，/>表示第b帧图像中第/>个疑似烟雾区域的关注度，表示第b帧图像的第/>个疑似烟雾区域在上一帧图像中的对应区域的最大雾色偏离程度，/>表示第b帧图像的第/>个疑似烟雾区域在上一帧图像中的对应区域的雾色偏离程度的均值，/>表示以自然常数为底数的指数函数，/>表示取最大值函数。
8.根据权利要求1所述的用于智慧城市的车辆火灾检测方法，其特征在于，所述根据各帧图像各疑似烟雾区域的危险程度完成车辆火灾检测，包括：
将各帧图像的所有疑似烟雾区域的危险程度的最大值作为各帧图像的危险程度，当各帧图像的危险程度大于等于预设第二阈值时，表示发生火灾，当各帧图像的危险程度小于第二阈值时，表示正常。
9.用于智慧城市的车辆火灾检测***，包括存储器、处理器以及存储在所述存储器中并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1-8任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311733900.2A CN117423068B (zh) | 2023-12-18 | 2023-12-18 | 用于智慧城市的车辆火灾检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311733900.2A CN117423068B (zh) | 2023-12-18 | 2023-12-18 | 用于智慧城市的车辆火灾检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117423068A CN117423068A (zh) | 2024-01-19 |
| CN117423068B true CN117423068B (zh) | 2024-04-02 |
Family
ID=89530522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311733900.2A Active CN117423068B (zh) | 2023-12-18 | 2023-12-18 | 用于智慧城市的车辆火灾检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117423068B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11342220A (ja) * | 1998-06-02 | 1999-12-14 | Nohmi Bosai Ltd | 駐車場の火災監視システム |
| CN106997461A (zh) * | 2017-03-28 | 2017-08-01 | 浙江大华技术股份有限公司 | 一种烟火检测方法及装置 |
| CN109978876A (zh) * | 2019-04-03 | 2019-07-05 | 北京环境特性研究所 | 一种基于快速双边滤波的烟雾识别方法和装置 |
| CN114155439A (zh) * | 2021-12-07 | 2022-03-08 | 河南鑫安利安全科技股份有限公司 | 基于视觉感知的化工企业安全风险预警方法与*** |
| CN116453064A (zh) * | 2023-06-16 | 2023-07-18 | 烟台黄金职业学院 | 基于监控数据的隧道路段路况异常识别方法 |
| CN116564033A (zh) * | 2023-03-08 | 2023-08-08 | 东风柳州汽车有限公司 | 火灾监测预警方法、装置、设备及存储介质 |
| CN117197068A (zh) * | 2023-09-06 | 2023-12-08 | 普联技术有限公司 | 雾浓度估计方法、装置、设备及存储介质 |
-
2023
- 2023-12-18 CN CN202311733900.2A patent/CN117423068B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11342220A (ja) * | 1998-06-02 | 1999-12-14 | Nohmi Bosai Ltd | 駐車場の火災監視システム |
| CN106997461A (zh) * | 2017-03-28 | 2017-08-01 | 浙江大华技术股份有限公司 | 一种烟火检测方法及装置 |
| CN109978876A (zh) * | 2019-04-03 | 2019-07-05 | 北京环境特性研究所 | 一种基于快速双边滤波的烟雾识别方法和装置 |
| CN114155439A (zh) * | 2021-12-07 | 2022-03-08 | 河南鑫安利安全科技股份有限公司 | 基于视觉感知的化工企业安全风险预警方法与*** |
| CN116564033A (zh) * | 2023-03-08 | 2023-08-08 | 东风柳州汽车有限公司 | 火灾监测预警方法、装置、设备及存储介质 |
| CN116453064A (zh) * | 2023-06-16 | 2023-07-18 | 烟台黄金职业学院 | 基于监控数据的隧道路段路况异常识别方法 |
| CN117197068A (zh) * | 2023-09-06 | 2023-12-08 | 普联技术有限公司 | 雾浓度估计方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于块分割和SVM的视频火灾烟雾识别;胡燕;王慧琴;姚太伟;高彦飞;;计算机仿真;20120915(第09期);178-181 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117423068A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103208126B (zh) | 一种自然环境下运动物体监测方法 | |
| CN106600888B (zh) | 一种森林火灾自动检测方法及*** | |
| CN107437318B (zh) | 一种可见光智能识别算法 | |
| CN110889328B (zh) | 检测道路交通状况的方法、装置、电子设备和存储介质 | |
| CN112084963B (zh) | 一种监控预警方法、***及存储介质 | |
| CN111814635B (zh) | 基于深度学习的烟火识别模型建立方法和烟火识别方法 | |
| CN108389359A (zh) | 一种基于深度学习的城市火灾报警方法 | |
| CN111401310B (zh) | 基于人工智能的厨房卫生安全监督管理方法 | |
| CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及*** | |
| CN104820995A (zh) | 一种面向大型公共场所的人流密度监测预警方法 | |
| CN112257554B (zh) | 基于多光谱的森林火灾识别方法、***、程序及存储介质 | |
| CN111753651A (zh) | 一种基于车站二维人群密度分析的地铁群体异常行为检测方法 | |
| CN108898782B (zh) | 用于隧道防火的红外图像温度信息识别的烟雾探测方法及*** | |
| CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
| CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与*** | |
| CN111680610A (zh) | 一种施工场景异常监测方法和装置 | |
| CN113449675A (zh) | 一种煤矿人员越界检测方法 | |
| CN111383248B (zh) | 一种行人闯红灯判断方法、装置和电子设备 | |
| CN111723656A (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
| CN117423068B (zh) | 用于智慧城市的车辆火灾检测方法及*** | |
| KR20220153247A (ko) | 블랙아이스 모니터링 시스템 | |
| CN117392611A (zh) | 工地安全监测方法、***、设备及存储介质 | |
| CN111950518A (zh) | 一种用于暴力行为识别的视频图像增强方法 | |
| Kaliyev et al. | Computer Vision-based Fire Detection using Enhanced Chromatic Segmentation and Optical Flow Model | |
| KR102329413B1 (ko) | 노면의 휘도를 판별하여 블랙아이스 구간을 판별하는 방법 |
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 |