Nothing Special   »   [go: up one dir, main page]

CN116189037A - 一种火焰检测的识别方法、装置及终端设备 - Google Patents

一种火焰检测的识别方法、装置及终端设备 Download PDF

Info

Publication number
CN116189037A
CN116189037A CN202211664661.5A CN202211664661A CN116189037A CN 116189037 A CN116189037 A CN 116189037A CN 202211664661 A CN202211664661 A CN 202211664661A CN 116189037 A CN116189037 A CN 116189037A
Authority
CN
China
Prior art keywords
flame
image
detection
information
area image
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.)
Pending
Application number
CN202211664661.5A
Other languages
English (en)
Inventor
李炜
吴锦松
钱鼎智
李勇猷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Taiji Shuzhi Technology Co ltd
Original Assignee
Shenzhen Taiji Shuzhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Taiji Shuzhi Technology Co ltd filed Critical Shenzhen Taiji Shuzhi Technology Co ltd
Priority to CN202211664661.5A priority Critical patent/CN116189037A/zh
Publication of CN116189037A publication Critical patent/CN116189037A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V10/25—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
    • G06V10/70—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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种火焰检测的识别方法、装置及终端设备，适用于数据处理技术领域，该方法包括：基于训练图像，通过背景差分处理，得到第一火焰运动区域图像；基于所述训练图像，通过帧间差分处理，得到第二火焰运动区域图像；基于所述第一火焰运动区域图像和所述第二火焰运动区域图像，确定检测区域图像；基于火焰特征库，对所述检测区域图像进行角点检测，得到第一火焰信息；将所述检测区域图像输入反向传播神经网络模型，得到第二火焰信息；基于所述第一火焰信息和所述第二火焰信息，进行火焰检测，得到火情结果。该方法能够实时检测火灾，准确发现火情安全隐患；具有较强的实用性和易用性。

Description

一种火焰检测的识别方法、装置及终端设备
技术领域
本申请属于数据处理技术领域，尤其涉及火焰检测的识别方法、装置及终端设备。
背景技术
现有火情火警检测的技术，大多采用人工巡查、视频监控，其大多需要人工对火焰进行识别，从而确定火情的发生。该方法耗费较大的人工成本，效率低下，以及，该方法容易造成人为误差，无法准确、及时获取火情。
发明内容
有鉴于此，本申请实施例提供了一种火焰检测的识别方法、装置及终端设备，可以解决传统火灾检测方法无法实时、准确发现火情安全隐患的问题。
本申请实施例的第一方面提供了一种火焰检测的识别方法，包括：
基于训练图像，通过背景差分处理，得到第一火焰运动区域图像；
基于所述训练图像，通过帧间差分处理，得到第二火焰运动区域图像；
基于所述第一火焰运动区域图像和所述第二火焰运动区域图像，确定检测区域图像；
基于火焰特征库，对所述检测区域图像进行角点检测，得到第一火焰信息；
将所述检测区域图像输入反向传播神经网络模型，得到第二火焰信息；
基于所述第一火焰信息和所述第二火焰信息，进行火焰检测，得到火情结果。
在第一方面的一种可能的实现方式中，在所述基于训练图像，通过背景差分处理，得到第一火焰运动区域图像之前，所述方法包括：
获取待检测的图像集，将所述待检测的图像集按照预设比例划分为训练图像集和测试图像集；
其中，所述待检测的图像集包括至少5000个原始图像。
在第一方面的一种可能的实现方式中，在所述基于训练图像，通过背景差分处理，得到第一火焰运动区域图像之前，所述方法包括：
将所述训练图像集中的所述原始图像进行预处理，得到所述训练图像。
在第一方面的一种可能的实现方式中，在所述基于训练图像，通过背景差分处理，得到第一火焰运动区域图像之前，所述方法包括：
对原始图像进行光照均衡处理，得到所述训练图像。
在第一方面的一种可能的实现方式中，在所述基于训练图像，通过背景差分处理，得到第一火焰运动区域图像之前，所述方法包括：
对原始图像进行光照均衡处理，得到第一训练图像；
对所述第一训练图像进行预处理，得到所述训练图像。
在第一方面的一种可能的实现方式中，所述基于所述第一火焰运动区域图像和所述第二火焰运动区域图像，确定检测区域图像，包括：
将所述第一火焰运动区域图像和所述第二火焰运动区域图像进行合并处理，得到火焰运动区域图像；
基于所述火焰运动区域图像，确定所述第一火焰运动区域图像与所述第二火焰运动区域图像的重合区域图像为所述检测区域图像。
在第一方面的一种可能的实现方式中，所述基于所述第一火焰信息和所述第二火焰信息，进行火焰检测，得到火情结果，包括：
将所述第一火焰信息按照第一预设权重进行处理，得到第一识别结果；
将所述第二火焰信息按照第二预设权重进行处理，得到第二识别结果；
基于所述第一识别结果和所述第二识别结果，确定第三识别结果；
若所述第三识别结果大于预设阈值，则确定火情结果为有火情；
其中，所述第一预设权重与所述第二预设权重之和为1。
本申请实施例的第二方面提供了一种火焰检测的识别装置，包括：
第一处理模块，用于基于训练图像，通过背景差分处理，得到第一火焰运动区域；
第二处理模块，用于基于所述训练图像，通过帧间差分处理，得到第二火焰运动区域；
确定模块，用于基于所述第一火焰运动区域图像和所述第二火焰运动区域图像，确定检测区域图像；
第三处理模块，用于基于火焰特征库，对所述检测区域图像进行角点检测，得到第一火焰信息；
第四处理模块，用于将所述检测区域图像输入反向传播神经网络模型，得到第二火焰信息；
检测模块，用于基于所述第一火焰信息和所述第二火焰信息，进行火焰检测，得到火情结果。
本申请实施例的第三方面提供了一种终端设备，所述终端设备包括存储器、处理器，所述存储器上存储有可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如上述第一方面中任一项所述火焰检测的识别方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，包括：存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述火焰检测的识别方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述火焰检测的识别方法。
本申请实施例与现有技术相比存在的有益效果是：基于训练图像，通过背景差分处理，得到第一火焰运动区域图像；基于训练图像，通过帧间差分处理，得到第二火焰运动区域图像；基于第一火焰运动区域图像和第二火焰运动区域图像，确定检测区域图像，从而进一步保证检测区域的准确性。以及，基于火焰特征库，对检测区域图像进行角点检测，得到第一火焰信息；将检测区域图像输入反向传播神经网络模型，得到第二火焰信息；基于第一火焰信息和第二火焰信息，进行火焰检测，得到火情结果。通过第一火焰信息和第二火焰信息，从而自动对火焰进行检测识别，以提高对火焰检测的识别效果，及时得到火情结果；具有较强的易用性与实用性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的火焰检测的识别方法的实现流程示意图；
图2是本申请实施例提供的火焰检测的识别方法的实现流程示意图；
图3是本申请实施例提供的火焰检测的识别方法的实现流程示意图；
图4是本申请实施例提供的火焰检测的识别方法的实现流程示意图；
图5是本申请实施例提供的火焰检测的识别方法的实现流程示意图；
图6是本申请实施例提供的火焰检测的识别装置的结构示意图；
图7是本申请实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
首先，对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
图1及图5示出了本申请实施例一提供的火焰检测的识别方法的实现流程图，详述如下：一种火焰检测的识别方法，包括：
步骤S101，基于训练图像，通过背景差分处理，得到第一火焰运动区域图像。
在一种实施例中，所述步骤S101，包括：将训练图像与背景图像进行差分运算，得到第一区域图像；将所述第一区域图像进行阈值化处理，得到所述第一火焰运动区域图像。由上述步骤，可以通过训练图像与背景图像进行差分运算，从而确定火焰的第一区域图像；进一步地，通过阈值化处理，从而确定第一火焰运动区域图像，确定火焰的图像区域。
在一种实施例中，在所述步骤S101之前，获取所述背景图像。具体地，基于训练图像和第一预设阈值，确定所述背景图像。其中，所述第一预设阈值为预设前景灰度阈值。
示例性地，在所述步骤S101之前，采集视频，其中，视频包括若干个视频帧。在所述步骤S101之前，选取其中一个视频帧作为所述训练图像；选取该视频帧的前若干个视频帧，或者，选取该视频帧的后若干个视频帧；获取该若干视频帧的平均图像，将该平均图像作为第一参考图像。
其中，所述训练图像可以标记为It，所述第一参考图像可以标记为Bt，在所述训练图像和所述第一参考图像中，选取其中一个像素点的位置标记为(x，y)。对于所述像素点的位置，将所述训练图像与所述第一参考图像进行差分运算，得到第一运算结果。具体地，对应于所述训练图像的像素点标记为It(x，y)；对应于所述第一参考图像的像素点标记为Bt(x，y)，进而，对于相同的所述像素点的位置，将对应于所述训练图像的像素点与对应于所述第一参考图像的像素点进行减运算，并取绝对值，得到第一运算结果为|It(x，y)-Bt(x，y)|。
进一步地，基于所述第一运算结果和预设前景灰度阈值，确定所述第一参考图像为所述背景图像。具体地，基于所述第一运算结果和所述预设前景灰度阈值，确定所述对应于所述第一参考图像的像素点为所述背景图像的像素点，进而，确定所述第一参考图像为所述背景图像。示例性地，对于相同的所述像素点的位置，若所述第一运算结果大于所述预设前景灰度阈值，确定所述对应于所述第一参考图像的像素点为对应于所述背景图像的像素点。具体地，对于相同的所述像素点的位置，将预设前景灰度阈值标记为T1，此时，若第一运算结果|It(x，y)-Bt(x，y)|＞T1，则确定所述对应于所述第一参考图像的像素点Bt(x，y)为所述背景图像的像素点，进而确定所述第一参考图像为所述背景图像。
在上述实施例中，能够通过训练图像和预设前景灰度阈值，确定对应于该训练图像的背景图像，从而实现对不同的训练图像进行背景图像的更新，从而保证通过背景图像，对训练图像进行背景差分处理后，得到第一火焰运动区域图像。步骤S101能够将实时的训练图像与相对稳定的背景图像进行处理，得到相对较大区域的第一火焰运动区域，其操作简单、易于操作。
在所述步骤S101之前，所述方法包括：
获取待检测的图像集，将所述待检测的图像集按照预设比例划分为训练图像集和测试图像集；其中，所述待检测的图像集包括至少5000个原始图像。
在一种实施例中，通过图像采集设备获取第一图像集；通过网络采集第二图像集；将第一图像集和第二图像集作为所述待检测的图像集。示例性地，所述图像采集设备可以为摄像设备。示例性地，所述第二图像可以为网络图片。示例性地，所述摄像设备可以为摄像机。具体地，通过摄像机以及网络图片按照1:1比例采集园区不同场所、不同物品存在火情所需检测识别的图像，从而形成所述待检测的图像集。在上述实施例中，可以在场所内的预设位置安装所述图像采集设备，从而对场所内的不同预设位置、不同物品进行火情检测识别。
在一种实施例中，所述预设比例可以为4：1。具体地，将所述待检测的图像集按照4：1的数量比例划分为所述训练图像集和所述测试图像集。进一步地，将所述待检测的图像集按照4：1的数量比例划随机分为所述训练图像集和所述测试图像集，以便后续使用训练图像集对测试方法进行模型训练和参数调整，以及，后续可以使用测试图像集进行性能测试。
在一种实施例中，所述待检测的图像集包括至少5000个原始图像。具体地，针对不同的火情，可以将至少5000个原始图像进行检测，从而保证训练数据集的多样性、模型训练结果的泛化能力。
参照图2所示，在所述步骤S101之前，所述方法包括：
步骤S1001，将所述训练图像集中的所述原始图像进行预处理，得到所述训练图像。
在一种实施例中，所述将所述训练图像集中的所述原始图像进行预处理，得到所述训练图像，包括：将所述训练图像集中的所述原始图像进行灰度变换处理，得到所述训练图像。训练图像为灰度图像，如此，训练图像为像素亮度从黑到白连续变化的单色图像，其像素只含有亮度信息，不含色调和饱和度等色彩信息，从而降低数据信息的处理量和存储量，减少时间成本，增加了识别精确度。
在一种实施例中，所述将所述训练图像集中的所述原始图像进行预处理，得到所述训练图像，包括：将所述训练图像集中的所述原始图像进行随机水平翻转处理，得到所述训练图像。
在一种实施例中，所述将所述训练图像集中的所述原始图像进行预处理，得到所述训练图像，包括：将所述训练图像集中的所述原始图像进行随机剪裁处理，得到所述训练图像。
在一种实施例中，所述将所述训练图像集中的所述原始图像进行预处理，得到所述训练图像，包括：将所述训练图像集中的所述原始图像进行随机角度旋转处理，得到所述训练图像。
在一种实施例中，所述将所述训练图像集中的所述原始图像进行预处理，得到所述训练图像，包括：将所述训练图像集中的所述原始图像进行对比度改变处理，得到所述训练图像。
在一种实施例中，所述将所述训练图像集中的所述原始图像进行预处理，得到所述训练图像，包括：将所述训练图像集中的所述原始图像进行饱和度改变处理，得到所述训练图像。
通过上述步骤，对训练图像集中的原始图像进行预处理，得到训练图像，以实现扩充图像数据，以便后续训练得到的模型具有高鲁棒性，进而保证检测结果的准确性。
参照图3所示，在所述步骤S101之前，所述方法包括：
步骤S1002，对原始图像进行光照均衡处理，得到所述训练图像。
在一种实施例中，通过改进色彩均衡视网膜大脑皮层理论(Retinex)算法对原始图像进行光照均衡处理，得到所述训练图像。
具体地，步骤S1011，获取原始图像的三色通道数据矩阵，所述三色通道数据矩阵分别为红色(R)通道矩阵
Figure BDA0004014282380000081
绿色(G)通道矩阵
Figure BDA0004014282380000082
蓝色(B)通道矩阵/>
Figure BDA0004014282380000083
其中，/>
Figure BDA0004014282380000084
为对应于所述第一通道矩阵的像素点的位置(x，y)的像素值；/>
Figure BDA0004014282380000085
为对应于所述第二通道矩阵的像素点的位置(x，y)的像素值；/>
Figure BDA0004014282380000086
为对应于所述第二通道矩阵的像素点的位置(x，y)的像素值。所述原始图像的横向像素点的数量为m，所述原始图像的纵向像素点的数量为n。具体地，可以通过计算机视觉处理开源软件库(OpenCV)获取原始图像的三色通道数据矩阵。
步骤S1012，获取原始图像的通道像素级频率
Figure BDA0004014282380000087
基于通道像素级频率，确定像素级累积分布/>
Figure BDA0004014282380000088
其中，k＝1，2，...，r；r＝256；t＝R，G，B。其中，/>
Figure BDA0004014282380000091
为t通道矩阵的第k种像素级，/>
Figure BDA0004014282380000092
为/>
Figure BDA0004014282380000093
在t通道矩阵中出现的频率，/>
Figure BDA0004014282380000094
为t通道矩阵第k种像素级的像素点的数量，NR为t通道矩阵的像素点的总数量，r为总像素的级数为256。
步骤S1013，基于像素级累积分布，确定均衡化函数
Figure BDA0004014282380000095
其中，int(x)表示根据四舍五入规则对x进行取整函数。
步骤S1014，基于均衡化函数，确定与原始图像对应的损失高斯信号转换矩阵
Figure BDA0004014282380000096
其中，Gauss(i,j)为二维高斯函数，LGt(i,j)为对应于t通道矩阵的损失高斯信号转换矩阵的位置(i,j)的值。
步骤S1015，基于均衡化函数和与原始图像对应的损失高斯信号矩阵，确定均衡后的三色通道数据矩阵
Figure BDA0004014282380000097
其中，exce(At(i,j))＝μT(At(i,j))+(1-μ)·LG(At(i,j))；A't(i,j)为均衡后的t通道数据矩阵的矩阵位置(i,j)的像素值；T(At(i,j))为t通道数据矩阵的矩阵位置(i,j)的均衡化函数值；μ为超参数，且满足μ∈[0,1]。示例性地，μ为0.5。
步骤S1016，将均衡后的三色通道数据矩阵进行矩阵合并处理，得到训练图像。示例性地，可以通过OpenCV将均衡后的三色通道数据矩阵进行矩阵合并处理，得到训练图像。
通过上述步骤，在具体应用场景中，减少不同时间内光照强度对原始图像的成像影响，保证得到的训练图像光照均匀，提升训练图像的质量，进而保证后续对训练图像中火焰的识别效果。
参照图4所示，在所述步骤S101之前，所述方法包括：
步骤S1003，对原始图像进行光照均衡处理，得到第一训练图像；
步骤S1004，对所述第一训练图像进行预处理，得到所述训练图像。
在一种实施例中，步骤S1003可以采用前述步骤S1002实施例的方法，对原始图像进行光照均衡处理，得到第一训练图像；以及，步骤S1004采用前述步骤S1001实施例的方法，对原始图像进行预处理的方法，对第一训练图像进行预处理，得到训练图像。由此，通过光照均衡处理，以保证不同环境、不同光照强度下原始图像的质量保持统一，以及，通过对第一训练图像进行预处理，以进一步保证第一训练图像的尺寸统一，便于进行统一处理操作。
步骤S102，基于所述训练图像，通过帧间差分处理，得到第二火焰运动区域图像。
在一种实施例中，所述步骤S102，包括：将训练图像与帧间图像进行差分运算，得到第二区域图像；将所述第二区域图像进行阈值化处理，得到所述第二火焰运动区域图像。由上述步骤，可以通过训练图像与帧间图像进行差分运算，从而确定火焰的第二区域图像；进一步地，通过阈值化处理，从而确定第二火焰运动区域图像，确定火焰的图像区域。
在一种实施例中，在所述步骤S102之前，获取所述帧间图像。
示例性地，在所述步骤S102之前，采集视频，其中，视频包括若干个视频帧。选取其中一个视频帧作为所述训练图像。选取该视频帧的相邻帧作为所述帧间图像，或者，选取该视频帧之前的其中一帧作为所述帧间图像，或者，选取该视频帧之后的其中一帧作为所述帧间图像。
在所述步骤S102中，将训练图像与帧间图像进行差分运算，得到第二区域图像。具体地，将所述训练图像与所述帧间图像进行差分运算，得到第二运算结果；基于所述第二运算结果和第二预设阈值，确定所述第二区域图像。其中，所述第二预设阈值为差分图像二值化阈值。
其中，选取视频中的第k帧(k为正整数)作为所述帧间图像，第k+1帧作为所述训练图像，所述帧间图像可以标记为fk，所述训练图像可以标记为fk+1，在所述帧间图像和所述训练图像中，选取其中一个像素点的位置标记为(x，y)。对于所述像素点的位置，将所述训练图像与所述帧间图像进行差分运算，得到第二运算结果。具体地，对应于所述帧间图像的像素点标记为fk(x，y)；对应于所述训练图像的像素点标记为fk+1(x，y)，进而，对于相同的所述像素点的位置，将对应于所述训练图像的像素点与对应于所述帧间图像的像素点进行减运算，并取绝对值，得到第二运算结果为|fk+1(x，y)-fk(x，y)|。
进一步地，基于所述第二运算结果和差分图像二值化阈值，确定所述第二区域图像。示例性地，基于所述第二运算结果和所述差分图像二值化阈值，确定差分图像；基于所述差分图像、所述训练图像和所述帧间图像，确定所述第二区域图像。
具体地，所述差分图像可以标记为D，所述差分图像二值化阈值可以标记为T2；对于相同的所述像素点的位置，差分图像的像素点的像素值可以标记为D(x，y)。基于帧间差分法公式、所述第二运算结果和所述差分图像二值化阈值，确定所述差分图像，其中，所述帧间差分法公式为
Figure BDA0004014282380000111
具体地，对于相同的所述像素点的位置，若所述第二运算结果大于所述差分图像二值化阈值，则确定对应于差分图像的像素点的像素为1；否则，确定对应于差分图像的像素点的像素为0。即：若第二运算结果|fk+1(x，y)-fk(x，y)|＞T2，则确定D(x，y)为1；否则，确定D(x，y)为0。
在所述差分图像中，获取像素为1的像素点的位置；基于所述像素点的位置，将对应于所述训练图像的像素点或所述帧间图像的像素点作为所述第二区域图像的像素点，得到所述第二区域图像。具体地，若fk+1(x，y)-fk(x，y)＞T2，则将对应于所述训练图像的像素点作为所述第二区域图像的像素点；若fk(x，y)-fk+1(x，y)＞T2，则将对应于所述帧间图像的像素点作为所述第二区域图像的像素点。
在上述实施例中，能够通过训练图像、帧间图像和第二预设阈值，确定第二区域图像。具体地，通过训练图像、帧间图像和第二预设阈值，确定差分图像，进而确定火焰所在的像素点的位置；进而，通过差分图像，对训练图像、帧间图像的对应位置的像素点进行提取，从而得到第二区域图像，进而确定火焰的运动区域。其运算量小，时间复杂度较低，而且能够适应动态环境的变化，较少系统误差和噪声影响，提高识别准确度。
步骤S103，基于所述第一火焰运动区域图像和所述第二火焰运动区域图像，确定检测区域图像。
在一种实施例中，步骤S101，基于训练图像和预设帧间间隔，通过背景差分处理，得到第一火焰运动区域图像；步骤S102，基于训练图像和预设帧间间隔，通过帧间差分处理，得到第二火焰运动区域图像。具体地，结合前述步骤S101和步骤S102的实施例：在步骤S101之前，采集视频；选取其中一个视频帧作为训练图像；在步骤S101中，按照预设帧间间隔选取若干视频帧；将该若干个视频帧中靠近训练图像的一个视频帧作为步骤S102中的帧间图像；如此，使得步骤S102进行背景差分处理，以及，步骤S101进行帧间差分处理时，具有相同的帧间间隔，便于进行统一操作处理。
在一种实施例中，获取第一火焰运动区域图像和第二火焰运动区域图像的重叠区域，将该重叠区域对应的第一火焰运动区域图像和第二火焰运动区域图像进行切割处理；将切割后的第一火焰运动区域图像和切割后的第二火焰运动区域图像进行合并处理，得到检测区域图像。
通过上述步骤，结合步骤S101至S103，通过能够通过重复执行S101和S102，对第一火焰运动区域图像和第二火焰运动区域图像进行调整，以及，通过步骤S103，确定重合的火焰区域，对图像进行切割、合并处理，保证检测区域图像的准确性。
在一种实施例中，所述步骤S103，包括：
将所述第一火焰运动区域图像和所述第二火焰运动区域图像进行合并处理，得到火焰运动区域图像；
基于所述火焰运动区域图像，确定所述第一火焰运动区域图像与所述第二火焰运动区域图像的重合区域图像为所述检测区域图像。
示例性地，可以通过OpenCV将第一火焰运动区域图像和第二火焰运动区域图像进行合并处理，得到火焰运动区域图像；在火焰运动区域图像上，确定第一火焰运动图像与第二火焰运动图像的重合区域，将对应于重合区域的火焰运动区域图像作为所述检测区域图像。
通过上述步骤，将背景差分处理得到的第一火焰运动区域图像、通过帧间差分处理得到的第二火焰运动区域图像，对重合区域进行切割、提取，得到检测区域图像，提高检测区域的精准度。在实际的火焰检测过程中，背景差分处理对图像的背景获取要求比较高，很容易因为图像采集设备抖动，或者其他运动物体造成干扰。帧间差分处理适用于固定摄像头检测火焰，可以避免引起背景运动，以及因背景运动引起的差分图像中较多的伪运动像素的现象。本方法考虑在实际应用场景中，图像采集设备为固定机位的图像采集设备，因而，可以结合两种处理方法，使用帧间差分处理，能够减少背景运动造成的伪运动造成的误差；而使用背景差分处理，能够简单、快速判断图像运动的区域；使用两种不同处理方法得到的火焰运动区域图像能够弥补单独处理的缺陷，对结论形状图片进行整合处理，获取重叠区域，从而提高图像分割的精准度。
步骤S104，基于火焰特征库，对所述检测区域图像进行角点检测，得到第一火焰信息。
在一种实施例中，通过多特征融合识别算法对检测区域图像进行角点检测，得到对应于检测区域图像上的特征点；将特征点所在的区域图像，与火焰特征库中的火焰图像特征进行特征比对，得到第一火焰信息。其中，第一火焰信息为数值信息，用于指示特征点所在的区域图像与火焰图像特征的相似度。
在一种实施例中，在步骤S104之前，该方法包括：根据火焰图像特征，构建火焰特征库。其中，火焰图像特征可以包括火焰面积、火焰形状、火焰颜色、火焰纹理等方面的特征。通过设定不同类型的火焰图像特征，对不同类型的火焰进行特征识别，积累火焰特征库，以提升特征比对的命中准确率，提高对不同类型火焰识别的准确度。
示例性地，在根据火焰图像特征，构建火焰特征库之前，该方法包括：采集至少4个火焰动态特征图；通过改进三原色(RGB，Red Green Blue)空间火焰颜色特征公式，计算火焰纹理的局部二值模式(LBP，Local Binary Pattern)特征向量；根据火焰纹理的局部二值模式特征向量和火焰动态特征图，提取火焰显著图；根据火焰显著图，提取火焰图像特征。该方法具有较高的准确率及较强的鲁棒性。
步骤S105，将所述检测区域图像输入反向传播神经网络模型，得到第二火焰信息。
在一种实施例中，所述反向传播神经网络模型(BP Neural Network，Back-Propagation Neural Network)至少包括输入层和隐藏层，其中，所述输入层包括至少12个第一神经元节点，所述第一神经元节点包括圆形度神经元节点、颜色一阶矩神经元节点、颜色二阶矩神经元节点、面积增长神经元节点；所述隐藏层包括至少25个第二神经元节点。示例性地，所述反向传播神经网络模型还包括输出层，如此，将检测区域图像输入反向传播神经网络模型的输入层，通过反向传播神经网络模型的隐藏层对检测区域图像进行火焰识别，通过反向传播神经网络模型的输出层输出第二火焰信息。所述第二火焰信息为数值信息，用于指示检测区域图像中火焰的相似度。
通过上述步骤，对检测区域图像进行火焰识别，反向传播神经网络占用较少内存，具有良好的识别效果，便于对火焰进行模式识别与分类，具有较强的实用性和易用性。
步骤S106，基于所述第一火焰信息和所述第二火焰信息，进行火焰检测，得到火情结果。
在一种实施例中，所述第一火焰信息、所述第二火焰信息为数值信息。结合步骤S104及步骤S105，通过对检测区域图像进行角点检测得到的第一火焰信息、通过将检测区域图像输入反向传播神经网络模型得到的第二火焰信息，通过两种不同的识别算法分别对检测区域图像进行处理，提高火焰识别的准确性，从而提升火情预警的准确性。
示例性地，当第一火焰信息不在第一预设数值范围内，并且，第二火焰信息不在第二预设数值范围内时，确定火情结果为有火情。否则，确定火情结果为无火情。由此，可以结合第一火焰信息、第二火焰信息对火焰进行检测，进行火情结果的预警分析，及时监控火情信息。进一步地，在确定火情结果为无火情之后，该方法还包括：基于火情结果，进行误判检测，得到误判结果。若误判结果为有误判，则返回执行步骤S101。由此，可以对方法中的模型进行训练、以及对参量进行调整，提高识别火情结果的准确性、稳定性。
在一种实施例中，所述步骤S106，包括：
将所述第一火焰信息按照第一预设权重进行处理，得到第一识别结果；
将所述第二火焰信息按照第二预设权重进行处理，得到第二识别结果；
基于所述第一识别结果和所述第二识别结果，确定第三识别结果；
若所述第三识别结果大于预设阈值，则确定所述火情结果为有火情；
其中，所述第一预设权重与所述第二预设权重之和为1。
在上述步骤中，能够根据不同的场景对第一预设权重、第二预设权重进行调整，进而对第一识别结果、第二识别结果进行调整，能够适用于不同的应用场景，保证调整识别结果的准确性。以及，基于第三识别结果对火焰情况进行检测，确定火情结果；能够及时判断火情、对火情及时监控。
示例性地，所述第一预设权重、所述第二预设权重为零或正实数。
示例性地，所述第一预设权重为40％，所述第二预设权重为60％，所述预设阈值为80。具体地，将第一火焰信息占40％，得到第一识别结果；将第二火焰信息占60％，得到第二识别结果。将第一识别结果和第二识别结果相加，得到第三识别结果。若第三识别结果大于80，则确认火情结果为有火情。在上述实施例中，第一预设权重、第二预设权重以及预设阈值可以根据具体应用场景调整拟合得出，适应使用的应用场景，提高火焰识别预警检测的准确性，以对火情进行及时监控。
在一种实施例中，在确定所述火情结果为有火情之后，该方法还包括：输出火情预警信息。示例性地，所述火情预警信息可以为文字信息或图片信息或音频信息，具体地，可以通过应用界面输出火情预警信息。示例性地，所述火情预警信息可以为音频信息，可以通过广播装置播放火情预警信息。从而，及时对火情进行监控，并将火情预警信息进行及时播报，减少火灾发生。
在上述步骤中，基于训练图像，通过背景差分处理，得到第一火焰运动区域图像；基于训练图像，通过帧间差分处理，得到第二火焰运动区域图像；基于第一火焰运动区域图像和第二火焰运动区域图像，确定检测区域图像，从而进一步保证检测区域的准确性。以及，基于火焰特征库，对检测区域图像进行角点检测，得到第一火焰信息；将检测区域图像输入反向传播神经网络模型，得到第二火焰信息；基于第一火焰信息和第二火焰信息，进行火焰检测，得到火情结果。通过第一火焰信息和第二火焰信息，从而自动对火焰进行检测识别，以提高对火焰检测的识别效果，及时得到火情结果；具有较强的易用性与实用性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例的方法，图6示出了本申请实施例提供的火焰检测的识别装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。图6示例的火焰检测的识别装置可以是前述实施例一提供的火焰检测的识别方法的执行主体。
参照图6，该火焰检测的识别装置60包括：
第一处理模块61，用于基于训练图像，通过背景差分处理，得到第一火焰运动区域；
第二处理模块62，用于基于所述训练图像，通过帧间差分处理，得到第二火焰运动区域；
确定模块63，用于基于所述第一火焰运动区域图像和所述第二火焰运动区域图像，确定检测区域图像；
第三处理模块64，用于基于火焰特征库，对所述检测区域图像进行角点检测，得到第一火焰信息；
第四处理模块65，用于将所述检测区域图像输入反向传播神经网络模型，得到第二火焰信息；
检测模块66，用于基于所述第一火焰信息和所述第二火焰信息，进行火焰检测，得到火情结果。
本申请实施例提供的火焰检测的识别装置中各模块实现各自功能的过程，具体可参考前述图1所示实施例一的描述，此处不再赘述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”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。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。还应理解的是，虽然术语“第一”、“第二”等在文本中在一些本申请实施例中用来描述各种元素，但是这些元素不应该受到这些术语的限制。这些术语只是用来将一个元素与另一元素区分开。例如，第一表格可以被命名为第二表格，并且类似地，第二表格可以被命名为第一表格，而不背离各种所描述的实施例的范围。第一表格和第二表格都是表格，但是它们不是同一表格。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图7是本申请一实施例提供的终端设备的结构示意图。如图7所示，该实施例的终端设备70包括：至少一个处理器71(图7中仅示出一个)、存储器72，所述存储器72中存储有可在所述处理器71上运行的计算机程序73。所述处理器71执行所述计算机程序73时实现上述各个火焰检测的识别方法实施例中的步骤，例如图1所示的步骤101至106。或者，所述处理器71执行所述计算机程序73时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块61至66的功能。
所述终端设备70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。所述终端设备可包括，但不仅限于，处理器71、存储器72。本领域技术人员可以理解，图7仅仅是终端设备70的示例，并不构成对终端设备70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，例如所述终端设备还可以包括输入发送设备、网络接入设备、总线等。
所称处理器71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。
所述存储器72在一些实施例中可以是所述终端设备70的内部存储单元，例如终端设备70的硬盘或内存。所述存储器72也可以是所述终端设备70的外部存储设备，例如所述终端设备70上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器72还可以既包括所述终端设备70的内部存储单元也包括外部存储设备。所述存储器72用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器72还可以用于暂时地存储已经发送或者将要发送的数据。
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。
本申请实施例还提供了一种终端设备，所述终端设备包括至少一个存储器、至少一个处理器以及存储在所述至少一个存储器中并可在所述至少一个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，使所述终端设备实现上述任意各个方法实施例中的步骤。
本申请实施例还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实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的模块/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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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、或者计算机软件和电子硬件的结合来实现。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。
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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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，并不使对应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种火焰检测的识别方法，其特征在于，包括：
基于训练图像，通过背景差分处理，得到第一火焰运动区域图像；
基于所述训练图像，通过帧间差分处理，得到第二火焰运动区域图像；
基于所述第一火焰运动区域图像和所述第二火焰运动区域图像，确定检测区域图像；
基于火焰特征库，对所述检测区域图像进行角点检测，得到第一火焰信息；
将所述检测区域图像输入反向传播神经网络模型，得到第二火焰信息；
基于所述第一火焰信息和所述第二火焰信息，进行火焰检测，得到火情结果。
2.如权利要求1所述的火焰检测的识别方法，其特征在于，在所述基于训练图像，通过背景差分处理，得到第一火焰运动区域图像之前，所述方法包括：
获取待检测的图像集，将所述待检测的图像集按照预设比例划分为训练图像集和测试图像集；
其中，所述待检测的图像集包括至少5000个原始图像。
3.如权利要求2所述的火焰检测的识别方法，其特征在于，在所述基于训练图像，通过背景差分处理，得到第一火焰运动区域图像之前，所述方法包括：
将所述训练图像集中的所述原始图像进行预处理，得到所述训练图像。
4.如权利要求1所述的火焰检测的识别方法，其特征在于，在所述基于训练图像，通过背景差分处理，得到第一火焰运动区域图像之前，所述方法包括：
对原始图像进行光照均衡处理，得到所述训练图像。
5.如权利要求1所述的火焰检测的识别方法，其特征在于，在所述基于训练图像，通过背景差分处理，得到第一火焰运动区域图像之前，所述方法包括：
对原始图像进行光照均衡处理，得到第一训练图像；
对所述第一训练图像进行预处理，得到所述训练图像。
6.如权利要求1所述的火焰检测的识别方法，其特征在于，所述基于所述第一火焰运动区域图像和所述第二火焰运动区域图像，确定检测区域图像，包括：
将所述第一火焰运动区域图像和所述第二火焰运动区域图像进行合并处理，得到火焰运动区域图像；
基于所述火焰运动区域图像，确定所述第一火焰运动区域图像与所述第二火焰运动区域图像的重合区域图像为所述检测区域图像。
7.如权利要求1所述的火焰检测的识别方法，其特征在于，所述基于所述第一火焰信息和所述第二火焰信息，进行火焰检测，得到火情结果，包括：
将所述第一火焰信息按照第一预设权重进行处理，得到第一识别结果；
将所述第二火焰信息按照第二预设权重进行处理，得到第二识别结果；
基于所述第一识别结果和所述第二识别结果，确定第三识别结果；
若所述第三识别结果大于预设阈值，则确定火情结果为有火情；
其中，所述第一预设权重与所述第二预设权重之和为1。
8.一种火焰检测的识别装置，其特征在于，包括：
第一处理模块，用于基于训练图像，通过背景差分处理，得到第一火焰运动区域；
第二处理模块，用于基于所述训练图像，通过帧间差分处理，得到第二火焰运动区域；
确定模块，用于基于所述第一火焰运动区域图像和所述第二火焰运动区域图像，确定检测区域图像；
第三处理模块，用于基于火焰特征库，对所述检测区域图像进行角点检测，得到第一火焰信息；
第四处理模块，用于将所述检测区域图像输入反向传播神经网络模型，得到第二火焰信息
检测模块，用于基于所述第一火焰信息和所述第二火焰信息，进行火焰检测，得到火情结果。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器，所述存储器上存储有可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如权利要求1至7任一项所述方法的步骤。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202211664661.5A 2022-12-23 2022-12-23 一种火焰检测的识别方法、装置及终端设备 Pending CN116189037A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211664661.5A CN116189037A (zh) 2022-12-23 2022-12-23 一种火焰检测的识别方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211664661.5A CN116189037A (zh) 2022-12-23 2022-12-23 一种火焰检测的识别方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN116189037A true CN116189037A (zh) 2023-05-30

Family

ID=86439397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211664661.5A Pending CN116189037A (zh) 2022-12-23 2022-12-23 一种火焰检测的识别方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN116189037A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116977634A (zh) * 2023-07-17 2023-10-31 应急管理部沈阳消防研究所 基于激光雷达点云背景减除的火灾烟雾检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116977634A (zh) * 2023-07-17 2023-10-31 应急管理部沈阳消防研究所 基于激光雷达点云背景减除的火灾烟雾检测方法
CN116977634B (zh) * 2023-07-17 2024-01-23 应急管理部沈阳消防研究所 基于激光雷达点云背景减除的火灾烟雾检测方法

Similar Documents

Publication Publication Date Title
Pan et al. Exposing image splicing with inconsistent local noise variances
CN108615226B (zh) 一种基于生成式对抗网络的图像去雾方法
Jia et al. A two-step approach to see-through bad weather for surveillance video quality enhancement
CN112308095A (zh) 图片预处理及模型训练方法、装置、服务器及存储介质
CN109753878B (zh) 一种恶劣天气下的成像识别方法及系统
Li et al. A multi-scale fusion scheme based on haze-relevant features for single image dehazing
WO2007076890A1 (en) Segmentation of video sequences
AU2011265429A1 (en) Method and system for robust scene modelling in an image sequence
Wang et al. Coarse-to-fine-grained method for image splicing region detection
Zhang et al. Distinguishing photographic images and photorealistic computer graphics using visual vocabulary on local image edges
CN112560734B (zh) 基于深度学习的重获取视频检测方法、系统、设备及介质
CN110728692A (zh) 一种基于Scharr算子改进的图像边缘检测方法
Fang et al. Image quality assessment on image haze removal
KR101215666B1 (ko) 오브젝트 색상 보정 방법, 시스템 및 컴퓨터 프로그램 제품
Vosters et al. Background subtraction under sudden illumination changes
Kumar et al. Haze elimination model-based color saturation adjustment with contrast correction
CN115880177A (zh) 聚合上下文和增强细节的全分辨率低照度图像增强方法
CN116189037A (zh) 一种火焰检测的识别方法、装置及终端设备
Li et al. Distinguishing computer graphics from photographic images using a multiresolution approach based on local binary patterns
Huang et al. Single image dehazing via color balancing and quad-decomposition atmospheric light estimation
CN113240611B (zh) 一种基于图片序列的异物检测方法
CN116152191A (zh) 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备
Ince et al. Fast video fire detection using luminous smoke and textured flame features
Kocdemir et al. TMO-Det: Deep tone-mapping optimized with and for object detection
Jia et al. A two-step approach to see-through bad weather for surveillance video quality enhancement

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