CN102592128A - 一种动态图像检测处理方法、装置及显示终端 - Google Patents
一种动态图像检测处理方法、装置及显示终端 Download PDFInfo
- Publication number
- CN102592128A CN102592128A CN2011104317021A CN201110431702A CN102592128A CN 102592128 A CN102592128 A CN 102592128A CN 2011104317021 A CN2011104317021 A CN 2011104317021A CN 201110431702 A CN201110431702 A CN 201110431702A CN 102592128 A CN102592128 A CN 102592128A
- Authority
- CN
- China
- Prior art keywords
- edge contour
- target
- reference target
- marginal point
- threshold value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 title abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 11
- 239000004744 fabric Substances 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006872 improvement Effects 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
- 238000012797 qualification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Abstract
本发明适用于图像处理领域,提供了一种动态图像检测处理方法、装置及显示终端,本发明实施例通过对参考目标进行边缘提取和特征提取,得到参考目标对应的特征值,根据参考目标对应的特征值设置判定条件,对动态图像检测的所有运动目标进行边缘提取和特征提取,得到运动目标对应的特征值,将运动目标对应的特征值和判定条件进行比对,符合判定条件的运动目标被视为感兴趣目标而保留,不符合判定条件的运动目标将被视为干扰目标被滤除,能消除感兴趣运动目标物体前后的非感兴趣运动物体带来的干扰,大大降低图像识别过程中数据的计算量,有效提高图像识别的正确率。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种动态图像检测处理方法、装置及显示终端。
背景技术
随着20世纪40年代计算机的出现以及50年代人工智能的兴起,人们越来越希望能用计算机来代替或扩展人类的部分脑力劳动,日新月异的计算机处理技术和各种消费电子产品带动了用户更加丰富且人性化的体验需求,自然的人机交互技术成为了一个重要的发展方向,模式识别技术被广泛应用其中。
以手势识别为例,在各种自然的人机交互方式中,人的手势可以说是最为自然、直观、易于学习的交流手段,更是人机交互中最好的输入工具。但是由于人手的识别是一个很复杂的问题,受限于各种嵌入式电子设备的运算能力,实际应用中手势的识别大都是基于运动检测的。而这类手势识别方法,不可避免的会受到前后运动物体的干扰,造成识别率低以及数据处理量大的问题。
发明内容
本发明的目的在于提供一种动态图像检测处理方法、装置及显示终端,旨在解决现有技术在图像识别过程中,非感兴趣运动目标的存在带来的识别率降低和数据处理量增大的问题。
本发明是这样实现的,一种动态图像检测处理方法,包括以下步骤:
采集包含参考目标的图像帧,对所述图像帧进行预处理;
根据预处理的图像帧确定参考目标,获取所述图像帧中参考目标的边缘轮廓,对所述参考目标边缘轮廓进行特征提取,获取所述参考目标对应的特征值,根据所述参考目标对应的特征值和预设的系数阈值设置判断条件;
检测预处理后的图像帧中所有的运动目标;
对检测到的运动目标进行边缘提取,得到运动目标边缘轮廓,对所述运动目标边缘轮廓进行特征提取,获取所述运动目标对应的特征值;
根据所述运动目标对应的特征值和判断条件判断所述运动目标是否为干扰运动目标,对所述干扰运动目标进行滤除处理。
本发明的另一目的在于提供一种动态图像检测处理装置,装置包括:
图像采集和预处理单元,用于采集包含参考目标的图像帧,对所述图像帧进行预处理;
运动目标检测单元,用于检测所述图像采集和预处理单元预处理后的图像帧中的所有运动目标;
参考目标边缘提取单元,用于根据预处理的图像帧确定参考目标,获取参考目标的边缘轮廓;
参考目标特征提取单元,用于对所述参考目标边缘提取单元提取的参考目标边缘轮廓进行特征提取,获取所述参考目标对应的特征值;
判断条件设置单元,用于根据所述参考目标特征提取单元提取的参考目标对应的特征值和预设的系数阈值设置判断条件;
运动目标边缘提取单元,用于对所述运动目标检测单元检测到的运动目标进行边缘提取,得到运动目标边缘轮廓;
运动目标特征提取单元,用于对所述运动目标边缘提取单元提取的运动目标边缘轮廓进行特征提取,获取所述运动目标对应的特征值;
抗干扰处理单元,用于根据所述运动目标特征提取单元获取的运动目标对应的特征值和所述判断条件设置单元设置的判断条件判断所述运动目标是否为干扰运动目标,对所述干扰运动目标进行滤除处理。
本发明的再一目的在于提供一种包括上述动态图像检测处理装置的显示终端。
从上述技术方案可以看出,本发明实施例通过对参考目标进行边缘提取和特征提取,得到参考目标对应的特征值,根据参考目标对应的特征值设置判定条件,对动态图像检测的所有运动目标进行边缘提取和特征提取,得到运动目标对应的特征值,将运动目标对应的特征值和判定条件进行比对,符合判定条件的运动目标被视为感兴趣目标而保留,不符合判定条件的运动目标将被视为干扰目标被滤除,能消除感兴趣运动目标物体前后的非感兴趣运动物体带来的干扰,大大降低图像识别过程中数据的计算量,有效提高图像识别的正确率。
附图说明
图1是本发明实施例一提供的动态图像检测处理方法的实现流程图;
图2是本发明实施例二提供的动态图像检测处理方法的处理流程图;
图3是本发明实施例二提供的动态图像检测处理方法中摄像头视场范围内干扰运动物体与参考目标物体的相对位置示意图;
图4是本发明实施例二提供的动态图像检测处理方法中离散化梯度方向的示意图;
图5是本发明实施例三提供的动态图像检测处理方法的处理流程图;
图6是本发明实施例四提供的动态图像检测处理方法的处理流程图;
图7是本发明实施例五提供的动态图像检测处理装置的结构图;
图8是本发明实施例六提供的动态图像检测处理装置的结构图;
图9是本发明实施例七提供的动态图像检测处理装置的结构图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一:
图1示出了本发明实施例一提供的动态图像检测处理方法的实现流程,该方法过程详述如下:
在步骤S101中,采集包含参考目标的图像帧,对图像帧进行预处理。
在本发明实施例中,图像采集过程如下:通过彩色摄像头,按照每秒钟采集预设数量(例如25幅)彩色图,这每幅彩色图都按照顺序递增进行编号,得到彩色帧序列。
由于获取到的彩色图像常常被强度随机信号即噪声污染。图像预处理可以除去干扰噪声,本实施例采用线性平滑滤波器进行图像预处理,线性滤波器使用连续窗函数内像素加权和来实现滤波,其公式为:
其中f(x,y)为图像中像素点(x,y)的值,H(x,y)为滤波器的系数,G(x,y)是两者卷积的结果。
线性平滑滤波器去除高斯噪声的效果很好,且通常对其它类型的噪声也有很好的改善效果,图像预处理方法还有很多,具体不再一一列举。
在步骤S102中,根据预处理的图像帧确定参考目标,获取图像帧的参考目标的边缘轮廓,对参考目标的边缘轮廓进行特征提取,获取参考目标对应的特征值,根据参考目标对应的特征值和预设的系数阈值设置判断条件。
在本实施例中,参考目标即为预设区域内发出启动动作的目标。本实施例可以根据从起始帧开始的几帧图像(至少三帧)中确定参考目标。
其中,根据预处理的图像帧确定参考目标的步骤具体为:监测图像帧的预设区域内是否存在启动动作;
若存在启动动作,则将该启动动作对应的目标确定为参考目标,进而对参考目标的边缘轮廓进行特征提取,获取参考目标对应的特征值,根据参考目标对应的特征值和预设的系数阈值设置判断条件。
在步骤S103中,检测预处理后的图像帧中所有的运动目标。
本发明实施例中,可以在确定参考目标后(根据初始的几帧图像确定了参考目标之后),开始检测图像帧中所有的运动目标。检测过程具体可以通过三帧差法和检测形态学的开运算实现。
其中,运动目标的检测通过三帧差法来实现具体为:
设图像序列表示为:Ii(x,y),其中(x,y)表示图像中像素点的位置坐标,i表示第i帧图像(或者称为i时刻的图像)。选取图像序列中连续的三帧图像Ii-1(x,y),Ii(x,y),Ii+1(x,y),分别计算相邻两帧图像的插值图像,相邻两帧图像的插值图像表示如下:
在每一个像素点(x,y)将得到的插值图像进行逻辑“与”运算,得到图像Ai(x,y):
Ai(x,y)=di,i-1(x,y)∩di+1,i(x,y)
接下来通过形态学的开运算可以除去图像Ai(x,y)中的噪声点和运动目标中的空洞,形态学的开运算是图像处理过程中用于去噪和填补空洞的常用技术手段,其具体实现方式在此不再一一详述。
在步骤S104中,对检测到的每个运动目标进行边缘提取,得到运动目标边缘轮廓,对运动目标边缘轮廓进行特征提取,获取运动目标对应的特征值。
在本实施例中,对图像帧中检测到的每个运动目标进行边缘提取得到运动目标边缘轮廓以及特征值的处理流程和上述步骤S102中对参考目标提取边缘轮廓和特征值的处理过程相同,在此不再重复描述。
在步骤S105中,根据运动目标对应的特征值和判断条件判断运动目标是否为干扰运动目标,对干扰运动目标进行滤除处理。
在进行图像识别时,干扰运动目标不是图像识别的感兴趣运动目标,干扰运动目标越少,图像识别结果越理想。本实施例根据运动目标对应的特征值和判断条件判断运动目标是否为干扰运动目标,当运动目标是干扰运动目标时,对运动目标进行滤除;当运动目标不是干扰运动目标时,对运动目标进行保留,在滤除所有的运动目标之后剩下参考目标。
本发明实施例通过对确定的参考目标进行边缘提取和特征提取,得到参考目标对应的特征值,根据参考目标对应的特征值设置判定条件,对动态图像检测的所有运动目标进行边缘提取和特征提取,得到运动目标对应的特征值,将运动目标对应的特征值和判定条件进行比对,符合判定条件的运动目标被视为感兴趣目标而保留,不符合判定条件的运动目标将被视为干扰目标被滤除,能消除感兴趣运动目标物体前后的非感兴趣运动物体带来的干扰,大大降低图像识别过程中数据的计算量,有效提高图像识别的正确率。
实施例二:
图2示出了本发明实施例二提供的动态图像检测处理方法的处理流程。
在步骤S201中,采集包含参考目标的图像帧,对图像帧进行预处理。
其中,步骤S201的具体实现过程和上述实施例一中的步骤S101相同,详情参考上述实施例,在此不再赘述。
在步骤S202中,获取图像帧的参考目标的边缘轮廓,获取参考目标边缘轮廓上每个边缘点的梯度方向,统计每个边缘点梯度方向上边缘点的个数,计算参考目标边缘轮廓上所有边缘点梯度方向上边缘点的个数的平均值。
在本实施例中,参考目标对应的特征值具体为参考目标边缘轮廓平均宽度。参考目标边缘轮廓上所有边缘点梯度方向上边缘点的个数的平均值即为参考目标边缘轮廓平均宽度。
本实施例可以通过单阈值法进行边缘轮廓分割,得到参考目标的边缘轮廓。
参见图3,图3示出了本发明实施例二提供的动态图像检测处理方法中摄像头视场范围内干扰运动物体与参考目标物体的相对位置示意图。
如图3所示,由于摄像头的视场范围是随距离不断扩展的,相对于摄像头,假设一个感兴趣对象为参考目标,干扰运动物体A处于参考目标物体前方,干扰运动物体A在图像中产生的运动效果要比参考目标物体更加明显,而干扰运动物体B在图像中产生的运动效果要比参考目标物体差些,图像检测结果的表现为:检测出的干扰运动物体A的边缘轮廓比参考目标物体要宽些,干扰运动物体B边缘轮廓比参考目标物体要细些。因此,边缘轮廓宽度可以用来作为区分参考目标物体前后的运动物体的特征。
在本实施例中,梯度方向的计算方法为:假设f(x,y)为步骤S202得到的图像的边缘点(x,y)的值,通过先计算水平和垂直方向的梯度值,再根据水平和垂直方向的梯度值来计算梯度的方向角。
其中水平和垂直方向的梯度值可以通过与水平、垂直方向的梯度模板卷积得到,水平、垂直方向的梯度卷积模板Hh、Hv分别为:
边缘点f(x,y)的水平方向梯度Gradsh(x,y)、垂直方向梯度Gradsv(x,y)的卷积计算公式分别为:
梯度方向角θg的计算公式为:
在实际计算参考目标边缘轮廓平均宽度的过程中,可以把梯度方向离散化,一个离散方向类型对应一个范围的梯度方向,通过判断边缘点梯度方向与哪个离散方向类型最接近,确定边缘点梯度方向所处的离散方向类型,通过计算每个边缘点离散方向类型上边缘点的个数,就能够准确的统计每个边缘点梯度方向上边缘点的个数。图4示出了本发明实施例二提供的动态图像检测处理方法中离散化梯度方向的示意图,在图4中,四个扇区的标号为0到3,对应3×3邻域的四种可能组合,即角度区间(0,22.5)、(337.5,360)、(157.5,202.5)对应图像3×3邻域中标记为0的像素;角度区间(22.5,67.5)和(202.5,247.5)对应图像3×3邻域中标记为1的像素;角度区间(67.5,112.5)和(247.5,292.5)对应图像3×3邻域中标记为2的像素;角度区间(112.5,157.5)和(292.5,337.5)对应图像3×3邻域中标记为3的像素。
在步骤S203中,根据参考目标的边缘轮廓平均宽度和预设的系数阈值设置判断条件。
在步骤S204中,检测预处理后的图像帧中所有的运动目标。
其中,步骤S204的具体实现过程和上述实施例一中的步骤S104相同,详情参考上述实施例,在此不再赘述。
在步骤S205中,对检测到的每个运动目标进行边缘提取,得到运动目标边缘轮廓,对运动目标边缘轮廓上每个边缘点的梯度方向,统计每个边缘点梯度方向上边缘点的个数,计算运动目标边缘轮廓上所有边缘点梯度方向上边缘点的个数的平均值。
在本实施例中,运动目标的特征值具体为运动目标的边缘轮廓平均宽度,,运动目标边缘轮廓上所有边缘点梯度方向上边缘点的个数的平均值即为运动目标的边缘轮廓平均宽度。其中,对每个运动目标进行边缘提取得到运动目标边缘轮廓以及特征值的处理流程和上述步骤S202中对参考目标提取边缘轮廓和特征值的处理过程相同,在此不再重复描述。
在步骤S206中,根据运动目标的边缘轮廓平均宽度和判断条件判断运动目标是否为干扰运动目标,对干扰运动目标进行滤除处理。
在本实施例中,判断条件具体为:
|ThickS-ThickDi|<Tthick
其中,ThickS表示参考目标的边缘平均宽度,ThickDi表示运动目标的边缘平均宽度,i=1…n,n为检测到的运动目标的个数,Tthick是边缘平均宽度范围的系数阈值。
在本实施例中,可以通过单阈值法对参考目标进行边缘轮廓分割,得到参考目标的边缘轮廓,然后获取图像帧的参考目标的边缘轮廓,对参考目标边缘轮廓进行特征提取,获取参考目标的边缘轮廓平均宽度,并根据边缘轮廓平均宽度范围的系数阈值设置判断条件,本实施例通过该判断条件即可确定运动目标是否为干扰目标,进而对确定为干扰目标的目标进行滤除。
实施例三:
图5示出了本发明实施例三提供的动态图像检测处理方法的处理流程。
在步骤S301中,采集包含参考目标的图像帧,对图像帧进行预处理。
其中,步骤S301的具体实现过程和上述实施例一中的步骤S101相同,详情参考上述实施例,在此不再赘述。
在步骤S302中,获取图像帧的参考目标的边缘轮廓,遍历参考目标边缘轮廓上的每个边缘点,获取最上、最下、最左和最右的边缘点,得到最小外接矩形,根据最小外接矩形得到参考目标的最小外接矩形的宽、高和宽高比。
在本实施例中,参考目标对应的特征值具体为参考目标的最小外接矩形的宽、高和宽高比。
在步骤S303中,根据参考目标的最小外接矩形的宽、高和宽高比和预设的系数阈值设置判断条件。
在本实施例中,判断条件具体为:
其中,WidthS和HeightS分别表示参考目标的最小外接矩形宽度和高度,WidthDi、HeightDi和ScaleDi分别表示运动目标的最小外接矩形宽度、高度和最小外接矩形的宽高比,i=1…n,n为检测到的运动目标的个数,Twidthmin与Twidthmax是最小外接矩形宽度范围的系数阈值,Heightmin与Heightmax是最小外接矩形高度范围的系数阈值,Scalemin与Scalemax是最小外接矩形宽高比的范围阈值。
在步骤S304中,检测预处理后的图像帧中所有的运动目标。
其中,步骤S304的具体实现过程和上述实施例一中的步骤S104相同,详情参考上述实施例,在此不再赘述。
在步骤S305中,对检测到的运动目标边缘轮廓进行边缘提取,得到运动目标边缘轮廓,遍历运动目标边缘轮廓上的每个边缘点,获取最上、最下、最左和最右的边缘点,得到最小外接矩形,根据最小外接矩形得到运动目标的最小外接矩形的宽、高和宽高比。
在本实施例中,运动目标对应的特征值具体为运动目标的最小外接矩形的宽、高和宽高比。
在本实施例中,对每个运动目标进行边缘提取得到运动目标边缘轮廓以及特征值的处理流程和上述步骤S302中对参考目标提取边缘轮廓和特征值的处理过程相同,在此不再重复描述。
在步骤S306中,根据运动目标的最小外接矩形的宽、高和宽高比和判断条件判断运动目标是否为干扰运动目标,对干扰运动目标进行滤除处理。
本实施例提供的动态图像检测处理方法可以应用于手势识别的检测阶段,以人手挥出的启动动作作为参考目标,将采集的包含手势动作的图像帧进行边缘提取的结果作为运动目标,对参考目标和运动目标的特征值进行比较,符合条件的动态目标才是真正的手势动作。通过以上处理可以滤除手势识别过程中手势动作的前后一些过大过小的干扰运动物体,有效消除前后运动物体的干扰,为后续的识别处理提供一个较稳定的输出,有助于提高手势识别的准确率。
实施例四
图6示出了本发明实施例四提供的动态图像检测处理方法的处理流程。
在步骤S401中,采集包含参考目标的图像帧,对图像帧进行预处理。
其中,步骤S401的具体实现过程和上述实施例一中的步骤S101相同,详情参考上述实施例,在此不再赘述。
在步骤S402中,获取图像帧的参考目标的边缘轮廓,分别使用预设的阈值T1和T2对参考目标图像进行阈值分割,其中T2>T1,得到两幅阈值边缘轮廓图像N1(x,y)和N2(x,y),N1(x,y)是使用阈值T1获得的阈值边缘轮廓图像,N2(x y)是使用阈值T2获得的阈值边缘轮廓图像,在阈值边缘轮廓图像N2(x,y)中,检测每个边缘点的8邻点区域,将其8邻点区域内的边缘点加入N2(x,y)边缘轮廓,并继续检测新加入边缘点的8邻点区域,当检测到当前边缘点的8邻点区域内没有边缘点时,在阈值边缘轮廓图像N1(x,y)中的相应点处继续检测其8邻点区域,并把相应点的8邻点区域的边缘点加入到N2(x,y)中边缘轮廓的边缘点集合内,直到找不到符合上述要求的边缘点为止,此时的N2(x,y)中边缘轮廓的边缘点集合即为参考目标边缘轮廓。。
本实施例所使用的基于双阈值的边缘提取方法,与实施例一、二使用的单阈值法不同,实施例一、二在使用单阈值法分割边缘轮廓时,难以在减少误判的同时也获得较完整轮廓。为了解决这个问题,本实施例对图像使用两个阈值T1和T2,且2T1≈T2,从而可以得到两个阈值边缘轮廓图像N1(x,y)和N2(x,y)。由于N2(x,y)使用高阈值得到,因而含有很少的误判点,但有间断(不闭合);而N1(x,y)由于是使用低阈值得到,结果正好相反,含有较多的误判点,但是轮廓比较完整。双阈值算法在N2(x,y)中把边缘尽力连接成完整的轮廓,当到达轮廓的断点时,就在N1(x,y)的相应点的8邻点内寻找可以连接到轮廓上的点,这样,不断在N1(x,y)中收集边缘点,直到在N2(x,y)连接出较完整的轮廓。
在步骤S403中,对参考目标边缘轮廓进行特征提取,获取参考目标对应的特征值,根据参考目标对应的特征值和预设的系数阈值设置判断条件。
在步骤S404中,检测预处理后的图像帧中所有的运动目标。
其中,步骤S403-404的具体实现过程和上述实施例一中的步骤S103-104相同,详情参考上述实施例,在此不再赘述。
在步骤S405中,分别使用预设的阈值T1和T2对检测后的每幅运动目标图像进行阈值分割,其中T2>T1,得到两幅阈值边缘轮廓图像N3(x,y)和N4(x,y),其中,在阈值边缘轮廓图像N4(x,y)中,检测每个边缘点的8邻点区域,将其8邻点区域内的边缘点加入N4(x,y)边缘轮廓,并继续检测新加入边缘点的8邻点区域,当检测到当前边缘点的8邻点区域内没有边缘点时,在阈值边缘轮廓图像N3(x,y)中的相应点处继续检测其8邻点区域,并把相应点的8邻点区域的边缘点加入到N4(x,y)中边缘轮廓的边缘点集合内,直到找不到符合上述要求的边缘点为止,此时的N4(x,y)中边缘轮廓的边缘点集合即为运动目标边缘轮廓。
在步骤S406中,对运动目标边缘轮廓进行特征提取,获取运动目标对应的特征值。
在本实施例中,运动目标的特征值的提取处理流程与步骤S403中参考目标的特征值的提取处理流程相同,特征值包括边缘轮廓平均宽度、最小外接矩形的宽、高和宽高比,其具体实现方式在此不再赘述。
在步骤S407中,根据运动目标对应的特征值和判断条件判断运动目标是否为干扰运动目标,对干扰运动目标进行滤除处理。
在本实施例中,步骤S407与实施例一中的步骤S105相同,在此不再赘述。
实施例五:
图7示出了本发明实施例五提供的动态图像检测处理装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分。该动态图像检测抗干扰处理装置可以是内置于显示终端的软件单元、硬件单元或者软硬件相结合的单元,或者作为独立的挂件集成到显示终端的应用系统中。
该动态图像检测处理装置主要包括:图像采集和预处理单元11、运动目标检测单元12、参考目标边缘提取单元13、参考目标特征提取单元14、判断条件设置单元15、运动目标边缘提取单元16、运动目标特征提取单元17和抗干扰处理单元18。其中,各单元的具体功能如下:
图像采集和预处理单元11,用于采集包含参考目标的图像帧,对图像帧进行预处理。
运动目标检测单元12,用于检测图像采集和预处理单元12预处理后的图像帧中的所有运动目标。
参考目标边缘提取单元13,用于根据预处理的图像帧确定参考目标,获取参考目标的边缘轮廓。
参考目标特征提取单元14,用于对参考目标边缘提取单元13提取的参考目标边缘轮廓进行特征提取,获取参考目标对应的特征值。
判断条件设置单元15,用于根据参考目标特征提取单元14提取的参考目标对应的特征值和预设的系数阈值设置判断条件。
运动目标边缘提取单元16,用于对运动目标检测单元12检测到的运动目标进行边缘提取,得到运动目标边缘轮廓。
运动目标特征提取单元17,用于对运动目标边缘提取单元16提取的运动目标边缘轮廓进行特征提取,获取运动目标对应的特征值。
抗干扰处理单元18,用于根据运动目标特征提取单元17获取的运动目标对应的特征值和判断条件设置单元15设置的判断条件判断运动目标是否为干扰运动目标,对干扰运动目标进行滤除处理。
在本实施例中,图像预处理采用线性平滑滤波器实现,运动目标的检测通过三帧差法和检测形态学的开运算实现,边缘轮廓提取采用单阈值法实现,运动目标边缘提取得到运动目标边缘轮廓的处理流程和参考目标边缘提取得到运动目标边缘轮廓的处理过程相同,运动目标的边缘轮廓的特征提取处理流程也与参考目标相同。
本实施例提供的动态图像检测处理装置可以使用在前述对应的动态图像检测处理方法,详情参见上述动态图像检测处理方法实施例一的相关描述,在此不再赘述。
实施例六:
图8示出了本发明实施例六提供的动态图像检测处理装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分。该动态图像检测抗干扰处理装置可以是内置于显示终端的软件单元、硬件单元或者软硬件相结合的单元,或者作为独立的挂件集成到显示终端的应用系统中。
该动态图像检测处理装置主要包括:图像采集和预处理单元21、运动目标检测单元22、参考目标边缘提取单元23、参考目标特征提取单元24、判断条件设置单元25、运动目标边缘提取单元26、运动目标特征提取单元27和抗干扰处理单元28。其中,各单元的具体功能如下:
图像采集和预处理单元21,用于采集包含参考目标的图像帧,对图像帧进行预处理。
运动目标检测单元22,用于检测图像采集和预处理单元22预处理后的图像帧中的所有运动目标。
参考目标边缘提取单元23,用于根据预处理的图像帧确定参考目标,获取参考目标的边缘轮廓。
参考目标特征提取单元24,用于对参考目标边缘提取单元23提取的参考目标边缘轮廓进行特征提取,获取参考目标对应的特征值。
其中,参考目标特征提取单元24进一步包括:
第一边缘轮廓平均宽度特征提取模块241,用于获取参考目标边缘轮廓上每个边缘点的梯度方向统计每个边缘点梯度方向上边缘点的个数,计算运动目标边缘轮廓上所有边缘点梯度方向上边缘点的个数的平均值;
第一最小外接矩形特征提取模块242,用于遍历参考目标边缘轮廓上的每个边缘点,获取最上、最下、最左和最右的边缘点,得到最小外接矩形,根据最小外接矩形计算最小外接矩形的宽、高和宽高比。
判断条件设置单元25,用于根据参考目标特征提取单元24提取的参考目标对应的特征值和预设的系数阈值设置判断条件。
在本实施例中,系数阈值包括边缘轮廓平均宽度范围的系数阈值、最小外接矩形宽度、高度以及宽高比范围的系数阈值,判断条件具体为:
其中,ThickS、WidthS和HeightS分别表示参考目标的边缘平均宽度、最小外接矩形宽度和宽度,ThickDi、WidthDi、HeightDi和ScaleDi分别表示运动目标的边缘平均宽度、最小外接矩形宽度、高度和最小外接矩形的宽高比,i=1…n,n为检测到的运动目标的个数,Tthick是边缘平均宽度范围的系数阈值,Twidthmin与Twidthmax是最小外接矩形宽度范围的系数阈值,Heightmin与Heightmax是最小外接矩形高度范围的系数阈值,Scalemin与Scalemax是最小外接矩形宽高比的范围阈值。
运动目标边缘提取单元26,用于对运动目标检测单元22检测到的运动目标进行边缘提取,得到运动目标边缘轮廓。
运动目标特征提取单元27,用于对运动目标边缘提取单元26提取的运动目标边缘轮廓进行特征提取,获取运动目标对应的特征值。其中,运动目标特征提取单元27进一步包括:
第二边缘轮廓平均宽度特征提取模块271,用于获取运动目标边缘轮廓上每个边缘点的梯度方向统计每个边缘点梯度方向上边缘点的个数,计算运动目标边缘轮廓上所有边缘点梯度方向上边缘点的个数的平均值;
第二最小外接矩形特征提取模块272,用于遍历运动目标边缘轮廓上的每个边缘点,获取最上、最下、最左和最右的边缘点,得到最小外接矩形,根据最小外接矩形计算最小外接矩形的宽、高和宽高比。
抗干扰处理单元28,用于根据运动目标特征提取单元27获取的运动目标对应的特征值和判断条件设置单元25设置的判断条件判断运动目标是否为干扰运动目标,对干扰运动目标进行滤除处理。
在本实施例中,图像预处理采用线性平滑滤波器实现,运动目标的检测通过三帧差法和检测形态学的开运算实现,边缘轮廓提取采用单阈值法实现,提取的参考目标特征和运动目标特征相对应,特征值都包括:边缘轮廓平均宽度,最小外接矩形的宽、高和宽高比,相应的,系数阈值包括边缘轮廓平均宽度范围、最小外接矩形宽度、高度以及宽高比范围的系数阈值,通过设置包括参考目标对应的特征值和预设的系数阈值的数学不等式构建判断条件,通过对运动目标对应的特征值与判断条件进行比对,对不符合条件的运动目标进行滤除。
本实施例提供的动态图像检测处理装置可以使用在前述对应的动态图像检测处理方法,详情参见上述动态图像检测处理方法实施例二、三的相关描述,在此不再赘述。
实施例七:
图9示出了本发明实施例七提供的动态图像检测处理装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分。该动态图像检测抗干扰处理装置可以是内置于显示终端的软件单元、硬件单元或者软硬件相结合的单元,或者作为独立的挂件集成到显示终端的应用系统中。
该动态图像检测处理装置主要包括:图像采集和预处理单元31、运动目标检测单元32、参考目标边缘提取单元33、参考目标特征提取单元34、判断条件设置单元35、运动目标边缘提取单元36、运动目标特征提取单元37和抗干扰处理单元38。其中,各单元的具体功能如下:
图像采集和预处理单元31,用于采集包含参考目标的图像帧,对图像帧进行预处理。
运动目标检测单元32,用于检测图像采集和预处理单元32预处理后的图像帧中的所有运动目标。
参考目标边缘提取单元33,用于根据预处理的图像帧确定参考目标,获取参考目标的边缘轮廓。其中,参考目标边缘提取单元33进一步包括:
第一双阈值分割模块331,用于分别使用预设的阈值T1和T2对检测后的参考目标图像进行阈值分割,其中T2>T1,得到两幅阈值边缘轮廓图像N1(x,y)和N2(x,y),其中,N1(x,y)是使用阈值T1获得的阈值边缘轮廓图像,N2(x y)是使用阈值T2获得的阈值边缘轮廓图像;
第一边缘提取模块332,用于在第一双阈值分割模块331得到的阈值边缘轮廓图像N2(x,y)中,检测每个边缘点的8邻点区域,将其8邻点区域内的边缘点加入当前边缘轮廓,并继续检测新加入边缘点的8邻点区域,当检测到当前边缘点的8邻点区域内没有边缘点时,在第一双阈值分割模块331得到的阈值边缘轮廓图像N1(x,y)中的相应点处继续检测其8邻点区域,并把相应点的8邻点区域的边缘点加入到N2(x,y)中边缘轮廓的边缘点集合内,直到找不到符合上述要求的边缘点为止,此时的N2(x,y)中边缘轮廓的边缘点集合即为参考目标边缘轮廓。
参考目标特征提取单元34,用于对参考目标边缘提取单元33提取的参考目标边缘轮廓进行特征提取,获取参考目标对应的特征值。
判断条件设置单元35,用于根据参考目标特征提取单元34提取的参考目标对应的特征值和预设的系数阈值设置判断条件。
运动目标边缘提取单元36,用于对运动目标检测单元32检测到的运动目标进行边缘提取,得到运动目标边缘轮廓。其中,运动目标边缘提取单元36进一步包括:
第二双阈值分割模块361,用于分别使用预设的阈值T1和T2对检测后的运动目标图像进行阈值分割,其中T2>T1,得到两幅阈值边缘轮廓图像N3(x,y)和N4(x,y),其中,N3(x,y)是使用阈值T1获得的阈值边缘轮廓图像,N4(x,y)是使用阈值T2获得的阈值边缘轮廓图像;
第二边缘提取模块362,用于在第二双阈值分割模块361得到的阈值边缘轮廓图像N4(x,y)中,检测每个边缘点的8邻点区域,将其8邻点区域内的边缘点加入当前边缘轮廓,并继续检测新加入边缘点的8邻点区域,当检测到当前边缘点的8邻点区域内没有边缘点时,在第二双阈值分割模块361得到的阈值边缘轮廓图像N3(x,y)中的相应点处继续检测其8邻点区域,并把相应点的8邻点区域的边缘点加入到N4(x,y)中边缘轮廓的边缘点集合内,直到找不到符合上述要求的边缘点为止,此时的N4(x,y)中边缘轮廓的边缘点集合即为运动目标边缘轮廓。
运动目标特征提取单元37,用于对运动目标边缘提取单元36提取的运动目标边缘轮廓进行特征提取,获取运动目标对应的特征值。
抗干扰处理单元38,用于根据运动目标特征提取单元37获取的运动目标对应的特征值和判断条件设置单元35设置的判断条件判断运动目标是否为干扰运动目标,对干扰运动目标进行滤除处理。
在本实施例中,图像预处理采用线性平滑滤波器实现,运动目标的检测通过三帧差法和检测形态学的开运算实现,运动目标边缘提取得到运动目标边缘轮廓的处理流程和参考目标边缘提取得到运动目标边缘轮廓的处理过程相同,运动目标的边缘轮廓的特征提取处理流程也与参考目标相同。
本实施例提供的动态图像检测处理装置可以使用在前述对应的动态图像检测处理方法,详情参见上述动态图像检测处理方法实施例四的相关描述,在此不再赘述。
本领域技术人员可以理解为上述实施例五至七所述装置所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本实施例最后还提供一种显示终端,该显示终端包括动态图像检测处理装置。其中,动态图象处理装置在上述实施例五到七中已经详细描述过,详情参见上述实施例。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种动态图像检测处理方法,其特征在于,所述方法包括以下步骤:
采集包含参考目标的图像帧,对所述图像帧进行预处理;
根据预处理的图像帧确定参考目标,获取所述图像帧中参考目标的边缘轮廓,对所述参考目标边缘轮廓进行特征提取,获取所述参考目标对应的特征值,根据所述参考目标对应的特征值和预设的系数阈值设置判断条件;
检测预处理后的图像帧中所有的运动目标;
对检测到的运动目标进行边缘提取,得到运动目标边缘轮廓,对所述运动目标边缘轮廓进行特征提取,获取所述运动目标对应的特征值;
根据所述运动目标对应的特征值和所述判断条件判断所述运动目标是否为干扰运动目标,对所述干扰运动目标进行滤除处理。
2.如权利要求1所述的方法,其特征在于,
所述特征值包括边缘轮廓平均宽度;
所述对参考目标边缘轮廓进行特征提取,获取所述参考目标对应的特征值的步骤包括:
获取所述参考目标边缘轮廓上每个边缘点的梯度方向;
统计所述每个边缘点梯度方向上边缘点的个数,计算所述参考目标边缘轮廓上所有边缘点梯度方向上边缘点的个数的平均值。
3.如权利要求1或2所述的方法,其特征在于,
所述特征值包括目标最小外接矩形的宽、高和宽高比;
所述对参考目标边缘轮廓进行特征提取,获取所述参考目标对应的特征值的步骤包括:
遍历所述参考目标边缘轮廓上的每个边缘点,获取最上、最下、最左和最右的边缘点,得到最小外接矩形;
根据所述最小外接矩形计算最小外接矩形的宽、高和宽高比。
4.如权利要求3所述的方法,其特征在于,
所述系数阈值包括边缘轮廓平均宽度范围的系数阈值Tthick、最小外接矩形宽度范围的系数阈值Twidthmin、Twidthmax,高度范围的系数阈值Heightmin、Heightmax,以及宽高比范围的系数阈值Scalemin、Scalemax;
所述判断条件具体为:
其中,ThickS、WidthS和HeightS分别表示参考目标的边缘平均宽度、最小外接矩形宽度和高度,ThickDi、WidthDi、HeightDi和ScaleDi分别表示第i个运动目标的边缘平均宽度、最小外接矩形宽度、高度和最小外接矩形的宽高比,i=1…n,n为检测到的运动目标的个数。
5.如权利要求1所述的方法,其特征在于,所述根据预处理的图像帧确定参考目标的步骤具体为:
监测所述图像帧的预设区域内是否存在启动动作;
若存在启动动作,则将该启动动作对应的目标确定为参考目标。
6.如权利要求1所述的方法,其特征在于,所述对检测到的运动目标进行边缘提取,得到运动目标边缘轮廓的步骤具体为:
分别使用预设的阈值T1和T2对检测后的每幅运动目标图像进行阈值分割,其中T2>T1,得到两幅阈值边缘轮廓图像N1(x,y)和N2(x,y),其中,N1(x,y)是使用阈值T1获得的阈值边缘轮廓图像,N2(x y)是使用阈值T2获得的阈值边缘轮廓图像;
在所述阈值边缘轮廓图像N2(x,y)中,检测每个边缘点的8邻点区域,将其8邻点区域内的边缘点加入N2(x,y)边缘轮廓,并继续检测新加入边缘点的8邻点区域,当检测到当前边缘点的8邻点区域内没有边缘点时,在所述阈值边缘轮廓图像N1(x,y)中的相应点处继续检测其8邻点区域,并把所述相应点的8邻点区域的边缘点加入到N2(x,y)中边缘轮廓的边缘点集合内,直到找不到符合上述要求的边缘点为止,此时的N2(x,y)中边缘轮廓的边缘点集合为所述运动目标边缘轮廓。
7.一种动态图像检测处理装置,其特征在于,所述系统包括:
图像采集和预处理单元,用于采集包含参考目标的图像帧,对所述图像帧进行预处理;
运动目标检测单元,用于检测所述图像采集和预处理单元预处理后的图像帧中的所有运动目标;
参考目标边缘提取单元,用于根据预处理的图像帧确定参考目标,获取参考目标的边缘轮廓;
参考目标特征提取单元,用于对所述参考目标边缘提取单元提取的参考目标边缘轮廓进行特征提取,获取所述参考目标对应的特征值;
判断条件设置单元,用于根据所述参考目标特征提取单元提取的参考目标对应的特征值和预设的系数阈值设置判断条件;
运动目标边缘提取单元,用于对所述运动目标检测单元检测到的运动目标进行边缘提取,得到运动目标边缘轮廓;
运动目标特征提取单元,用于对所述运动目标边缘提取单元提取的运动目标边缘轮廓进行特征提取,获取所述运动目标对应的特征值;
抗干扰处理单元,用于根据所述运动目标特征提取单元获取的运动目标对应的特征值和所述判断条件设置单元设置的判断条件判断所述运动目标是否为干扰运动目标,对所述干扰运动目标进行滤除处理。
8.如权利要求7所述的装置,其特征在于,
所述特征值包括:边缘轮廓平均宽度,
所述参考目标特征提取单元包括:
边缘轮廓平均宽度特征提取模块,用于获取所述参考目标边缘轮廓上每个边缘点的梯度方向,统计所述每个边缘点梯度方向上边缘点的个数,计算所述参考目标边缘轮廓上所有边缘点梯度方向上边缘点的个数的平均值。
9.如权利要求8所述的装置,其特征在于,
所述特征值还包括:最小外接矩形的宽、高和宽高比,
所述运动目标特征提取单元包括:
最小外接矩形特征提取模块,用于遍历所述参考目标边缘轮廓上的每个边缘点,获取最上、最下、最左和最右的边缘点,得到最小外接矩形,根据所述最小外接矩形计算最小外接矩形的宽、高和宽高比。
10.如权利要求7所述的装置,其特征在于,所述运动目标边缘提取单元包括:
双阈值分割模块,用于分别使用预设的阈值T1和T2对检测后的每幅运动目标图像进行阈值分割,其中T2>T1,得到两幅阈值边缘轮廓图像N1(x,y)和N2(x,y),其中,N1(x,y)是使用阈值T1获得的阈值边缘轮廓图像,N2(x y)是使用阈值T2获得的阈值边缘轮廓图像;
边缘提取模块,用于在所述双阈值分割模块得到的阈值边缘轮廓图像N2(x,y)中,检测每个边缘点的8邻点区域,将其8邻点区域内的边缘点加入N2(x,y)边缘轮廓,并继续检测新加入边缘点的8邻点区域,当检测到当前边缘点的8邻点区域内没有边缘点时,在所述双阈值分割模块得到的阈值边缘轮廓图像N1(x,y)中的相应点处继续检测其8邻点区域,并把所述相应点的8邻点区域的边缘点加入到N2(x,y)中边缘轮廓的边缘点集合内,直到找不到符合上述要求的边缘点为止,此时的N2(x,y)中边缘轮廓的边缘点集合即为所述运动目标边缘轮廓。
11.一种显示终端,其特征在于,包含权利要求7至10任一项所述动态图像检测处理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110431702.1A CN102592128B (zh) | 2011-12-20 | 2011-12-20 | 一种动态图像检测处理方法、装置及显示终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110431702.1A CN102592128B (zh) | 2011-12-20 | 2011-12-20 | 一种动态图像检测处理方法、装置及显示终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102592128A true CN102592128A (zh) | 2012-07-18 |
CN102592128B CN102592128B (zh) | 2014-03-12 |
Family
ID=46480740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110431702.1A Expired - Fee Related CN102592128B (zh) | 2011-12-20 | 2011-12-20 | 一种动态图像检测处理方法、装置及显示终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102592128B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034857A (zh) * | 2012-12-18 | 2013-04-10 | 深圳市安健科技有限公司 | 自动检测影像图片中曝光区域的方法及系统 |
CN103530409A (zh) * | 2013-10-25 | 2014-01-22 | 中国科学院对地观测与数字地球科学中心 | 遥感图像检索方法及系统 |
WO2016082590A1 (zh) * | 2014-11-27 | 2016-06-02 | 百度在线网络技术(北京)有限公司 | 图片处理方法、装置和存储介质 |
CN108760590A (zh) * | 2018-03-08 | 2018-11-06 | 佛山市云米电器科技有限公司 | 一种基于图像处理的厨房油烟浓度检测与干扰排除方法 |
CN109040604A (zh) * | 2018-10-23 | 2018-12-18 | Oppo广东移动通信有限公司 | 拍摄图像的处理方法、装置、存储介质及移动终端 |
CN109151312A (zh) * | 2018-09-04 | 2019-01-04 | 广州视源电子科技股份有限公司 | 对焦方法、装置以及视频展台 |
CN109167893A (zh) * | 2018-10-23 | 2019-01-08 | Oppo广东移动通信有限公司 | 拍摄图像的处理方法、装置、存储介质及移动终端 |
CN111025288A (zh) * | 2019-12-27 | 2020-04-17 | 森思泰克河北科技有限公司 | 安防雷达监测装置及系统 |
CN111104947A (zh) * | 2019-11-21 | 2020-05-05 | 凌云光技术集团有限责任公司 | 基于特征一致性的干扰轮廓滤除方法和系统 |
CN113470059A (zh) * | 2021-05-26 | 2021-10-01 | 南昌交通学院 | 基于视觉注意的厚板t形接头gmaw焊接焊缝轮廓提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005242703A (ja) * | 2004-02-26 | 2005-09-08 | Toyota Motor Corp | 画像処理装置および画像処理方法 |
CN101527043A (zh) * | 2009-03-16 | 2009-09-09 | 江苏银河电子股份有限公司 | 基于运动目标轮廓信息的视频对象分割方法 |
-
2011
- 2011-12-20 CN CN201110431702.1A patent/CN102592128B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005242703A (ja) * | 2004-02-26 | 2005-09-08 | Toyota Motor Corp | 画像処理装置および画像処理方法 |
CN101527043A (zh) * | 2009-03-16 | 2009-09-09 | 江苏银河电子股份有限公司 | 基于运动目标轮廓信息的视频对象分割方法 |
Non-Patent Citations (1)
Title |
---|
野金花 等: "双阈值法在文字轮廓提取中的应用", 《哈尔滨理工大学学报》, vol. 14, no. 5, 31 October 2009 (2009-10-31), pages 110 - 113 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034857B (zh) * | 2012-12-18 | 2016-02-17 | 深圳市安健科技有限公司 | 自动检测图像中曝光区域的方法及系统 |
CN103034857A (zh) * | 2012-12-18 | 2013-04-10 | 深圳市安健科技有限公司 | 自动检测影像图片中曝光区域的方法及系统 |
CN103530409A (zh) * | 2013-10-25 | 2014-01-22 | 中国科学院对地观测与数字地球科学中心 | 遥感图像检索方法及系统 |
CN103530409B (zh) * | 2013-10-25 | 2017-01-18 | 中国科学院对地观测与数字地球科学中心 | 遥感图像检索方法及系统 |
WO2016082590A1 (zh) * | 2014-11-27 | 2016-06-02 | 百度在线网络技术(北京)有限公司 | 图片处理方法、装置和存储介质 |
CN108760590A (zh) * | 2018-03-08 | 2018-11-06 | 佛山市云米电器科技有限公司 | 一种基于图像处理的厨房油烟浓度检测与干扰排除方法 |
CN109151312A (zh) * | 2018-09-04 | 2019-01-04 | 广州视源电子科技股份有限公司 | 对焦方法、装置以及视频展台 |
CN109040604A (zh) * | 2018-10-23 | 2018-12-18 | Oppo广东移动通信有限公司 | 拍摄图像的处理方法、装置、存储介质及移动终端 |
CN109167893A (zh) * | 2018-10-23 | 2019-01-08 | Oppo广东移动通信有限公司 | 拍摄图像的处理方法、装置、存储介质及移动终端 |
CN109040604B (zh) * | 2018-10-23 | 2020-09-15 | Oppo广东移动通信有限公司 | 拍摄图像的处理方法、装置、存储介质及移动终端 |
CN109167893B (zh) * | 2018-10-23 | 2021-04-27 | Oppo广东移动通信有限公司 | 拍摄图像的处理方法、装置、存储介质及移动终端 |
CN111104947A (zh) * | 2019-11-21 | 2020-05-05 | 凌云光技术集团有限责任公司 | 基于特征一致性的干扰轮廓滤除方法和系统 |
CN111025288A (zh) * | 2019-12-27 | 2020-04-17 | 森思泰克河北科技有限公司 | 安防雷达监测装置及系统 |
CN111025288B (zh) * | 2019-12-27 | 2022-05-31 | 森思泰克河北科技有限公司 | 安防雷达监测装置及系统 |
CN113470059A (zh) * | 2021-05-26 | 2021-10-01 | 南昌交通学院 | 基于视觉注意的厚板t形接头gmaw焊接焊缝轮廓提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102592128B (zh) | 2014-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102592128B (zh) | 一种动态图像检测处理方法、装置及显示终端 | |
US10049492B2 (en) | Method and apparatus for rendering facades of objects of interest from three-dimensional point clouds | |
Zhou et al. | Efficient road detection and tracking for unmanned aerial vehicle | |
CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
CN101470809B (zh) | 一种基于扩展混合高斯模型的运动目标检测方法 | |
CN102222346B (zh) | 一种车辆检测和跟踪方法 | |
CN104463903B (zh) | 一种基于目标行为分析的行人图像实时检测方法 | |
CN102609934B (zh) | 一种基于深度图像的多目标分割和跟踪方法 | |
CN106778668B (zh) | 一种联合ransac和cnn的鲁棒的车道线检测方法 | |
CN107481264A (zh) | 一种自适应尺度的视频目标跟踪方法 | |
CN101329402B (zh) | 基于改进Wedgelet的多尺度SAR图像边缘检测方法 | |
CN107169972B (zh) | 一种非合作目标快速轮廓跟踪方法 | |
CN109492596B (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及系统 | |
CN103208123A (zh) | 图像分割方法与系统 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN103105924B (zh) | 人机交互方法和装置 | |
CN103886325A (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN103955949A (zh) | 基于Mean-shift算法的运动目标检测方法 | |
CN105046206A (zh) | 基于视频中运动先验信息的行人检测方法及装置 | |
CN110309765B (zh) | 一种视频运动目标高效检测方法 | |
Nguyen et al. | A real-time ellipse detection based on edge grouping | |
CN105069441A (zh) | 一种基于背景更新与粒子群算法的运动车辆检测方法 | |
CN103559724A (zh) | 一种高粘连度细胞环境下的多细胞同步跟踪方法 | |
CN104766346A (zh) | 一种基于视频图像的斑马鱼跟踪方法 | |
CN102063727A (zh) | 一种基于协方差匹配的主动轮廓跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140312 |