CN104820818B - 一种移动物体的快速识别方法 - Google Patents
一种移动物体的快速识别方法 Download PDFInfo
- Publication number
- CN104820818B CN104820818B CN201410836491.3A CN201410836491A CN104820818B CN 104820818 B CN104820818 B CN 104820818B CN 201410836491 A CN201410836491 A CN 201410836491A CN 104820818 B CN104820818 B CN 104820818B
- Authority
- CN
- China
- Prior art keywords
- grid
- change
- mobile object
- reference picture
- line segment
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种移动物体的快速识别方法,在不同的时间段获取对应的参考图片,根据所要识别的移动物体的大小,确定图片的扫描线条数,确定扫描网格的大小,对参考图片进行网格划分;实时采集对应场景的数据图像,根据扫描网格的大小对数据图像进行划分,再根据噪声的形状确定已被噪声覆盖的网格并屏蔽;将噪声屏蔽后的实时数据图像与对应时间段的参考图片进行分析比较,确定变化的线段,根据变化的线段确定变化的网格,根据变化的网格确定空间的连续性,根据空间的连续性提取出移动物体的轨迹。本发明通过对图片先进行网格分割,既能根据实际的噪声形状确定屏蔽区域,又能大大减小动体识别中的计算量,从而可及时准确地提供移动体的运动轨迹信息。
Description
技术领域
本发明涉及移动物体识别领域,更具体地,涉及一种移动物体的快速识别方法。
背景技术
在视频水文监测系统中,摄像机除了可以用来采集提取水位信息所需的图片数据以外,还可以用来识别出现在摄像机视角范围内的移动物体,使得对河流湖泊等一些禁止捕鱼区域的实时监控成为可能。为了能对特定的视角范围进行24小时不断的监控,所使用的摄像机能在星光(几乎完全黑暗)条件下仍具有很好的成像效果。
传统的移动物体扫描方法是以一张成像清晰的图片为模版,然后对采集到的数据图片整幅进行扫描。毫无疑问,对整幅图片进行扫描,计算量将会十分大,不能很快地识别移动的物体,而对于快速移动的物体,还有可能出现捕捉不到的情况,不能及时解析移动物体的运动轨迹。这对于一些禁止捕鱼的河流湖泊是很不利的,此外,传统的扫描方法还有一个致命的缺陷就是不能对数据图像中的干扰噪声进行很好的处理,容易把一些类似于移动物体的噪声识别成移动物体,出现误判。
已知对于视角固定的摄像机而言,噪声干扰一般会出现在特定的区域。现有的干扰噪声处理方法是直接屏蔽图像中某个规则的区域。采用这种方式存在两个问题,当屏蔽的区域太小,则有些噪声仍会留下,仍有可能出现误判的情况;当屏蔽的区域太大,则有可能将移动物体的信息也屏蔽了。
发明内容
为了克服传统移动物体识别方法存在的不足,本发明提出一种移动物体的快速识别方法,该方法是基于网格扫描的移动物体快速识别方法,不仅能很好的克服各种噪声所引起的误判,而且对于快速移动的物体,能及时准确地确定移动物体的运动轨迹。
为了实现上述目的,本发明的技术方案为:
一种移动物体的快速识别方法,包括以下步骤:
构建参考图片库:在不同的时间段获取对应的参考图片,并根据所要识别的移动物体的大小,确定图片的扫描线条数,并确定扫描网格的大小,对参考图片进行网格划分;
移动物体的识别:实时采集对应场景的数据图像,根据扫描网格的大小对数据图像进行划分,再根据噪声的形状确定已被噪声覆盖的网格并屏蔽;
将噪声屏蔽后的实时数据图像与对应时间段的参考图片进行分析比较,确定变化的线段,根据变化的线段确定变化的网格,再根据变化的网格确定空间的连续性,最后根据空间的连续性提取出移动物体的轨迹。
本发明根据所要识别的移动物体的大小,确定图片的扫描线条数,以此确定扫描网格的大小,继而再根据噪声的形状确定已被噪声覆盖的网格并屏蔽。本发明通过网格将图片细化的方式,能很好地根据噪声的形状确定合适的屏蔽区域。其次本发明在计算过程中,只对线段的像素进行计算,此时CPU的计算量是非常小的,使高速的处理分析成为可能。提取与变化线段接触的网格对象,比较分析数据图像和参考图像共同网格的亮度变化,以确定在单元格中的图像变化。因为计算对象被限制在与变化线接触的网格,CPU的计算量可以被有效地降低,从而大大提高动体识别的速度。
优选的,所述将噪声屏蔽的实时数据图像与对应时间段的参考图片进行分析比较,确定变化的线段的具体方式为:分析比较实时数据图像与对应参考图像,检测共同线段部分,分别获取待分析的实时数据图像的标准偏差和对应参考图像的标准偏差,获取标准偏差比,当标准偏差比大于所设定的偏差比阈值时,则对应的线段为变换线段;其中标准偏差比=实时数据图像的标准偏差/对应参考图像的标准偏差。
其中标准偏差为通常意义上的标准差:
这里N为线段上像素点个数,w(x,y)为像素点(x,y)的线段灰度,为所求线段灰度(亮度)均值。
优选的,所述偏差比阈值的大小要保证其应用到整个图像范围时,在亮度变化小时也能对所提取的运动物体进行判断。
优选的,所述变化网格是由与变换的线段相接的网格内的相关系数及平均亮度之差确定的:当待分析的实时数据图像和对应参考图像的公共网格灰度的相关系数小于或等于设定的相关系数阈值时,则对应的网格为变化网格;
当不能通过相关系数确定变换网格时,则利用公共网格的平均亮度进行分析时,待分析的实时数据图像的平均亮度与对应参考图像的平均亮度之差小于设定的阈值,则对应网格为改变网格。设定一个阈值判断网格是否发生变化的标尺,是一个经验值。
相关系数是描述两个网格的灰度相关性,相关系数越大证明两幅图像相关性越高,相关系数越小证明两幅图像相关越小,通过设定阈值可以判断是否图像是否发生变化。公式如下:
平均亮度之差即为均值:
很显然,物体在画面中移动肯定会使相关区域灰度产生变化,为了快速检测到变化,本发明需要划分网格,首先检测网格线,再检测网格,使计算量下降;描述图像变化的参数有以上三个。
在实际分析过程中,平均亮度在两个阈值以下的被确定为变化的网格,两个阈值分别为一个高阈值和一个低阈值,高阈值用于判定平均亮度是否失效,当平均亮度这个参数在高亮度情况会失效;低阈值则用于判断是否变化的阈值。
优选的,所述根据变化的网格确定空间的连续性的具体方式为:分析变化的网格,参照预定的目标移动物体的阈值大小来确定空间的连续性
与现有技术相比,本发明的有益效果为:本发明通过对图片先进行网格分割,不仅能根据实际的噪声形状确定特定的屏蔽区域,而且能大大减小动体识别中的计算量,从而可以及时准确地提供移动体的运动轨迹信息。
附图说明
图1为本发明移动物体快速识别的流程图。
图2为对处理采集到的视频数据流示意图。
图3为通过图像分析来检测运动对象的流程图。
具体实施方式
下面结合附图对本发明做进一步的描述,但本发明的实施方式并不限于此。
本实施方式要解决的技术问题在于,能很好地避免噪声所引起的移动物体的误判,能快速识别移动物体,从而提供及时准确的移动物体的运动轨迹信息。
对于视角固定的摄像机而言,噪声干扰一般会出现在特定的区域。但是噪声在图像中不是以规则的形状出现的,直接屏蔽图像中某个规则的区域来对噪声进行处理,将会出现两个问题:当屏蔽的区域太小,则有些噪声仍会留下,仍有可能出现误判的情况;当屏蔽的区域太大,则有可能将移动物体的信息也屏蔽了。为此屏蔽噪声首先要根据噪声特定的形状来确定屏蔽区域,在本实施例中采用的是如下方法:首先,根据实际情况,确定图片的扫描线条数,确定每个扫描网格的大小,然后根据噪声的形状确定哪些网格已被噪声覆盖,最后将这些网格屏蔽就可以了。通过网格将图片细化的方式,能很好地根据噪声的形状确定合适的屏蔽区域。
传统的移动物体识别方法之所以运行时间长,其中最主要的原因就是对整幅图片的所有像素进行了计算,计算量非常大。而在本实施方式中的基于网格扫描的移动物体快速识别方法采用的是如下原理:首先根据不同的时间段,确定相应的模版图片,然后根据要识别移动物体的尺寸大小目标,确定扫描线的条数,由此确定扫描网格的大小。然后将摄像机实时采集到的数据图像与参考图像进行分析比较,来检测共同线段部分的亮度值的强弱变化,以此确定变换的线段。由于计算时只对线段的像素进行计算,CPU的计算量是非常小的,分析的高速处理成为可能。提取与变化线段接触的网格对象,以比较分析数据图像和参考图像共同网格的亮度变化,以确定在单元格中的图像变化。因为计算对象被限制在与变化线接触的网格,CPU的计算量可以被有效地降低,从而大大提高移动物体识别的速度。
本实施方式通过对图片进行网格分割,不仅能根据实际的噪声形状确定特定的屏蔽区域,而且能大大减小移动物体识别中的计算量,从而可以及时准确地提供移动物体的运动轨迹信息。
本实施方式提出的一种移动物体快速识别方法的流程图如图1,主要步骤:
1.确定移动物体识别的尺寸目标大小,由此确定图像网络的规格(包括图像的扫描线条数和扫描网格的大小);
2.读入实时采集到的数据图片,通过与参考图片进行分析比较,根据实际情况计算合适的参数,如相关系数,灰度平均值,标准偏差等确定变化的线段;
3.根据变化的线段,确定变化的网格,然后将变化的网格连通,形成反映移动物体的连续体;
4.根据连续体信息,输出移动物体信息。
实施例1
以下结合实例对本发明的移动物体快速识别方法进行具体说明:
在使用水下摄像机连续监测海洋生物时,要直观地确定人类捕获的视频,有必要回放处理庞大的视频,确认未命中时发生人为错误的可能性。此外,再次重复该视觉工作相同的验证后,快速地查看一个问题的调查结果是十分必要的。在这个过程中如果单纯的依靠人力其工作量是很大的,故一般会利用计算机图像处理技术的计算机视觉功能的信息处理能力;计算机处理采集到的视频数据流如图2所示。
通过图像分析来检测运动对象的流程图如图3所示:为了确定生物种的出现,在本实施例中提取一定尺寸以上的变化。
在图像分析中对运动目标进行提取前先定义了数据项和图像组件:
1)线段:在像素大小为320×240的静止图像中以20个像素为间隔,分成多个线段,总数为165个(15×11)。
2)格:在上述的划分中,它被分成总数为192(16×12)的正方形网格。
3)区域:指由多个网格上面形成的一个代表该图像的运动检测范围。
4)参考图像:参考图像为从已拍摄的视频中取出的参考图像静止图像,而不是捕捉运动的图像,如鱼。在初始化阶段,将由操作者手动指定视觉判断,但在图像分析过程中,水下辐照度会随时间而变化,它会自动切换到最近的参考图像,每10分钟更换一张参考图片。
5)待分析的实时数据图像:以一秒钟为间隔从拍摄期间的视频图像中创建分析的静止图像。
本实施例的移动物体快速识别方法,即对图像进行分析,其具体过程为:
步骤1:提取改变的线段
把每一个待分析图像与参考图像进行分析比较来检测共同线段部分的亮度值的强弱变化。在本实施例中通过计算标准偏差比(实时数据图像的标准偏差/ 对应参考图像的标准偏差)检测方法进行。在此因为只对线段的像素进行计算, CPU的计算量是非常小的,分析的高速处理成为可能。
步骤2:提取改变的网格
提取与在步骤1中提取的变化线段接触的网格对象,比较待分析图像和参考图像的共同网格的亮度变化,以确定在单元格中的图像变化。通过计算相关系数及平均亮度之差的检测方法进行。需要注意的是计算的对象,因为限制在与变化线接触的网格,CPU的计算量可以被有效地降低。此外,本步骤的计算,能消除残留在第1步计算结果中变化的噪声。
步骤例3:空间的连续性分析
分析变化的网格,参照预定的目标移动物体的阈值大小,来确定空间的连续性,以检测在最终图像中的运动物体的变化。因此,可以去除光的小体信息和鱼的光晕现象。
白天和黑夜的判断
针对日落之后或日出前时候的暗图像,图像的分析上有限制,当线段的平均灰度值变为规定值以下时,它就会自动停止分析。
移动物体的分类
在此分析中,提取出的动体信息整理如下:
表1动体分类表
实验结果显示,该分析方法确认能提高处理的速度。一天(约14小时)的平均处理时间为约30-40分钟。进一步,一台PC(CPU为2GHZ)在同一时间,最大可以同时进行四个图像处理。
以上所述的本发明的实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所作出的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围之内。
Claims (5)
1.一种移动物体的快速识别方法,其特征在于,包括以下步骤:
构建参考图像库:在不同的时间段获取对应的参考图像,并根据所要识别的移动物体的大小,确定所述参考图像的扫描线段数,并确定扫描网格的大小,对参考图像进行网格划分;
移动物体的识别:实时采集对应场景的数据图像,根据扫描网格的大小对数据图像进行划分,再根据噪声的形状确定已被噪声覆盖的网格并屏蔽;
将噪声屏蔽后的实时数据图像与对应时间段的参考图像进行分析比较,确定变化的线段,根据变化的线段确定变化的网格,再根据变化的网格确定空间的连续性,最后根据空间的连续性提取出移动物体的轨迹。
2.根据权利要求1所述的移动物体的快速识别方法,其特征在于,所述将噪声屏蔽后的实时数据图像与对应时间段的参考图像进行分析比较,确定变化的线段的具体方式为:分析比较实时数据图像与对应参考图像,检测共同线段部分,分别获取待分析的实时数据图像的标准偏差和对应参考图像的标准偏差,获取标准偏差比,当标准偏差比大于所设定的偏差比阈值时,则对应的线段为变换线段;其中标准偏差比=实时数据图像的标准偏差/对应参考图像的标准偏差。
3.根据权利要求2所述的移动物体的快速识别方法,其特征在于,所述标准偏差比阈值的大小要保证其应用到整个图像范围时,在亮度变化小时也能对所提取的移动物体进行判断。
4.根据权利要求2或3所述的移动物体的快速识别方法,其特征在于,所述变化的网格是由与变化的线段相接的网格内的相关系数确定的:当待分析的实时数据图像和对应参考图像的公共网格灰度的相关系数小于或等于设定的相关系数阈值时,则对应的网格为变化的网格。
5.根据权利要求4所述的移动物体的快速识别方法,其特征在于,所述根据变化的网格确定空间的连续性的具体方式为:分析变化的网格,参照预定的目标移动物体的阈值大小来确定空间的连续性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410836491.3A CN104820818B (zh) | 2014-12-26 | 2014-12-26 | 一种移动物体的快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410836491.3A CN104820818B (zh) | 2014-12-26 | 2014-12-26 | 一种移动物体的快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104820818A CN104820818A (zh) | 2015-08-05 |
CN104820818B true CN104820818B (zh) | 2018-05-08 |
Family
ID=53731109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410836491.3A Expired - Fee Related CN104820818B (zh) | 2014-12-26 | 2014-12-26 | 一种移动物体的快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104820818B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052585B (zh) * | 2017-12-11 | 2021-11-23 | 江苏丰华联合科技有限公司 | 一种复杂环境中动态目标的判定方法 |
CN108391097A (zh) * | 2018-04-24 | 2018-08-10 | 冼汉生 | 一种视频图像上传方法、装置及计算机存储介质 |
CN113514812B (zh) * | 2021-09-14 | 2021-12-14 | 北京海兰信数据科技股份有限公司 | 一种岸基雷达杂波抑制处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101203880A (zh) * | 2005-06-21 | 2008-06-18 | 株式会社博思科 | 房屋的变动判断方法及房屋的变动判断装置 |
CN103455797A (zh) * | 2013-09-07 | 2013-12-18 | 西安电子科技大学 | 航拍视频中运动小目标的检测与跟踪方法 |
KR101438451B1 (ko) * | 2013-04-17 | 2014-09-12 | 서울대학교산학협력단 | 비고정 카메라 영상에 대한 이중모드 sgm 기반의 이동체 고속 검출 방법 및 이를 위한 컴퓨터로 판독가능한 기록매체 |
-
2014
- 2014-12-26 CN CN201410836491.3A patent/CN104820818B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101203880A (zh) * | 2005-06-21 | 2008-06-18 | 株式会社博思科 | 房屋的变动判断方法及房屋的变动判断装置 |
KR101438451B1 (ko) * | 2013-04-17 | 2014-09-12 | 서울대학교산학협력단 | 비고정 카메라 영상에 대한 이중모드 sgm 기반의 이동체 고속 검출 방법 및 이를 위한 컴퓨터로 판독가능한 기록매체 |
CN103455797A (zh) * | 2013-09-07 | 2013-12-18 | 西安电子科技大学 | 航拍视频中运动小目标的检测与跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104820818A (zh) | 2015-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106856002B (zh) | 一种无人机拍摄图像质量评价方法 | |
CN108040997B (zh) | 一种基于机器视觉的虫害监测方法 | |
CN105930822A (zh) | 一种人脸抓拍方法及系统 | |
CN111178197A (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN105844659B (zh) | 运动部件的跟踪方法和装置 | |
CN111046880A (zh) | 一种红外目标图像分割方法、系统、电子设备及存储介质 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN107437068B (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 | |
CN104820818B (zh) | 一种移动物体的快速识别方法 | |
Fier et al. | Automatic fish counting system for noisy deep-sea videos | |
CN109886170A (zh) | 一种钉螺智能检测识别与统计系统 | |
CN107657260B (zh) | 一种输电线路周边环境中地面隐患的检测方法 | |
Koniar et al. | Machine vision application in animal trajectory tracking | |
Murari et al. | Algorithms for the automatic identification of MARFEs and UFOs in JET database of visible camera videos | |
Madshaven et al. | Hole detection in aquaculture net cages from video footage | |
Li et al. | Image reflection removal via contextual feature fusion pyramid and task-driven regularization | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN108520255A (zh) | 一种红外弱小目标检测方法及装置 | |
Zhang et al. | Classification and recognition of fish farming by extraction new features to control the economic aquatic product | |
CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
Yu et al. | MSER based shadow detection in high resolution remote sensing image | |
CN116452976A (zh) | 一种煤矿井下安全检测方法 | |
CN114332096A (zh) | 基于深度学习的猪场猪只实例分割方法 | |
Chen et al. | Underwater object detection with mixed attention mechanism and multi-enhancement strategy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate 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 |
Granted publication date: 20180508 |
|
CF01 | Termination of patent right due to non-payment of annual fee |