CN105894546A - 一种在皮带机上的运动物体的视频图像模型化处理方法 - Google Patents
一种在皮带机上的运动物体的视频图像模型化处理方法 Download PDFInfo
- Publication number
- CN105894546A CN105894546A CN201610271835.XA CN201610271835A CN105894546A CN 105894546 A CN105894546 A CN 105894546A CN 201610271835 A CN201610271835 A CN 201610271835A CN 105894546 A CN105894546 A CN 105894546A
- Authority
- CN
- China
- Prior art keywords
- image
- contour
- closed contour
- path
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种在皮带机上的运动物体的视频图像模型化处理方法,提取图像队列中的图像信息,经过目标轮廓识别后得物体闭合轮廓图像,提取物体闭合轮廓图像判断该边缘轮廓路径是否为闭合轮廓路径,将闭合轮廓路径分别计算出像素宽度、像素高度及闭合轮廓面积,分别对应与设定的最小像素宽度值、最小像素高度值以及最小图像面积值作比较,若都通过,则将该边缘轮廓路径存入图像块模型单元中。重复上述的判断处理过程至完成对所有闭合轮廓路径的处理后,完成对该帧视频图像模型化处理过程,得图像块模型单元,本发明的处理方法能够快速有效的将视频图像中的目标物体模型化,以方便之后的进一步处理。
Description
技术领域
本发明涉及一种图像模型化处理方法,更具体地说,尤其涉及一种在皮带机上的运动物体的视频图像模型化处理方法。
背景技术
传统的皮带机计数器是采用红外传感器安装固定在传送带的两侧,一端发射红外线、另一端接收此红外线信号,当目标物品从中间通过遮挡到红外线时,会触发计数器进行计数。根据上述计数器的工作原理可知,被检测识别的目标物品通常比较大件,并且在传送带中传送时为单通道,只有将目标物品一个一个地依次通过红外传感器才能够逐一识别计数。如果被检测的目标物品体积细薄且数量比较多,当这些目标物品在传送带上批量传送的话,红外传感器不能够对其进行批量识别,传统的皮带机计数器将不能将其识别并计算。如今,随计算机技术的高速发展,亟待发明一种针对运动的细小物体进行视频识别的技术处理方法,以满足现代加工制造业的生产需要。而在对运动物体的视频图像的过程中,如何将视频图像中的目标物体模型化成为了其中一个关键的步骤。
发明内容
本发明的目的在于提供一种在皮带机上的运动物体的视频图像模型化处理方法,利用该处理方法能够快速有效的将视频图像中的目标物体模型化,以方便之后的进一步处理。
本发明的技术方案如下:
一种在皮带机上的运动物体的视频图像模型化处理方法,包括如下处理步骤:
(1)从图像存储装置的提取图像队列中最前一帧的图像信息后经过目标轮廓识别后得物体闭合轮廓图像;
(2)在步骤(1)所得的物体闭合轮廓图像中查找提取一个未处理的边缘轮廓路径,若提取成功,则进入下一处理步骤,若提取不成功,则完成对闭合轮廓图像的处理过程;
(3)在通过了步骤(2)的边缘轮廓路径,判断该边缘轮廓路径是否为闭合轮廓路径,若该边缘轮廓路径为闭合轮廓路径,则进入下一处理步骤,否则跳过该边缘轮廓路径查找下一个边缘轮廓路径;
(4)将通过了步骤(3)的闭合轮廓路径计算出像素宽度并与设定的最小像素宽度值比较,若闭合轮廓路径的像素宽度大于最小像素宽度,则进入下一个处理步骤,否则跳回至步骤(2);
(5)将通过了步骤(4)的闭合轮廓路径计算出像素高度并与设定的最小像素高度值比较,若闭合轮廓路径的像素高度大于最小像素高度,则进入下一个处理步骤,否则跳回至步骤(2);
(6)将通过了步骤(5)的闭合轮廓路径计算出闭合轮廓面积,并将得到的闭合轮廓面积与设定的最小图像面积值比较,若闭合轮廓面积大于最小图像面积值,则进入下一个处理步骤,否则跳回至步骤(2);
(7)将通过了步骤(6)比较所得的边缘轮廓路径存入图像块模型单元中,并跳回至步骤(2);
优选的,在步骤(4)中,根据物体的实际形状计算出物体轮廓宽度像素值,所述的最小像素宽度值为物体轮廓宽度像素值的0.75~0.85倍。
优选的,在步骤(5)中,根据物体的实际形状计算出物体轮廓高度像素值,所述的最小像素高度值为物体轮廓高度像素值的0.85~0.95倍。
优选的,在步骤(6)中,根据物体的实际形状计算出物体轮廓面积,所述的最小图像面积值为物体轮廓面积的0.7~0.9倍。
与现有技术相比,本发明具有的有益效果为:
本发明的一种在皮带机上的运动物体的视频图像模型化处理方法,先提取图像队列中最前一帧的图像信息,经过目标轮廓识别后得物体闭合轮廓图像,然后在物体闭合轮廓图像中查找提取一个未处理的边缘轮廓路径,若提取成功,则判断该边缘轮廓路径是否为闭合轮廓路径,若该边缘轮廓路径为闭合轮廓路径,则将该闭合轮廓路径分别计算出像素宽度、像素高度及闭合轮廓面积,再将计算出来闭合轮廓路径的像素宽度、像素高度及闭合轮廓面积分别对应与设定的最小像素宽度值、最小像素高度值以及最小图像面积值作比较,若都通过对比,则将该边缘轮廓路径存入图像块模型单元中。重复上述的判断处理过程直至完成对该闭合轮廓图像中所有闭合轮廓路径的处理后,完成对该帧视频图像模型化处理过程,所得的图像块模型单元即为最后处理的结果。本发明的处理方法能够快速有效的将视频图像中的目标物体模型化,以方便之后的进一步处理。
附图说明
图1是本发明的控制流程图。
具体实施方式
下面结合具体实施方式,对本发明的技术方案作进一步的详细说明,但不构成对本发明的任何限制。
参照图1所示,本发明的一种在皮带机上的运动物体的视频图像模型化处理方法,包括如下处理步骤:
(1)从图像存储装置的提取图像队列中最前一帧的图像信息后经过目标轮廓识别后得物体闭合轮廓图像,对图像队列中的图像信息按顺序一帧一帧的进行处理。
(2)在步骤(1)所得的物体闭合轮廓图像中查找提取一个未处理的边缘轮廓路径,若提取成功,则进入下一处理步骤,若提取不成功,则完成对闭合轮廓图像的处理过程。
(3)在通过了步骤(2)的边缘轮廓路径,判断该边缘轮廓路径是否为闭合轮廓路径,若该边缘轮廓路径为闭合轮廓路径,则进入下一处理步骤,否则跳过该边缘轮廓路径查找下一个边缘轮廓路径。
(4)将通过了步骤(3)的闭合轮廓路径计算出像素宽度并与设定的最小像素宽度值比较,若闭合轮廓路径的像素宽度大于最小像素宽度,则进入下一个处理步骤,否则跳回至步骤(2)。其中,根据物体的实际形状计算出物体轮廓宽度像素值,所述的最小像素宽度值为物体轮廓宽度像素值的0.75~0.85倍。
(5)将通过了步骤(4)的闭合轮廓路径计算出像素高度并与设定的最小像素高度值比较,若闭合轮廓路径的像素高度大于最小像素高度,则进入下一个处理步骤,否则跳回至步骤(2)。其中,根据物体的实际形状计算出物体轮廓高度像素值,所述的最小像素高度值为物体轮廓高度像素值的0.85~0.95倍。
(6)将通过了步骤(5)的闭合轮廓路径计算出闭合轮廓面积,并将得到的闭合轮廓面积与设定的最小图像面积值比较,若闭合轮廓面积大于最小图像面积值,则进入下一个处理步骤,否则跳回至步骤(2)。其中,根据物体的实际形状计算出物体轮廓面积,所述的最小图像面积值为物体轮廓面积的0.7~0.9倍。
(7)将通过了步骤(6)比较所得的边缘轮廓路径存入图像块模型单元中,并跳回至步骤(2)。
本发明的一种在皮带机上的运动物体的视频图像模型化处理方法,先提取图像队列中最前一帧的图像信息,经过目标轮廓识别后得物体闭合轮廓图像,然后在物体闭合轮廓图像中查找提取一个未处理的边缘轮廓路径,若提取成功,则判断该边缘轮廓路径是否为闭合轮廓路径,若该边缘轮廓路径为闭合轮廓路径,则将该闭合轮廓路径分别计算出像素宽度、像素高度及闭合轮廓面积,再将计算出来闭合轮廓路径的像素宽度、像素高度及闭合轮廓面积分别对应与设定的最小像素宽度值、最小像素高度值以及最小图像面积值作比较,若都通过对比,则将该边缘轮廓路径存入图像块模型单元中。重复上述的判断处理过程直至完成对该闭合轮廓图像中所有闭合轮廓路径的处理后,完成对该帧视频图像模型化处理过程,所得的图像块模型单元即为最后处理的结果,本发明的处理方法能够快速有效的将视频图像中的目标物体模型化,以方便之后的进一步处理。
以上所述仅为本发明的较佳实施例,凡在本发明的精神和原则范围内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种在皮带机上的运动物体的视频图像模型化处理方法,其特征在于,包括如下处理步骤:
(1)从图像存储装置的提取图像队列中最前一帧的图像信息后经过目标轮廓识别后得物体闭合轮廓图像;
(2)在步骤(1)所得的物体闭合轮廓图像中查找提取一个未处理的边缘轮廓路径,若提取成功,则进入下一处理步骤,若提取不成功,则完成对闭合轮廓图像的处理过程;
(3)在通过了步骤(2)的边缘轮廓路径,判断该边缘轮廓路径是否为闭合轮廓路径,若该边缘轮廓路径为闭合轮廓路径,则进入下一处理步骤,否则跳过该边缘轮廓路径查找下一个边缘轮廓路径;
(4)将通过了步骤(3)的闭合轮廓路径计算出像素宽度并与设定的最小像素宽度值比较,若闭合轮廓路径的像素宽度大于最小像素宽度,则进入下一个处理步骤,否则跳回至步骤(2);
(5)将通过了步骤(4)的闭合轮廓路径计算出像素高度并与设定的最小像素高度值比较,若闭合轮廓路径的像素高度大于最小像素高度,则进入下一个处理步骤,否则跳回至步骤(2);
(6)将通过了步骤(5)的闭合轮廓路径计算出闭合轮廓面积,并将得到的闭合轮廓面积与设定的最小图像面积值比较,若闭合轮廓面积大于最小图像面积值,则进入下一个处理步骤,否则跳回至步骤(2);
(7)将通过了步骤(6)比较所得的边缘轮廓路径存入图像块模型单元中,并跳回至步骤(2)。
2.根据权利要求1所述的一种在皮带机上的运动物体的视频图像模型化处理方法,其特征在于,在步骤(4)中,根据物体的实际形状计算出物体轮廓宽度像素值,所述的最小像素宽度值为物体轮廓宽度像素值的0.75~0.85倍。
3.根据权利要求1所述的一种在皮带机上的运动物体的视频图像模型化处理方法,其特征在于,在步骤(5)中,根据物体的实际形状计算出物体轮廓高度像素值,所述的最小像素高度值为物体轮廓高度像素值的0.85~0.95倍。
4.根据权利要求1至3所述的一种在皮带机上的运动物体的视频图像模型化处理方法,其特征在于,在步骤(6)中,根据物体的实际形状计算出物体轮廓面积,所述的最小图像面积值为物体轮廓面积的0.7~0.9倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610271835.XA CN105894546A (zh) | 2016-04-27 | 2016-04-27 | 一种在皮带机上的运动物体的视频图像模型化处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610271835.XA CN105894546A (zh) | 2016-04-27 | 2016-04-27 | 一种在皮带机上的运动物体的视频图像模型化处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105894546A true CN105894546A (zh) | 2016-08-24 |
Family
ID=56702451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610271835.XA Pending CN105894546A (zh) | 2016-04-27 | 2016-04-27 | 一种在皮带机上的运动物体的视频图像模型化处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894546A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113983957A (zh) * | 2021-10-29 | 2022-01-28 | 西南交通大学 | 多源信息融合的轮对廓形动态识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635049A (zh) * | 2009-06-04 | 2010-01-27 | 北京中星微电子有限公司 | 图像区域的聚类方法和装置以及轮廓搜索方法和装置 |
CN101673345A (zh) * | 2009-07-01 | 2010-03-17 | 北京交通大学 | 基于形状先验的提取目标闭合轮廓的方法 |
CN104376162A (zh) * | 2014-11-12 | 2015-02-25 | 中国航空动力机械研究所 | 叶片建模方法 |
-
2016
- 2016-04-27 CN CN201610271835.XA patent/CN105894546A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635049A (zh) * | 2009-06-04 | 2010-01-27 | 北京中星微电子有限公司 | 图像区域的聚类方法和装置以及轮廓搜索方法和装置 |
CN101673345A (zh) * | 2009-07-01 | 2010-03-17 | 北京交通大学 | 基于形状先验的提取目标闭合轮廓的方法 |
CN104376162A (zh) * | 2014-11-12 | 2015-02-25 | 中国航空动力机械研究所 | 叶片建模方法 |
Non-Patent Citations (5)
Title |
---|
GRYCUK RAFAL 等: "From Single Image to List of Objects Based on Edge and Blob Detection", 《INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND SOFT COMPUTING》 * |
HJ AL-EQABIE 等: "Recognition of Primary Geometric Shapes Using Image Segmentation and Blobs", 《EUROPEAN ACADEMIC RESEARCH》 * |
楼亮亮 等: "基于AForge.NET类库的视频移动目标检测", 《现代电子技术》 * |
谢树煜 等: "实时视频对象识别与计数系统的模型和算法设计", 《清华大学学报(自然科学版)》 * |
马先英 等: "基于图像识别技术的海参分级与计数设备的设计", 《大连水产学院学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113983957A (zh) * | 2021-10-29 | 2022-01-28 | 西南交通大学 | 多源信息融合的轮对廓形动态识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI608369B (zh) | 分類方法、分類模組及電腦程式產品 | |
CN107084992B (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
CN109882019B (zh) | 一种基于目标检测和动作识别的汽车电动尾门开启方法 | |
CN105976396A (zh) | 用于视频图像识别在传送带上运动物体的方法 | |
CN109816648B (zh) | 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法 | |
CN105069447B (zh) | 一种人脸表情的识别方法 | |
CN106228546A (zh) | 一种板卡的检测方法及装置 | |
US20200193146A1 (en) | Method and device for recognizing identity of human target | |
Niu et al. | DefectGAN: Weakly-supervised defect detection using generative adversarial network | |
CN109433641B (zh) | 基于机器视觉的片剂胶囊灌装遗漏智能检测方法 | |
CN112318485B (zh) | 物体分选系统及其图像处理方法、装置 | |
CN106067031B (zh) | 基于人工纠错机制与深度学习网络协作机器视觉识别系统 | |
CN113222982A (zh) | 基于改进的yolo网络的晶圆表面缺陷检测方法及系统 | |
CN105956656B (zh) | 一种用于对运动物体进行计数的设备 | |
US11804059B2 (en) | Pedestrian re-identification method and apparatus | |
CN111223104B (zh) | 一种包裹提取及跟踪方法、装置及电子设备 | |
CN105894546A (zh) | 一种在皮带机上的运动物体的视频图像模型化处理方法 | |
CN105975910A (zh) | 一种用于对运动物体进行视频识别的技术处理方法及其系统 | |
CN104281851A (zh) | 车标信息的提取方法及装置 | |
Lei et al. | Multiscale convolution-based probabilistic classification for detecting bare PCB defects | |
CN112338898B (zh) | 物体分选系统的图像处理方法、装置及物体分选系统 | |
CN115532620B (zh) | 一种纸浆模塑制品质检装置和方法 | |
CN111968102A (zh) | 一种目标设备检测方法、系统、介质及电子终端 | |
CN110866917A (zh) | 一种基于机器视觉的药片类型及排列方式识别方法 | |
Cao et al. | Wafer surface defect detection based on improved YOLOv3 network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160824 |