CN106251345A - 一种实时监测视频对比度异常的方法 - Google Patents
一种实时监测视频对比度异常的方法 Download PDFInfo
- Publication number
- CN106251345A CN106251345A CN201610597760.4A CN201610597760A CN106251345A CN 106251345 A CN106251345 A CN 106251345A CN 201610597760 A CN201610597760 A CN 201610597760A CN 106251345 A CN106251345 A CN 106251345A
- Authority
- CN
- China
- Prior art keywords
- image
- sigma
- abnormal
- real
- contrast
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种实时监测视频对比度异常的方法,包括以下步骤:(1)输入图像;(2)计算图像的平均梯度特征;(3)计算图像的Brenner梯度特征;(4)计算图像的结构相似性特征;(5)对步骤(2)‑(4)中的各项特征进行SVM分类判别。本发明提供了一种实时监测视频对比度异常的方法,该方法能够通过多特征融合的方式来完成对野外视频的监控,更好的适应了野外视频的复杂情况,提高了判断的准确率。
Description
技术领域
本发明属于图像处理领域,具体是指一种实时监测视频对比度异常的方法。
背景技术
视觉信息是人们在自然界当中感知的最主要的信息,研究表明,人类接收到的全部信息当中,通过视觉系统得到的占到70%以上。在实际生产活动中,尤其是野外视频监控领域,常常由于光线不足、雾霾、烟雾、团雾、废弃泄露等因素的影响,使得所获得的监控视频图像的亮度异常,对比度不够明显,导致拍摄场景无法看清,影响了对正常生产活动的监控与监测。为了更好的服务于生产活动,获得质量更好的监控视频,有必要提早发现图像对比度异常的情况,以方便管理人员及时纠正监控设备。现有的图像对比度检测方法主要有平均梯度法,信噪比法等;其中,平均梯度法通过计算图像整体的梯度平均值来表示对比度的强弱,而对于野外监控而言,由于使用环境恶劣,不可避免的将会出现一定的噪声干扰,从而导致了采用平均梯度法来判断对比度异常的准确率较低的情况出现;而信噪比的方法需要将计算信号和噪声的比值来确定对比度,但噪声通常跟信号混杂在一起,无法准确分割出来,因此信噪比的方法在实际应用过程中意义不大。针对上述情况,如今需要一种更加适用于野外视频监控的图像检测方法。
发明内容
本发明的目的在于克服上述问题,提供了一种实时监测视频对比度异常的方法,该方法能够通过多特征融合的方式来完成对野外视频的监控,更好的适应了野外视频的复杂情况,提高了判断的准确率。
本发明的目的通过下述技术方案实现:
一种实时监测视频对比度异常的方法,包括以下步骤:
(1)输入图像;
(2)计算图像的平均梯度特征;
(3)计算图像的Brenner梯度特征;
(4)计算图像的结构相似性特征;
(5)对步骤(2)-(4)中的各项特征进行SVM分类判别。
步骤(2)中计算图像的平均梯度特征的定义公式为:
其中,为图像的平均梯度特征,M和N分别表示图像的高度和宽度,Δmf(m,n)和Δnf(m,n)分别表示图像在像素点(m,n)的m和n方向上的差分,而f(m,n)则代表像素点(m,n)处的图像像素值,即:
Δmf(m,n)=f(m,n)-f(m-1,n),
Δnf(m,n)=f(m,n)-f(m,n-1)。
步骤(3)中图像的Brenner梯度特征为:
其中,f(x,y)该图像的灰度图像,M×N为该灰度图像f(x,y)的大小,M和N分别为该灰度图像f(x,y)的宽和高。
步骤(4)中的计算图像结构相似性特征首先需要将原始图像进行低通滤波,得到参考图像,并计算参考图像和原始图像之间的结构相似性,而该结构相似性则是通过计算参考图像和原始图像之间的结构相似度得到的,其中的结构相似度既SSIM;SSIM将图像分为亮度L,对比度C,结构S三个部分并分别进行比较,然后加权乘积获得最终的SSIM值,具体的计算公式为:
SSIM(x,y)=[L(x,y)]α[C(x,y)]β[S(x,y)]γ,
其中,ux和uy分别为参考图像和原始图像的亮度平均值,σx和σy为标准差,σxy为协方差,C1,C2,C3均为常数。
步骤(5)中需要首先收集若干张对比度正常和异常的监控视频图像作为正样本和负样本,并对正样本和负样本分别提取上述(2)-(4)步中的各项特征形成特征向量;接着利用SVM二元分类器进行学习训练成为分类器模型,其中,训练样本为(xi,yi),xi代表特征向量,yi代表对应的类别,该对应的类别是指对比度正常或异常,那么相应的分类函数则为:
其中b*是分类阈值,当时,x就属于该类,否则就不属于该类。
本发明与现有技术相比,具有以下优点及有益效果:
本发明的方法能够通过多特征融合的方式来完成对野外视频的监控,更好的适应了野外视频的复杂情况,提高了判断的准确率,使得管理人员能够及时的纠正监控设备,很好的提高了野外视频的质量,进而使得人们对野外视频的检测与监控更加方便。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明作进一步的详细说明,但本发明的实施方式不限于此。
实施例
如图1所示,一种实时监测视频对比度异常的方法,其特征在于:包括以下步骤:
(1)输入图像,既将视频图像输入。
(2)计算图像的平均梯度特征;
计算图像的平均梯度特征的定义公式为:
其中,为图像的平均梯度特征,M和N分别表示图像的高度和宽度,Δmf(m,n)和Δnf(m,n)分别表示图像在像素点(m,n)的m和n方向上的差分,而f(m,n)则代表像素点(m,n)处的图像像素值,即:
Δmf(m,n)=f(m,n)-f(m-1,n),
Δnf(m,n)=f(m,n)-f(m,n-1)。
(3)计算图像的Brenner梯度特征;
一个大小为M×N的灰度图像f(x,y)的Brenner特征定义为:
Brenner梯度特征可以看作是模板T=[-1,0,1]和对应位置的图像像素[f(x,y),f(x+1,y),f(x+2,y)]依次进行卷积,在图像中每一个像素点处,其响应为掩模模板系数与掩模下方对应的像素值的乘积之和;
其中,模板T=[-1,0,1]是一个带通滤波器,Brenner梯度特征正是通过带通滤波来滤除比例较大的低频能量,而保留在图像中的中频部分的能量;
那么,步骤(3)中图像的Brenner梯度特征为:
其中,f(x,y)为该图像的灰度图像,M×N为该灰度图像f(x,y)的大小,M和N分别为该灰度图像f(x,y)的宽和高。
(4)计算图像的结构相似性特征;
计算图像结构相似性特征首先需要将原始图像进行低通滤波,得到参考图像,并计算参考图像和原始图像之间的结构相似性,而该结构相似性则是通过计算参考图像和原始图像之间的结构相似度得到的,其中的结构相似度既SSIM;SSIM将图像分为亮度L,对比度C,结构S三个部分并分别进行比较,然后加权乘积获得最终的SSIM值,具体的计算公式为:
SSIM(x,y)=[L(x,y)]α[C(x,y)]β[S(x,y)]γ,
其中,ux和uy分别为参考图像和原始图像的亮度平均值,σx和σy为标准差,σxy为协方差,C1,C2,C3均为常数,这三个常数主要是为了防止上述公式中的分母接近0时产生不稳定现象;
实际使用过程中,用8x8的窗口逐个像素的在原始图像和参考图像上移动,计算窗口对应子图像的SSIM值,并对所有SSIM值求平均,便可以得到整个图像的SSIM值。
(5)对步骤(2)-(4)中的各项特征进行SVM分类判别。
需要首先收集若干张对比度正常和异常的监控视频图像作为正样本和负样本,并对正样本和负样本分别提取上述(2)-(4)步中的各项特征形成特征向量;接着利用SVM二元分类器进行学习训练成为分类器模型,其中,训练样本为(xi,yi),xi代表特征向量,yi代表对应的类别,该对应的类别是指对比度正常或异常,那么相应的分类函数则为:
其中b*是分类阈值,当时,x就属于该类,否则就不属于该类。
在完成了SVM分类判别之后,分类后的图像则进入相应分类的处理模块进行处理。比如,在图像的对比度异常时进行报警提示,告知用户监控视频数据异常等。
如上所述,便可很好的实现本发明。
Claims (5)
1.一种实时监测视频对比度异常的方法,其特征在于:包括以下步骤:
(1)输入图像;
(2)计算图像的平均梯度特征;
(3)计算图像的Brenner梯度特征;
(4)计算图像的结构相似性特征;
(5)对步骤(2)-(4)中的各项特征进行SVM分类判别。
2.根据权利要求1所述的一种实时监测视频对比度异常的方法,其特征在于:步骤(2)中计算图像的平均梯度特征的定义公式为:
其中,为图像的平均梯度特征,M和N分别表示图像的高度和宽度,Δmf(m,n)和Δnf(m,n)分别表示图像在像素点(m,n)的m和n方向上的差分,而f(m,n)则代表像素点(m,n)处的图像像素值,即:
Δmf(m,n)=f(m,n)-f(m-1,n),
Δnf(m,n)f(m,n)-f(m,n-1)。
3.根据权利要求1所述的一种实时监测视频对比度异常的方法,其特征在于:步骤(3)中图像的Brenner梯度特征为:
其中,f(x,y)为该图像的灰度图像,M×N为该灰度图像f(x,y)的大小,M和N分别为该灰度图像f(x,y)的宽和高。
4.根据权利要求1所述的一种实时监测视频对比度异常的方法,其特征在于:步骤(4)中的计算图像结构相似性特征首先需要将原始图像进行低通滤波,得到参考图像,并计算参考图像和原始图像之间的结构相似性,而该结构相似性则是通过计算参考图像和原始图像之间的结构相似度得到的,其中的结构相似度既SSIM;SSIM将图像分为亮度L,对比度C,结构S三个部分并分别进行比较,然后加权乘积获得最终的SSIM值,具体的计算公式为:
SSIM(x,y)=[L(x,y)]α[C(x,y)]β[S(x,y)]γ,
其中,ux和uy分别为参考图像和原始图像的亮度平均值,σx和σy为标准差,σxy为协方差,C1,C2,C3均为常数。
5.根据权利要求1所述的一种实时监测视频对比度异常的方法,其特征在于:步骤(5)中需要首先收集若干张对比度正常和异常的监控视频图像作为正样本和负样本,并对正样本和负样本分别提取上述(2)-(4)步中的各项特征形成特征向量;接着利用SVM二元分类器进行学习训练成为分类器模型,其中,训练样本为(xi,yi),xi代表特征向量,yi代表对应的类别,该对应的类别是指对比度正常或异常,那么相应的分类函数则为:
其中b*是分类阈值,当时,x就属于该类,否则就不属于该类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610597760.4A CN106251345A (zh) | 2016-07-26 | 2016-07-26 | 一种实时监测视频对比度异常的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610597760.4A CN106251345A (zh) | 2016-07-26 | 2016-07-26 | 一种实时监测视频对比度异常的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106251345A true CN106251345A (zh) | 2016-12-21 |
Family
ID=57603793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610597760.4A Pending CN106251345A (zh) | 2016-07-26 | 2016-07-26 | 一种实时监测视频对比度异常的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106251345A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898020A (zh) * | 2017-02-23 | 2017-06-27 | 江苏长天智远交通科技有限公司 | 基于视频处理的监控图像对比度异常识别方法及系统 |
CN107172421A (zh) * | 2017-07-17 | 2017-09-15 | 深圳森阳环保材料科技有限公司 | 一种用于视频监控的图像质量诊断系统 |
CN109268928A (zh) * | 2018-09-12 | 2019-01-25 | 长安大学 | 一种供热监控系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140169639A1 (en) * | 2011-06-28 | 2014-06-19 | Zte Corporation | Image Detection Method and Device |
CN104424632A (zh) * | 2013-08-23 | 2015-03-18 | 浙江大华技术股份有限公司 | 一种视频对比度异常检测方法及装置 |
CN105426840A (zh) * | 2015-11-18 | 2016-03-23 | 成都中昊英孚科技有限公司 | 一种基于多特征融合的红外森林火灾判定方法 |
CN105488536A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院合肥物质科学研究院 | 一种基于多特征深度学习技术的农田害虫图像识别方法 |
-
2016
- 2016-07-26 CN CN201610597760.4A patent/CN106251345A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140169639A1 (en) * | 2011-06-28 | 2014-06-19 | Zte Corporation | Image Detection Method and Device |
CN104424632A (zh) * | 2013-08-23 | 2015-03-18 | 浙江大华技术股份有限公司 | 一种视频对比度异常检测方法及装置 |
CN105426840A (zh) * | 2015-11-18 | 2016-03-23 | 成都中昊英孚科技有限公司 | 一种基于多特征融合的红外森林火灾判定方法 |
CN105488536A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院合肥物质科学研究院 | 一种基于多特征深度学习技术的农田害虫图像识别方法 |
Non-Patent Citations (4)
Title |
---|
NKWAVELET: "无参考图像的清晰度评价方法", 《HTTP://NKWAVELET.BLOG.163.COM/BLOG/STATIC/227756038201461532247117》 * |
朱秀昌 等: "《数字图像处理与图像通信》", 30 June 2014, 北京邮电大学出版社 * |
王健 等: "改进的Brenner图像清晰度评价算法", 《光子学报》 * |
赵学军: "《高光谱图像压缩与融合技术》", 31 July 2015, 北京邮电大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898020A (zh) * | 2017-02-23 | 2017-06-27 | 江苏长天智远交通科技有限公司 | 基于视频处理的监控图像对比度异常识别方法及系统 |
CN106898020B (zh) * | 2017-02-23 | 2020-09-22 | 江苏长天智远交通科技有限公司 | 基于视频处理的监控图像对比度异常识别方法及系统 |
CN107172421A (zh) * | 2017-07-17 | 2017-09-15 | 深圳森阳环保材料科技有限公司 | 一种用于视频监控的图像质量诊断系统 |
CN109268928A (zh) * | 2018-09-12 | 2019-01-25 | 长安大学 | 一种供热监控系统 |
CN109268928B (zh) * | 2018-09-12 | 2020-10-23 | 长安大学 | 一种供热监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184271A (zh) | 一种基于深度学习的车辆自动检测方法 | |
CN103065121B (zh) | 基于视频人脸分析的火车司机状态监控方法及装置 | |
CN101799876A (zh) | 一种视音频智能分析管控系统 | |
CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN101727672A (zh) | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 | |
CN105303191A (zh) | 一种前视监视场景下的行人计数方法和装置 | |
CN105488456A (zh) | 基于自适应阈值调整拒识子空间学习的人脸检测方法 | |
CN105404847A (zh) | 一种遗留物实时检测方法 | |
CN103824081A (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN112906631B (zh) | 一种基于视频的危险驾驶行为检测方法和检测系统 | |
CN103488993A (zh) | 一种基于fast的人群异常行为识别方法 | |
CN106251345A (zh) | 一种实时监测视频对比度异常的方法 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN104700405A (zh) | 一种前景检测方法和系统 | |
CN104717400A (zh) | 一种监控视频的实时去雾方法 | |
CN106339677A (zh) | 一种基于视频的铁路货车洒落物自动检测方法 | |
CN112070051B (zh) | 基于剪枝压缩的疲劳驾驶快速检测方法 | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
Choeychuen | Available car parking space detection from webcam by using adaptive mixing features | |
CN104168462B (zh) | 基于图像角点集特征的摄像头场景变换检测方法 | |
CN107679581B (zh) | 基于红外图像像素矩阵的特征值处理煤气流分布的方法 | |
CN105740814A (zh) | 一种使用视频分析确定固废危废存放状态的方法 | |
CN103761520B (zh) | 基于笔划宽度的文档图像无参二值化方法 | |
CN110543827B (zh) | 一种基于高斯混合模型与深度学习的多类别车辆检测方法 | |
CN116704444A (zh) | 一种基于级联注意力U-Net的视频异常事件检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161221 |