CN106326917A - 一种摄像头遮挡智能检测方法 - Google Patents
一种摄像头遮挡智能检测方法 Download PDFInfo
- Publication number
- CN106326917A CN106326917A CN201610663972.8A CN201610663972A CN106326917A CN 106326917 A CN106326917 A CN 106326917A CN 201610663972 A CN201610663972 A CN 201610663972A CN 106326917 A CN106326917 A CN 106326917A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- uniformlbp
- svm
- photographic head
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于智能交通领域,涉及一种摄像头遮挡智能检测方法,具体涉及一种利用视频图像并基于机器学习方法的摄像头遮挡检测方法;该方法具体工艺包括图像降采样、Gabor滤波处理、PCA降维处理、数据训练和遮挡判断等步骤;通过将图像的uniformLBP特征作为学习分类的特征对支撑向量机进行训练,用训练后的参数判断新的图像判断摄像头是否存在遮挡;通过对采集的样本图像进行Gabor滤波增加样本图像的uniformLBP特征的稳定性和精确度;通过对uniformLBP特征进行PCA降维降低了支撑向量机的训练数据量;其原理可靠,判断速度快,判断准确率高,实施成本低,应用环境友好。
Description
技术领域:
本发明属于智能交通领域,涉及一种摄像头遮挡智能检测方法,具体涉及一种利用视频图像并基于机器学习方法的摄像头遮挡检测方法;通过将图像的uniformLBP特征作为学习分类的特征对支撑向量机进行训练,用训练后的参数判断新的图像判断摄像头是否存在遮挡。
背景技术:
随着交通管理制度和电子监控的完善,每个城市都会超过1000个视频摄像头,在视频监控过程中,摄像头容易受到遮挡而产生监控信息丢失或违章抓拍出错的情况;目前,还是靠人工定期排查有问题的摄像头传统方法来解决类似问题,但是这样人工成本高且费时费力,而且容易出现遗漏或疏忽的地方,对摄像头的维护带来不便。摄像头遮挡在视频监控中经常发生,产生遮挡的原因是多方面的,有的是人为遮挡造成的,有的是由于路边树木的生长和树叶的生长造成的遮挡,这些情况通常不宜察觉到,但是会对视频监控带来严重的后果。目前,通过图像处理的方法来进行摄像头遮挡检测也不断在尝试中,但结果往往是失败的,原因在于摄像头的遮挡情况各异,没有很好的根据图像特征对其进行处理。因此,针对这种情况,利用摄像头采集的视频图像结合机器学习方法,寻求设计一种摄像头遮挡智能检测方法,通过将图像的uniformLBP特征作为学习分类的特征对支撑向量机进行训练,用训练后的参数判断新的图像判断摄像头是否存在遮挡具有良好的社会效益和经济效益。
发明内容:
本发明的目的在于克服现有技术存在的缺点,寻求设计一种摄像头遮挡智能检测方法通过将图像的uniformLBP特征作为学习分类的特征对支撑向量机进行训练,用训练后的参数判断新的图像判断摄像头是否存在遮挡。
为了实现上述目的,本发明涉及的摄像头遮挡智能检测方法具体工艺主要包括以下步骤:
(1)、图像降采样:首先从交通管理系统中对高清摄像头的图像进行采集,再把采集的图像通过图像处理工具采用双线性插值方法缩小至480×256,然后再转为灰度图像,灰度值为三通道像素的平均值,完成图像降采样,得到灰度图像;
(2)、Gabor滤波处理:对步骤(1)降采样后的灰度图像按照遮挡和非遮挡人工分为两个类别,其中非遮挡样本图像5000张,遮挡样本图像2000张,然后对每个样本图像在MATLAB工具中进行3个尺度8个方向的Gabor(伽柏)滤波,得到幅值特征图像;
(3)、PCA降维处理:对每一个步骤(2)得到的幅值特征图像计算转换成图像的uniform LBP(均匀局部二值模式)特征,每个幅值特征图像产生的uniformLBP特征的维数为59维,然后对每一个uniformLBP的特征进行PCA(特征降维)降维至40维;
(4)、数据训练:把正样本5000张,负样本2000张,通过Gabor滤波处理和PCA降维处理后计算得到的uniformLBP特征作为分类特征数据,然后利用支撑向量机对分类特征数据进行训练,保存训练后的参数;
(5)遮挡判断:对于新采集的高清待测图像进行步骤(1)到步骤(3)处理得到降维后的uniformLBP特征,将降维后的uniformLBP特征输入支撑向量机进行分类,支撑向量机的参数为步骤(4)训练得到的参数;支撑向量机为正判定为摄像头不存在遮挡,支撑向量机为负则判断为摄像头存在遮挡。
本发明与现有技术相比,通过对采集的样本图像进行Gabor滤波增加样本图像的uniformLBP特征的稳定性和精确度;通过对uniformLBP特征进行PCA降维降低了支撑向量机的训练数据量;其原理可靠,判断速度快,判断准确率高,实施成本低,应用环境友好。
附图说明:
图1为本发明涉及的摄像头遮挡检测方法流程图。
图2是从摄像头采集的遮挡图像。
图3是从摄像头采集的非遮挡图像。
图4是对图2的遮挡图像进行滤波产生的结果的四个示例。
具体实施方式:
下面通过实施例并结合附图对本发明作进一步说明。
实施例1:
本实施例涉及的摄像头遮挡智能检测方法的具体工艺包括以下步骤:
(1)、图像降采样:首先从交通管理系统中对高清摄像头的图像进行采集,再把采集的图像通过图像处理工具采用双线性插值方法缩小至480×256,然后再转为灰度图像,灰度值为三通道像素的平均值,完成图像降采样,得到灰度图像;
(2)、Gabor滤波处理:对步骤(1)降采样后的灰度图像按照遮挡和非遮挡人工分为两个类别,其中非遮挡样本图像5000张,遮挡样本图像2000张,然后对每个样本图像在MATLAB工具中进行3个尺度8个方向的Gabor(伽柏)滤波,得到幅值特征图像;
(3)、PCA降维处理:对每一个步骤(2)得到的幅值特征图像计算转换成图像的uniform LBP(均匀局部二值模式)特征,每个幅值特征图像产生的uniformLBP特征的维数为59维,然后对每一个uniformLBP的特征进行PCA(特征降维)降维至40维;
(4)、数据训练:把正样本5000张,负样本2000张,通过Gabor滤波处理和PCA降维处理后计算得到的uniformLBP特征作为分类特征数据,然后利用支撑向量机对分类特征数据进行训练,保存训练后的参数;
(5)遮挡判断:对于新采集的高清待测图像进行步骤(1)到步骤(3)处理得到降维后的uniformLBP特征,将降维后的uniformLBP特征输入支撑向量机进行分类,支撑向量机的参数为步骤(4)训练得到的参数;支撑向量机为正判定为摄像头不存在遮挡,支撑向量机为负则判断为摄像头存在遮挡。
本实施例选取2000张遮挡图像和2000张非遮挡图像进行测试,识别正确率为100%。
本实施例涉及的摄像头遮挡智能检测方法具有很强的鲁棒性,能够很好的应用和解决检测视频摄像头是否存在遮挡问题。
Claims (1)
1.一种摄像头遮挡智能检测方法,其特征在于具体工艺包括以下步骤:
(1)、图像降采样:首先从交通管理系统中对高清摄像头的图像进行采集,再把采集的图像通过图像处理工具采用双线性插值方法缩小至480×256,然后再转为灰度图像,灰度值为三通道像素的平均值,完成图像降采样,得到灰度图像;
(2)、Gabor滤波处理:对步骤(1)降采样后的灰度图像按照遮挡和非遮挡人工分为两个类别,其中非遮挡样本图像5000张,遮挡样本图像2000张,然后对每个样本图像在MATLAB工具中进行3个尺度8个方向的Gabor滤波,得到幅值特征图像;
(3)、PCA降维处理:对每一个步骤(2)得到的幅值特征图像计算转换成图像的uniformLBP特征,每个幅值特征图像产生的uniformLBP特征的维数为59维,然后对每一个uniformLBP的特征进行PCA降维至40维;
(4)、数据训练:把正样本5000张,负样本2000张,通过Gabor滤波处理和PCA降维处理后计算得到的uniformLBP特征作为分类特征数据,然后利用支撑向量机对分类特征数据进行训练,保存训练后的参数;
(5)遮挡判断:对于新采集的高清待测图像进行步骤(1)到步骤(3)处理得到降维后的uniformLBP特征,将降维后的uniformLBP特征输入支撑向量机进行分类,支撑向量机的参数为步骤(4)训练得到的参数;支撑向量机为正判定为摄像头不存在遮挡,支撑向量机为负则判断为摄像头存在遮挡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610663972.8A CN106326917A (zh) | 2016-08-12 | 2016-08-12 | 一种摄像头遮挡智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610663972.8A CN106326917A (zh) | 2016-08-12 | 2016-08-12 | 一种摄像头遮挡智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106326917A true CN106326917A (zh) | 2017-01-11 |
Family
ID=57740442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610663972.8A Pending CN106326917A (zh) | 2016-08-12 | 2016-08-12 | 一种摄像头遮挡智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106326917A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035799A (zh) * | 2018-09-26 | 2018-12-18 | 江苏豪纬交通集团有限公司 | 一种智能高清视频电子警察 |
CN112006525A (zh) * | 2020-08-11 | 2020-12-01 | 杭州九阳小家电有限公司 | 一种烹饪设备内食物的焦糊检测方法及烹饪设备 |
CN116156157A (zh) * | 2023-04-24 | 2023-05-23 | 长沙海信智能系统研究院有限公司 | 一种摄像头遮挡异常的检测方法及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425182A (zh) * | 2008-11-28 | 2009-05-06 | 华中科技大学 | 一种图像对象分割方法 |
CN101447021A (zh) * | 2008-12-30 | 2009-06-03 | 爱德威软件开发(上海)有限公司 | 人脸快速识别系统及其识别方法 |
US20150286864A1 (en) * | 2013-09-16 | 2015-10-08 | EyeVerify, Inc. | Feature extraction and matching for biometric authentication |
-
2016
- 2016-08-12 CN CN201610663972.8A patent/CN106326917A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425182A (zh) * | 2008-11-28 | 2009-05-06 | 华中科技大学 | 一种图像对象分割方法 |
CN101447021A (zh) * | 2008-12-30 | 2009-06-03 | 爱德威软件开发(上海)有限公司 | 人脸快速识别系统及其识别方法 |
US20150286864A1 (en) * | 2013-09-16 | 2015-10-08 | EyeVerify, Inc. | Feature extraction and matching for biometric authentication |
Non-Patent Citations (3)
Title |
---|
YI-MING LEI 等: "Cirrhosis recognition of liver ultrasound images based on SVM and uniform LBP feature", 《 2015 IEEE ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC)》 * |
李玉静: "基于Gabor小波变换和LBP结合的新生儿疼痛表情识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邬美银 等: "基于深度学习的监控视频树叶遮挡检测", 《武汉科技大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035799A (zh) * | 2018-09-26 | 2018-12-18 | 江苏豪纬交通集团有限公司 | 一种智能高清视频电子警察 |
CN112006525A (zh) * | 2020-08-11 | 2020-12-01 | 杭州九阳小家电有限公司 | 一种烹饪设备内食物的焦糊检测方法及烹饪设备 |
CN112006525B (zh) * | 2020-08-11 | 2022-06-03 | 杭州九阳小家电有限公司 | 一种烹饪设备内食物的焦糊检测方法及烹饪设备 |
CN116156157A (zh) * | 2023-04-24 | 2023-05-23 | 长沙海信智能系统研究院有限公司 | 一种摄像头遮挡异常的检测方法及电子设备 |
CN116156157B (zh) * | 2023-04-24 | 2023-08-18 | 长沙海信智能系统研究院有限公司 | 一种摄像头遮挡异常的检测方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105335743A (zh) | 一种车牌识别方法 | |
US8902053B2 (en) | Method and system for lane departure warning | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN106652445A (zh) | 一种公路交通事故判别方法及装置 | |
CN103034870B (zh) | 基于特征的船舶快速识别方法 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN107704853A (zh) | 一种基于多分类器的交通信号灯的识别方法 | |
CN104601965A (zh) | 摄像头遮挡检测方法 | |
CN106228106B (zh) | 一种改进的实时车辆检测过滤方法及系统 | |
CN106326917A (zh) | 一种摄像头遮挡智能检测方法 | |
CN105718916A (zh) | 一种基于霍夫变换的车道线检测方法 | |
CN113324864A (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
CN103021179B (zh) | 基于实时监控视频中的安全带检测方法 | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN108804987A (zh) | 门开闭状态检测方法和装置、以及人流检测系统 | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
CN102749034A (zh) | 基于图像处理的铁路道岔缺口偏移量检测方法 | |
KR20160044757A (ko) | 교통상황 분석 방법 및 장치 | |
CN111814825A (zh) | 基于遗传算法优化支持向量机的苹果检测分级方法及系统 | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
CN102254173B (zh) | 基于k均值聚类与线性邻域传播结合的指纹图像分割方法 | |
CN113221603A (zh) | 一种检测监控设备被异物遮挡的方法及装置 | |
Danilescu et al. | Road anomalies detection using basic morphological algorithms | |
CN106778675B (zh) | 一种视频图像中目标对象的识别方法和装置 | |
CN115100650A (zh) | 基于多重高斯模型的高速公路异常场景去噪及识别方法、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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: 20170111 |