CN106778675B - 一种视频图像中目标对象的识别方法和装置 - Google Patents
一种视频图像中目标对象的识别方法和装置 Download PDFInfo
- Publication number
- CN106778675B CN106778675B CN201611267586.3A CN201611267586A CN106778675B CN 106778675 B CN106778675 B CN 106778675B CN 201611267586 A CN201611267586 A CN 201611267586A CN 106778675 B CN106778675 B CN 106778675B
- Authority
- CN
- China
- Prior art keywords
- area
- threshold
- subregion
- connected region
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 132
- 230000010339 dilation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/92—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Abstract
本发明公开了一种视频图像中目标对象的识别方法和装置。该方法包括:对视频图像进行预处理,得到所述视频图像的二值连通图;所述二值连通图中包含至少一个连通区域,每个连通区域对应所述视频图像中的至少一个目标对象;获取所述二值连通图中各个连通区域的位置信息和面积信息;根据所述各个连通区域的位置信息,以及预设的位置信息与阈值面积的线性关系,计算出所述各个连通区域的阈值面积;根据所述各个连通区域的面积信息与阈值面积,识别所述各个连通区域对应的目标对象的个数。本发明提供的技术方案能够解决现有的视频分析软件并不能很准确的对视频中的目标对象进行识别的问题。
Description
技术领域
本发明涉及视图图像识别技术领域,特别是一种视频图像中目标对象的识别方法和装置。
背景技术
视频分析软件被广泛应用于刑侦、安防,无人机跟踪系统中,多目标在视频中的持续遮挡问题是视频分析过程中比较难解决的问题,为了获取较完整的视频摘要信息,就需要获取视频中较完整的遮挡信息。
现有技术中,通过对运动目标进行膨胀、腐蚀、开启和闭合,二值运算后,在对图像进行目标的提取。然而,由于二值图像存在不连续,多个目标如果距离太近,相互遮挡可能会粘连为一个目标,或者一辆车有可能被分成了多个目标,还可能会有一些干扰噪点。因此存在不能准确的提取出目标,存在对目标的漏检的问题。
综上所述,现有的视频分析软件并不能很准确的对视频中的目标对象进行识别的问题。
发明内容
本发明提供了一种视频图像中目标对象的识别方法和装置。本发明提供的技术方案能够解决现有的视频分析软件并不能很准确的对视频中的目标对象进行识别的问题。
本发明公开了一种视频图像中目标对象的识别方法,包括:
对视频图像进行预处理,得到所述视频图像的二值连通图;
所述二值连通图中包含至少一个连通区域,每个连通区域对应所述视频图像中的至少一个目标对象;
获取所述二值连通图中各个连通区域的位置信息和面积信息;
根据所述各个连通区域的位置信息,以及预设的位置信息与阈值面积的线性关系,计算出所述各个连通区域的阈值面积;
根据所述各个连通区域的面积信息与阈值面积,识别所述各个连通区域对应的目标对象的个数。
可选的,所述对视频图像进行预处理,得到所述视频图像的二值连通图包括:
从所述视频图像提取前景图像,将所述前景图像进行二值化处理得到所述视频图像的二值图像;
依次对所述视频图像的二值图像进行闭运算、膨胀运算、连通运算得到所述视频图像的二值连通图。
可选的,还包括:设置位置信息与阈值面积的线性关系的步骤,包括:
获取预设数量的训练样本,对所述训练样本进行预处理,得到所述训练样本的二值连通图;
将所述训练样本的二值连通图在垂直方向上划分为N个子区域,其中每个子区域具有不同的位置信息;
分别统计每个子区域中训练目标的面积信息,得出每个子区域中的训练目标的面积均值;
根据相邻两个子区域中训练目标的面积均值,计算出相邻两个子区域的训练目标的面积均值之间的线性关系;
根据所述相邻两个子区域的训练目标的面积均值之间的线性关系,以及所述相邻两个子区域的位置关系,得到所述预设的位置信息与阈值面积的线性关系。
可选的,所述根据相邻两个子区域中训练目标的面积均值,计算出相邻两个子区域的训练目标的面积均值之间的线性关系包括:
根据如下公式计算相邻两个子区域的训练目标的面积均值之间的线性关系:
其中,ai表示相邻两个子区域的训练目标的面积均值之间的线性关系;Si+1表示第i+1个子区域的训练目标的面积均值,Si表示第i个子区域的训练目标的面积均值,Image.height表示训练样本的二值连通图的垂直方向上的长度,N为所述训练样本的二值连通图在垂直方向上划分的子区域的个数;
所述根据所述相邻两个子区域的训练目标的面积均值之间的线性关系,以及所述相邻两个子区域的位置关系,得到所述预设的位置信息与阈值面积的线性关系包括:
根据如下公式计算位置信息与阈值面积的线性关系包括:
yi=ai*x+bi,
bi=Si+1-ai*(Im age.height/2*N+i*Im age.height/N)
其中,yi表示第i个子区域的训练目标的阈值面积,x表示训练目标的位置信息,bi表示第i个子区域的训练目标的面积矫正常量。
可选的,所述根据所述各个连通区域的面积信息与阈值面积,识别所述各个连通区域对应的目标对象的个数包括:
根据所述各个连通区域的面积信息与阈值面积的比值,识别所述各个连通区域对应的目标对象的个数;
所述连通区域的面积信息与阈值面积的比值小于等于第一阈值时,识别所述连通区域对应的目标对象的个数为单个;所述连通区域的面积信息与阈值面积的比值大于第一阈值且小于等于第二阈值时,识别所述连通区域对应的目标对象的个数为两个;所述连通区域的面积信息与阈值面积的比值大于第二阈值时,识别所述连通区域对应的目标对象的个数为三个以上。
本发明还公开了一种视频图像中目标对象的识别装置,包括:
预处理模块,用于对视频图像进行预处理,得到所述视频图像的二值连通图;所述二值连通图中包含至少一个连通区域,每个连通区域对应所述视频图像中的至少一个目标对象;
获取模块,用于获取所述二值连通图中各个连通区域的位置信息和面积信息;
计算模块,用于根据所述各个连通区域的位置信息,以及预设的位置信息与阈值面积的线性关系,计算出所述各个连通区域的阈值面积;
识别模块,用于根据所述各个连通区域的面积信息与阈值面积,识别所述各个连通区域对应的目标对象的个数。
可选的,所述预处理模块,用于从所述视频图像提取前景图像,将所述前景图像进行二值化处理得到所述视频图像的二值图像;依次对所述视频图像的二值图像进行闭运算、膨胀运算、连通运算得到所述视频图像的二值连通图。
可选的,还包括:设置模块;
所述设置模块,用于获取预设数量的训练样本,对所述训练样本进行预处理,得到所述训练样本的二值连通图;将所述训练样本的二值连通图在垂直方向上划分为N个子区域,其中每个子区域具有不同的位置信息;分别统计每个子区域中训练目标的面积信息,得出每个子区域中的训练目标的面积均值;根据相邻两个子区域中训练目标的面积均值,计算出相邻两个子区域的训练目标的面积均值之间的线性关系;根据所述相邻两个子区域的训练目标的面积均值之间的线性关系,以及所述相邻两个子区域的位置关系,得到所述预设的位置信息与阈值面积的线性关系。
可选的,所述计算模块,根据如下公式计算相邻两个子区域的训练目标的面积均值之间的线性关系:
其中,ai表示相邻两个子区域的训练目标的面积均值之间的线性关系;Si+1表示第i+1个子区域的训练目标的面积均值,Si表示第i个子区域的训练目标的面积均值,Image.height表示训练样本的二值连通图的垂直方向上的长度,N为所述训练样本的二值连通图在垂直方向上划分的子区域的个数;
根据如下公式计算位置信息与阈值面积的线性关系包括:
yi=ai*x+bi,
bi=Si+1-ai*(Im age.height/2*N+i*Im age.height/N)
其中,yi表示第i个子区域的训练目标的阈值面积,x表示训练目标的位置信息,bi表示第i个子区域的训练目标的面积矫正常量。
可选的,所述识别模块,用于根据所述各个连通区域的面积信息与阈值面积的比值,识别所述各个连通区域对应的目标对象的个数;
所述连通区域的面积信息与阈值面积的比值小于等于第一阈值时,识别所述连通区域对应的目标对象的个数为单个;所述连通区域的面积信息与阈值面积的比值大于第一阈值且小于等于第二阈值时,识别所述连通区域对应的目标对象的个数为两个;所述连通区域的面积信息与阈值面积的比值大于第二阈值时,识别所述连通区域对应的目标对象的个数为三个以上。
综上所述,本发明所公开的技术方案,通过对视频图像进行预处理,得到所述视频图像的二值连通图;便于对视频图像中的目标对象进行识别。进而获取二值连通图中各个连通区域的位置信息和面积信息;根据所述各个连通区域的位置信息,以及预设的位置信息与阈值面积的线性关系,计算出所述各个连通区域的阈值面积;阈值面积为在二值连通图中,单个目标对象在不同位置下的标准面积大小,因此能够根据各个连通区域的面积信息,该连通区域所在位置下对应的阈值面积进行比较,根据比较的结果识别各个连通区域对应的目标对象的个数。在本申请中,通过设置的位置信息与阈值面积的线性关系,针对二值连通图中不同位置的连通区域中的目标对象进行准确的识别。从而解决了现有的视频分析软件并不能很准确的对视频中的目标对象进行识别的问题。
附图说明
图1是本发明中一种频图像中目标对象的识别方法的流程图;
图2是本发明中一种视频图像中目标对象的识别方法的详细流程图;
图3是本发明中一种设置位置信息与阈值面积的线性关系的流程图;
图4是本发明中一种视频图像中目标对象的识别装置的结构示意图;
图5是本发明中一种视频图像中目标对象的识别装置的详细结构示意图;
图6是本发明一种视频图像的原图;
图7是图6进过二值化处理得到的二值图像;
图8是图7经过闭运算得到的示意图;
图9是图8经过膨胀运算得到的示意图;
图10是图9经过连通运算得到的所述视频图像的二值连通图。。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作还地详细描述。
本发明的整体思路:由于在二值连通图中,在不同的位置,相同目标对象的阈值面积之间存在一定的线性关系。因此,通过对足够数量的训练样本进行识别统计之后,得到的位置信息与目标对象的阈值面积之间的线性关系。并且能够针对不同的目标对象,通过对不同的训练样本的识别统计。得到针对不同目标对象的位置信息与目标对象的阈值面积之间的线性关系。
在对目标对象进行识别的过程中,根据该位置信息与目标对象的阈值面积之间的线性关系,根据连通区域所在的位置信息计算该位置信息对应的阈值面积。将连通区域的实际面积信息与对应的阈值面积进行比较,根据比较结果对该连通区域内目标对象的个数进行有效识别。
图1是本发明中一种视频图像中目标对象的识别方法的流程图,参见图1所述,该方法包括如下步骤:
步骤S110,对视频图像进行预处理,得到所述视频图像的二值连通图;所述二值连通图中包含至少一个连通区域,每个连通区域对应所述视频图像中的至少一个目标对象;
步骤S120,获取所述二值连通图中各个连通区域的位置信息和面积信息;
步骤S130,根据所述各个连通区域的位置信息,以及预设的位置信息与阈值面积的线性关系,计算出所述各个连通区域的阈值面积;
步骤S140,根据所述各个连通区域的面积信息与阈值面积,识别所述各个连通区域对应的目标对象的个数。
由上述可知,在本发明中通过对视频图像进行预处理,得到所述视频图像的二值连通图;进而获取二值连通图中各个连通区域的位置信息和面积信息。根据预设的位置信息与阈值面积的线性关系,根据各个连通区域的位置信息计算出各个连通区域的阈值面积。根据对各个连通区域的面积信息与对应的阈值面积进行比较,识别出各个连通区域对应的目标对象的个数。在本发明中,根据保存的位置信息与阈值面积的线性关系,分别对每个连通区域中的目标对象进行有效的识别,解决了现有的视频分析软件并不能很准确的对视频中的目标对象进行识别的问题。
图2是本发明中一种视频图像中目标对象的识别方法的详细流程图。参见图2所示,该方法包括如下步骤:
步骤S210,从所述视频图像提取前景图像,将所述前景图像进行二值化处理得到所述视频图像的二值图像;
步骤S220,依次对所述视频图像的二值图像进行闭运算、膨胀运算、连通运算得到所述视频图像的二值连通图。
图6是本发明一种视频图像的原图,图7是图6进过二值化处理得到的二值图像;图8是图7经过闭运算得到的示意图;图9是图8经过膨胀运算得到的示意图;图10是图9经过连通运算得到的所述视频图像的二值连通图。参见图6~图10所示。依次对所述视频图像的二值图像进行闭运算、膨胀运算、连通运算得到所述视频图像的二值连通图。在本发明的具体实施例中,视频图像对应于视频流的中的每一帧。因此通过对视频流中的每一帧的视频图像进行目标对象的识别,实现对整个视频流的识别。
步骤S230,获取所述二值连通图中各个连通区域的位置信息和面积信息。
在步骤S230中,获取二值连通图中每个连通区域的中心点的位置,具体为,以二值连通图的垂直方向为坐标轴,垂直方向的上方起点为原点,二值连通图高度Im age.height为总长度。根据每个连通区域的中心点的位置在坐标轴上的位置,获取对应的位置信息x。举例为,某连通区域的中心点的位置在坐标轴的中心,则对应的位置信息Im age.height/2。
在步骤S230中,通过计算各个连通区域中像素点的个数,得到对应的面积信息。举例为,某连通区域的总计有100的像素点,则对应的面积信息为100。由于在本发明中,二值连通图中对应连通区域的像素点的灰度值为255,则只需要对灰度值为255的像素点进行统计,就能得到该连通区域中面积大小,便于进行面积大小的对比,从而能够更好的识别出目的对象的个数。
步骤S240,根据所述各个连通区域的位置信息,以及预设的位置信息与阈值面积的线性关系,计算出所述各个连通区域的阈值面积;
在步骤S240中,针对需要识别的视频图像,预先设置有根据位置信息与阈值面积的线性关系。可以通过各个连通区域的位置信息,计算出该位置信息下目标对象的阈值面积。以图6为例,目标对象为汽车,阈值面积为:不同位置信息下,一辆标准大小的汽车在图中部位所占的不同的像素点的个数。
步骤S250,根据所述各个连通区域的面积信息与阈值面积,识别所述各个连通区域对应的目标对象的个数。
在步骤S250中,根据所述各个连通区域的面积信息与阈值面积的比值,识别所述各个连通区域对应的目标对象的个数;
在本发明的一种实施例中,所述连通区域的面积信息与阈值面积的比值小于等于第一阈值时,识别所述连通区域对应的目标对象的个数为单个;所述连通区域的面积信息与阈值面积的比值大于第一阈值且小于等于第二阈值时,识别所述连通区域对应的目标对象的个数为两个;所述连通区域的面积信息与阈值面积的比值大于第二阈值时,识别所述连通区域对应的目标对象的个数为三个以上。
在本发明的一种具体实施例中,第一阈值的取值范围为大于1.0,小于等于1.5。第二阈值的取值范围为大于1.5,小于等于2.0。
在本发明的一种较佳实施例中,第一阈值为1.3,第二阈值为2.0。连通区域的面积信息与阈值面积的比值大于1.3小于等于2.0时,识别所述连通区域对应的目标对象的个数为两个;所述连通区域的面积信息与阈值面积的比值小于等于1.3时,识别所述连通区域对应的目标对象的个数为单个。连通区域的面积信息与阈值面积的比值大于2.0时,识别所述连通区域对应的目标对象的个数为三个以上。
举例为,获取的连通区域的面积为100个像素点,而对应的该位置信息下的阈值面积为90个像素点,则识别出该连通区域中对应的目标对象的个数为1个。
图3是本发明中一种设置位置信息与阈值面积的线性关系的流程图,参见图3所示,该方法包括如下步骤。
步骤S310,获取预设数量的训练样本,对所述训练样本进行预处理,得到所述训练样本的二值连通图;
在步骤S310中,在获取预设数量的训练样本之前,需要预先设置对能够实现对训练目标进行识别的识别文件。该识别文件能够实现对训练目标的识别。在本发明的一种具体实施例中,可以通过识别模型,根据支持向量机(SVM,Support Vector Machine)对连通区域所对应的训练目标的识别、分类得到对应识别文件。
在本发明中,能够根据该识别文件实现对训练样本中的训练样本的识别,进而依次对所述训练样本进行二值化运算、闭运算、膨胀运算、连通运算得到所述视频图像的二值连通图;并计算各个二值连通图中各个连通区域的像素值。
在本发明的一种较佳实施例中,训练样本的个数可以为2000个。即在识别完训练样本之后,对各个连通区域的像素值进行排序;从中筛选出像素点数量梯度变化小的前100个二值连通图。对筛选出的二值连通图进行后续步骤。在本步骤中,通过进行排序和筛选操作,能够排除非正常训练对象的干扰。如对小轿车作为训练对象的过程中,排除大型车辆所造成的干扰。
步骤S320,将所述训练样本的二值连通图在垂直方向上划分为N个子区域,其中每个子区域具有不同的位置信息;
在步骤S320中,将二值连通图进行划分成多个子区域之后,每个子区域的位置信息为该子区域的中心位置的坐标,第i个子区域的位置信息Xi=Im age.height/2*N。举例为,N的取值为4,即划分为4个子区域,其中,第1个子区域的位置信息X1=Im age.height/8。其中,i=(1,2...N-1)。
步骤S330,分别统计每个子区域中训练目标的面积信息,得出每个子区域中的训练目标的面积均值。
在步骤S330中,通过对各个子区域中训练目标的连通区域的像素点的统计得到每个子区域中的训练目标的面积均值。
步骤S340,根据相邻两个子区域中训练目标的面积均值,计算出相邻两个子区域的训练目标的面积均值之间的线性关系;
在步骤S340中,可以根据如下公式计算相邻两个子区域的训练目标的面积均值之间的线性关系:
其中,ai表示第i个子区域与第i+1个子区域的训练目标的面积均值之间的线性关系;Si+1表示第i+1个子区域的训练目标的面积均值,Si表示第i个子区域的训练目标的面积均值,Im age.height表示训练样本的二值连通图的垂直方向上的长度,N为所述训练样本的二值连通图在垂直方向上划分的子区域的个数;
举例为:a1第1个子区域与第2个子区域的训练目标的面积均值之间的线性关系;表示训练目标从第1个子区域进入第2个子区域时,对应的面积信息的变化率,具体为车辆从第1个子区域的中心位置移动到第2个子区域的中心位置对应的面积信息的变化率。
步骤S350,根据所述相邻两个子区域的训练目标的面积均值之间的线性关系,以及所述相邻两个子区域的位置关系,得到所述预设的位置信息与阈值面积的线性关系。
在步骤S350中,可以根据如下公式计算位置信息与阈值面积的线性关系:yi=ai*x+bi,bi=Si+1-ai*(Im age.height/2*N+i*Im age.height/N)
其中,yi表示第i个子区域的训练目标的阈值面积,x表示训练目标的位置信息,bi表示第i个子区域的训练目标的面积矫正常量。
在本发明的一种具体实施例中,由于针对不同的子区域,存在对应的ai和bi;因此在计算对应阈值面积时,需要根据x值的确定对应的计算公式。具体为:x的值在(2i-1)*Image.height/2*N~(2i+1)*Im age.height/2*N内则对应第i个子区域的计算公式。如x的值为2*Im age.height/8,对应的i值为1,则对应第1个子区域的计算公式,i=(1,2...N-1)。
在本发明的较佳实施例中,为了使得ai的值更加准确,以及减少识别的误差,对于x的值在0~(2i-1)*Im age.height/2*N,以及(2i+1)*Im age.height/2*N~Image.height范围内的连通区域内的不进行统计。
在本发明的上述实施例中,可以通过对不同类型的训练样本的进行预处理之后,得到针对不同场景下的位置信息与阈值面积的线性关系;可以有效的解决因不同场景需要分别设置不同的阈值面积的缺陷。并且,由于不同场景下的位置信息与阈值面积的线性关系,可以通过针对不同的训练样本进行自适应提取,避免通过人为设置阈值面积存在识别效果不够准确的问题。
本发明还公开了一种视频图像中目标对象的识别装置,图4是本发明中一种视频图像中目标对象的识别装置的结构示意图,参见图4所示,该识别装备包括:
预处理模块401,用于对视频图像进行预处理,得到所述视频图像的二值连通图;所述二值连通图中包含至少一个连通区域,每个连通区域对应所述视频图像中的至少一个目标对象;
获取模块402,用于获取所述二值连通图中各个连通区域的位置信息和面积信息;
计算模块403,用于根据所述各个连通区域的位置信息,以及预设的位置信息与阈值面积的线性关系,计算出所述各个连通区域的阈值面积;
识别模块404,用于根据所述各个连通区域的面积信息与阈值面积,识别所述各个连通区域对应的目标对象的个数。
在本发明的一种具体实施例中,所述预处理模块,用于从所述视频图像提取前景图像,将所述前景图像进行二值化处理得到所述视频图像的二值图像;依次对所述视频图像的二值图像进行闭运算、膨胀运算、连通运算得到所述视频图像的二值连通图。
图5是本发明中一种视频图像中目标对象的识别装置的详细结构示意图,参见图5所示,图5在图4的基础行还包括:设置模块。
所述设置模块,用于获取预设数量的训练样本,对所述训练样本进行预处理,得到所述训练样本的二值连通图;将所述训练样本的二值连通图在垂直方向上划分为N个子区域,其中每个子区域具有不同的位置信息;分别统计每个子区域中训练目标的面积信息,得出每个子区域中的训练目标的面积均值;根据相邻两个子区域中训练目标的面积均值,计算出相邻两个子区域的训练目标的面积均值之间的线性关系;根据所述相邻两个子区域的训练目标的面积均值之间的线性关系,以及所述相邻两个子区域的位置关系,得到所述预设的位置信息与阈值面积的线性关系。
在本发明的一种具体实施例中,所述计算模块,根据如下公式计算相邻两个子区域的训练目标的面积均值之间的线性关系:
其中,ai表示第i个子区域与第i+1个子区域的训练目标的面积均值之间的线性关系;Si+1表示第i+1个子区域的训练目标的面积均值,Si表示第i个子区域的训练目标的面积均值,Im age.height表示训练样本的二值连通图的垂直方向上的长度,N为所述训练样本的二值连通图在垂直方向上划分的子区域的个数;
在本发明的一种具体实施例中,根据如下公式计算位置信息与阈值面积的线性关系包括:
yi=ai*x+bi,bi=Si+1-ai*(Im age.height/2*N+i*Im age.height/N)
其中,yi表示第i个子区域的训练目标的阈值面积,x表示训练目标的位置信息,bi表示第i个子区域的训练目标的面积矫正常量。
在本发明的一种具体实施例中,所述识别模块,用于根据所述各个连通区域的面积信息与阈值面积的比值,识别所述各个连通区域对应的目标对象的个数;
其中,所述连通区域的面积信息与阈值面积的比值小于等于第一阈值时,识别所述连通区域对应的目标对象的个数为单个;所述连通区域的面积信息与阈值面积的比值大于第一阈值且小于等于第二阈值时,识别所述连通区域对应的目标对象的个数为两个;所述连通区域的面积信息与阈值面积的比值大于第二阈值时,识别所述连通区域对应的目标对象的个数为三个以上。
较佳的,在本发明的一种较佳实施例中,第一阈值为1.3,第二阈值为2.0。连通区域的面积信息与阈值面积的比值大于1.3小于等于2.0时,识别所述连通区域对应的目标对象的个数为两个;所述连通区域的面积信息与阈值面积的比值小于等于1.3时,识别所述连通区域对应的目标对象的个数为单个。连通区域的面积信息与阈值面积的比值大于2.0时,识别所述连通区域对应的目标对象的个数为三个以上。
综上所述,本发明所公开的技术方案,通过对视频图像进行预处理,得到所述视频图像的二值连通图;便于对视频图像中的目标对象进行识别。进而获取二值连通图中各个连通区域的位置信息和面积信息;根据所述各个连通区域的位置信息,以及预设的位置信息与阈值面积的线性关系,计算出所述各个连通区域的阈值面积;阈值面积为在二值连通图中,单个目标对象在不同位置下的标准面积大小,因此能够根据各个连通区域的面积信息,该连通区域所在位置下对应的阈值面积进行比较,根据比较的结果识别各个连通区域对应的目标对象的个数。在本申请中,通过设置的位置信息与阈值面积的线性关系,针对二值连通图中不同位置的连通区域中的目标对象进行准确的识别。从而解决了现有的视频分析软件并不能很准确的对视频中的目标对象进行识别的问题。
此外,在本发明中,通过对不同类型的训练样本的进行预处理,得到针对不同场景下的位置信息与阈值面积的线性关系;可以有效的解决因不同场景需要分别设置不同的阈值面积的缺陷。并且,由于不同场景下的位置信息与阈值面积的线性关系,可以通过针对不同的训练样本进行自适应提取,避免通过人为设置阈值面积存在识别效果不够准确的问题。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种视频图像中目标对象的识别方法,其特征在于,包括:
对视频图像进行预处理,得到所述视频图像的二值连通图;所述二值连通图中包含至少一个连通区域,每个连通区域对应所述视频图像中的至少一个目标对象;
获取所述二值连通图中各个连通区域的位置信息和面积信息;
根据所述各个连通区域的位置信息,以及预设的位置信息与阈值面积的线性关系,计算出所述各个连通区域的阈值面积;
根据所述各个连通区域的面积信息与阈值面积,识别所述各个连通区域对应的目标对象的个数;
所述根据所述各个连通区域的面积信息与阈值面积,识别所述各个连通区域对应的目标对象的个数包括:
根据所述各个连通区域的面积信息与阈值面积的比值,识别所述各个连通区域对应的目标对象的个数;
其中,所述连通区域的面积信息与阈值面积的比值小于等于第一阈值时,识别所述连通区域对应的目标对象的个数为单个;所述连通区域的面积信息与阈值面积的比值大于第一阈值且小于等于第二阈值时,识别所述连通区域对应的目标对象的个数为两个;所述连通区域的面积信息与阈值面积的比值大于第二阈值时,识别所述连通区域对应的目标对象的个数为三个以上。
2.根据权利要求1所述的识别方法,其特征在于,所述对视频图像进行预处理,得到所述视频图像的二值连通图包括:
从所述视频图像提取前景图像,将所述前景图像进行二值化处理得到所述视频图像的二值图像;
依次对所述视频图像的二值图像进行闭运算、膨胀运算、连通运算得到所述视频图像的二值连通图。
3.根据权利要求1所述的识别方法,其特征在于,还包括:设置位置信息与阈值面积的线性关系的步骤,包括:
获取预设数量的训练样本,对所述训练样本进行预处理,得到所述训练样本的二值连通图;
将所述训练样本的二值连通图在垂直方向上划分为N个子区域,其中每个子区域具有不同的位置信息;
分别统计每个子区域中训练目标的面积信息,得出每个子区域中的训练目标的面积均值;
根据相邻两个子区域中训练目标的面积均值,计算出相邻两个子区域的训练目标的面积均值之间的线性关系;
根据所述相邻两个子区域的训练目标的面积均值之间的线性关系,以及所述相邻两个子区域的位置关系,得到所述预设的位置信息与阈值面积的线性关系。
4.根据权利要求3所述的识别方法,其特征在于,所述根据相邻两个子区域中训练目标的面积均值,计算出相邻两个子区域的训练目标的面积均值之间的线性关系包括:
根据如下公式计算相邻两个子区域的训练目标的面积均值之间的线性关系:
其中,ai表示第i个子区域与第i+1个子区域的训练目标的面积均值之间的线性关系;Si+1表示第i+1个子区域的训练目标的面积均值,Si表示第i个子区域的训练目标的面积均值,Image.height表示训练样本的二值连通图的垂直方向上的长度,N为所述训练样本的二值连通图在垂直方向上划分的子区域的个数;
所述根据所述相邻两个子区域的训练目标的面积均值之间的线性关系,以及所述相邻两个子区域的位置关系,得到所述预设的位置信息与阈值面积的线性关系包括:
根据如下公式计算位置信息与阈值面积的线性关系包括:
yi=ai*x+bi,
bi=Si+1-ai*(Image.height/2*N+i*Image.height/N)
其中,yi表示第i个子区域的训练目标的阈值面积,x表示训练目标的位置信息,bi表示第i个子区域的训练目标的面积矫正常量。
5.一种视频图像中目标对象的识别装置,其特征在于,包括:
预处理模块,用于对视频图像进行预处理,得到所述视频图像的二值连通图;所述二值连通图中包含至少一个连通区域,每个连通区域对应所述视频图像中的至少一个目标对象;
获取模块,用于获取所述二值连通图中各个连通区域的位置信息和面积信息;
计算模块,用于根据所述各个连通区域的位置信息,以及预设的位置信息与阈值面积的线性关系,计算出所述各个连通区域的阈值面积;
识别模块,用于根据所述各个连通区域的面积信息与阈值面积,识别所述各个连通区域对应的目标对象的个数;
所述识别模块,用于根据所述各个连通区域的面积信息与阈值面积的比值,识别所述各个连通区域对应的目标对象的个数;
其中,所述连通区域的面积信息与阈值面积的比值小于等于第一阈值时,识别所述连通区域对应的目标对象的个数为单个;所述连通区域的面积信息与阈值面积的比值大于第一阈值且小于等于第二阈值时,识别所述连通区域对应的目标对象的个数为两个;所述连通区域的面积信息与阈值面积的比值大于第二阈值时,识别所述连通区域对应的目标对象的个数为三个以上。
6.根据权利要求5所述的识别装置,其特征在于,
所述预处理模块,用于从所述视频图像提取前景图像,将所述前景图像进行二值化处理得到所述视频图像的二值图像;依次对所述视频图像的二值图像进行闭运算、膨胀运算、连通运算得到所述视频图像的二值连通图。
7.根据权利要求5所述的识别装置,其特征在于,还包括:设置模块;
所述设置模块,用于获取预设数量的训练样本,对所述训练样本进行预处理,得到所述训练样本的二值连通图;将所述训练样本的二值连通图在垂直方向上划分为N个子区域,其中每个子区域具有不同的位置信息;分别统计每个子区域中训练目标的面积信息,得出每个子区域中的训练目标的面积均值;根据相邻两个子区域中训练目标的面积均值,计算出相邻两个子区域的训练目标的面积均值之间的线性关系;根据所述相邻两个子区域的训练目标的面积均值之间的线性关系,以及所述相邻两个子区域的位置关系,得到所述预设的位置信息与阈值面积的线性关系。
8.根据权利要求7所述的识别装置,其特征在于,所述计算模块,根据如下公式计算相邻两个子区域的训练目标的面积均值之间的线性关系:
其中,ai表示第i个子区域与第i+1个子区域的训练目标的面积均值之间的线性关系;Si+1表示第i+1个子区域的训练目标的面积均值,Si表示第i个子区域的训练目标的面积均值,Image.height表示训练样本的二值连通图的垂直方向上的长度,N为所述训练样本的二值连通图在垂直方向上划分的子区域的个数;
根据如下公式计算位置信息与阈值面积的线性关系包括:
yi=ai*x+bi,
bi=Si+1-ai*(Image.height/2*N+i*Image.height/N)
其中,yi表示第i个子区域的训练目标的阈值面积,x表示训练目标的位置信息,bi表示第i个子区域的训练目标的面积矫正常量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611267586.3A CN106778675B (zh) | 2016-12-31 | 2016-12-31 | 一种视频图像中目标对象的识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611267586.3A CN106778675B (zh) | 2016-12-31 | 2016-12-31 | 一种视频图像中目标对象的识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778675A CN106778675A (zh) | 2017-05-31 |
CN106778675B true CN106778675B (zh) | 2019-11-08 |
Family
ID=58952588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611267586.3A Active CN106778675B (zh) | 2016-12-31 | 2016-12-31 | 一种视频图像中目标对象的识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778675B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108012098A (zh) * | 2017-11-26 | 2018-05-08 | 合肥赛为智能有限公司 | 一种无人机交通巡视方法 |
CN109670488A (zh) * | 2019-01-31 | 2019-04-23 | 湖北省基础地理信息中心(湖北省北斗卫星导航应用技术研究院) | 一种视频数据典型动态目标检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877074A (zh) * | 2009-11-23 | 2010-11-03 | 常州达奇信息科技有限公司 | 基于多元特征的结核杆菌目标识别计数算法 |
CN104637058A (zh) * | 2015-02-06 | 2015-05-20 | 武汉科技大学 | 一种基于图像信息的客流量识别统计方法 |
-
2016
- 2016-12-31 CN CN201611267586.3A patent/CN106778675B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877074A (zh) * | 2009-11-23 | 2010-11-03 | 常州达奇信息科技有限公司 | 基于多元特征的结核杆菌目标识别计数算法 |
CN104637058A (zh) * | 2015-02-06 | 2015-05-20 | 武汉科技大学 | 一种基于图像信息的客流量识别统计方法 |
Non-Patent Citations (1)
Title |
---|
多目标跟踪中目标数量准确识别算法;王鹏;《光学与光电技术》;20120630(第03期);第42-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106778675A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
TWI409718B (zh) | 移動中車輛之車牌定位方法 | |
CN103955949B (zh) | 基于Mean-shift算法的运动目标检测方法 | |
CN109145803B (zh) | 手势识别方法及装置、电子设备、计算机可读存储介质 | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN107862677A (zh) | 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统 | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
CN101847265A (zh) | 一种在公交客流统计系统中使用的运动目标提取及多目标分割方法 | |
CN102542289A (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN104268519B (zh) | 基于模式匹配的图像识别终端及其识别方法 | |
CN109636824A (zh) | 一种基于图像识别技术的多目标计数方法 | |
CN106339677B (zh) | 一种基于视频的铁路货车洒落物自动检测方法 | |
CN106530281A (zh) | 基于边缘特征的无人机图像模糊判断方法及系统 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN108537787A (zh) | 一种人脸图像的质量判定方法 | |
CN106204617A (zh) | 基于残差图像直方图循环移位的自适应图像二值化方法 | |
Malhi et al. | Vision based intelligent traffic management system | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN106778675B (zh) | 一种视频图像中目标对象的识别方法和装置 | |
CN105740814B (zh) | 一种使用视频分析确定固废危废存放状态的方法 | |
CN110473255A (zh) | 一种基于多重网格划分的船舶系船柱定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |