CN106897694A - 用于国土资源监控的违建场景识别方法 - Google Patents
用于国土资源监控的违建场景识别方法 Download PDFInfo
- Publication number
- CN106897694A CN106897694A CN201710102204.XA CN201710102204A CN106897694A CN 106897694 A CN106897694 A CN 106897694A CN 201710102204 A CN201710102204 A CN 201710102204A CN 106897694 A CN106897694 A CN 106897694A
- Authority
- CN
- China
- Prior art keywords
- region
- contrast images
- benchmark image
- treat
- piece
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06V10/431—Frequency domain transformation; Autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种用于国土资源监控的违建场景识别方法。该方法包括:获取预设位置的第一帧图像作为基准图像以及将第一帧图像之后的一帧图像作为待对比图像;对基准图像和待对比图像分别进行分块处理以将所述基准图像和待对比图像分成对应的多个块区域;对基准图像和待对比图像中对应的一对块区域进行傅里叶变换并计算得到互功率谱,再对互功率谱进行傅里叶逆变换获得一空域变换矩阵,并计算空域变换矩阵的最大值;取基准图像和待对比图像中对应的每对块区域对应的空域变换矩阵的最大值中前N个最小的空域变换矩阵的最大值对应的块区域作为待对比图像中的变化区域。本公开可以提高违建场景识别的精度和准确性,避免系统误报和漏报。
Description
技术领域
本公开涉及国土资源信息监控技术领域,尤其涉及一种用于国土资源监控的违建场景识别方法。
背景技术
随着我国经济的迅猛发展,土地供需矛盾日益突出,违法建筑占用耕地现象、城市非法用地或者不合法用地建设现象和矿产资源的偷采盗采现象屡有发生。目前在国土资源监测方面主要利用卫星遥感监测技术手段来监测土地利用变化情况,通过不同年度前后时间土地遥感图像变化来核查各地方违法用地状况。然而,卫星监测更多是从国家层面进行宏观监管,涉及到区域性的资源监控,则更多采用视频监控系统来进行监管。
目前,国土资源的视频监控系统在实际工程应用中存在一些问题,例如在复杂场景(如野外耕地、森林等)下,由于受动态背景(如树叶晃动、风吹草动、光照突变等)对于违建场景识别的影响,识别准确度低,加上场景复杂多变,导致国土资源的视频监控系统易发生误报和漏报,给后续处理造成较大的负担,导致一些不必要的误判。
因此,有必要提供一种新的技术方案改善上述方案中存在的一个或者多个问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种用于国土资源监控的违建场景识别方法,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的第一方面,提供一种用于国土资源监控的违建场景识别方法,所述方法包括:
获取待监控国土资源区域预设位置的第一帧图像作为基准图像,并获取所述第一帧图像之后的一帧图像作为待对比图像;
对所述基准图像和待对比图像分别进行分块处理以将所述基准图像和待对比图像分成对应的多个块区域;
对所述基准图像和待对比图像中对应的一对块区域进行傅里叶变换并计算得到互功率谱,再对所述互功率谱进行傅里叶逆变换获得一空域变换矩阵并计算所述空域变换矩阵的最大值;
获取所述基准图像和待对比图像中对应的每对块区域对应的所述空域变换矩阵的最大值中前N个最小的所述空域变换矩阵的最大值对应的块区域作为所述待对比图像中的变化区域;其中N为大于等于2且小于所述块区域的总个数的整数。
本公开的一种示例性实施例中,所述对所述基准图像和待对比图像中对应的一对块区域进行傅里叶变换并计算得到互功率谱包括:
根据以下公式计算所述基准图像和待对比图像中第i个对应的一对块区域的互功率谱:
其中,F1i(u,v)为f1i(x,y)的傅里叶变换,f1i(x,y)表示所述基准图像中第i个块区域;
F2i(u,v)为f2i(x,y)的傅里叶变换,f2i(x,y)表示所述待对比图像中第i个块区域,为F2i(u,v)的共轭;
x0,y0分别为所述待对比图像中第i个块区域相对于所述基准图像中第i个块区域在x和y方向的偏移量。
本公开的一种示例性实施例中,所述N的取值为5。
本公开的一种示例性实施例中,所述对所述基准图像和待对比图像分别进行分块处理包括:
分别对所述基准图像和待对比图像进行均匀无重叠分块处理形成多个块区域。
本公开的一种示例性实施例中,所述基准图像和待对比图像的分辨率均为1920*1080,所述块区域的大小均为120*120。
本公开的一种示例性实施例中,每个所述块区域具有位置标识信息;
获取所述基准图像和待对比图像中对应的每对块区域对应的所述空域变换矩阵的最大值中前N个最小的所述空域变换矩阵的最大值对应的块区域作为所述待对比图像中的变化区域包括:
获取所述基准图像和待对比图像中对应的每对块区域对应的所述空域变换矩阵的最大值中前N个最小的所述空域变换矩阵的最大值对应的块区域并记录该N个块区域的位置标识信息;
根据所述N个块区域的位置标识信息将所述N个块区域映射到所述待对比图像中作为所述变化区域。
本公开的一种示例性实施例中,所述方法还包括:
计算所述变化区域中的每个块区域的灰度共生矩阵,并计算所述灰度共生矩阵的特征信息;
判断所述特征信息是否满足一预设判别条件,若满足则去除该特征信息对应的所述变化区域中的一个块区域;
将去除该一个块区域后的所述变化区域作为目标变化区域。
本公开的一种示例性实施例中,所述灰度共生矩阵的特征信息包括对比度、能量和熵值中的至少一个。
本公开的一种示例性实施例中,所述判断所述特征信息是否满足一预设判别条件包括:
判断所述对比度是否大于第一阈值,并判断所述能量值是否小于第二阈值,同时判断所述熵值是否大于第三阈值;
当所述对比度大于所述第一阈值,所述能量值小于所述第二阈值以及所述熵值大于所述第三阈值同时满足时,所述特征信息满足所述预设判别条件。
本公开的一种示例性实施例中,所述第一阈值为0.6,所述第二阈值为0.12,所述第三阈值为2.1。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开的一种实施例中,通过上述用于国土资源监控的违建场景识别方法,将基准图像和待对比图像分块形成对应的块区域,通过将块区域看作二维信号从时域转化到频域并利用傅里叶变换得到两个图像对应块区域的互功率谱从而进一步推断出场景是否发生变化。这样,一方面,提高了对发生变化的复杂场景识别的精度和准确率;另一方面,可以实现对违建场景较为准确的识别预警,进一步避免了国土资源监控系统发生误报和漏报,从而避免给后续处理造成较大的负担以及导致的一些不必要的误判。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中用于国土资源监控的违建场景识别方法流程图;
图2示意性示出本公开示例性实施例中另一用于国土资源监控的违建场景识别方法流程图;
图3示意性示出本公开示例性实施例中又一用于国土资源监控的违建场景识别方法流程图;
图4示意性示出本公开示例性实施例中再一用于国土资源监控的违建场景识别方法流程图;
图5A示意性示出本公开示例性实施例中场景一中的基准图像示意图;
图5B示意性示出本公开示例性实施例中场景一中的待对比图像示意图;
图5C示意性示出本公开示例性实施例中场景一变化识别测试结果示意图;
图6A示意性示出本公开示例性实施例中场景二中的基准图像示意图;
图6B示意性示出本公开示例性实施例中场景二中的待对比图像示意图;
图6C示意性示出本公开示例性实施例中场景二变化识别测试结果示意图。
图7A示意性示出本公开示例性实施例中场景三中的基准图像示意图;
图7B示意性示出本公开示例性实施例中场景三中的待对比图像示意图;
图7C示意性示出本公开示例性实施例中场景三变化识别测试结果示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种用于国土资源监控的违建场景识别方法。参考图1中所示,该方法可以包括:
步骤S101:获取待监控国土资源区域预设位置的第一帧图像作为基准图像,并获取所述第一帧图像之后的一帧图像作为待对比图像。
步骤S102:对所述基准图像和待对比图像分别进行分块处理以将所述基准图像和待对比图像分成对应的多个块区域。
步骤S103:对所述基准图像和待对比图像中对应的一对块区域进行傅里叶变换并计算得到互功率谱,再对所述互功率谱进行傅里叶逆变换获得一空域变换矩阵并计算所述空域变换矩阵的最大值。
步骤S104:获取所述基准图像和待对比图像中对应的每对块区域对应的所述空域变换矩阵的最大值中前N个最小的所述空域变换矩阵的最大值对应的块区域作为所述待对比图像中的变化区域;其中N为大于等于2且小于所述块区域的总个数的整数。
通过上述用于国土资源监控的违建场景识别方法,一方面,提高了对发生变化的复杂场景识别的精度和准确率;另一方面,可以实现对违建场景较为准确的识别预警,进一步避免了国土资源监控系统发生误报和漏报,从而避免给后续处理造成较大的负担以及导致的一些不必要的误判。
下面,将参考图1至图4对本示例实施方式中的上述方法的各个步骤进行更详细的说明。
在步骤S101中,获取待监控国土资源区域预设位置的第一帧图像作为基准图像,并获取所述第一帧图像之后的一帧图像作为待对比图像。
示例性的,所述预设位置为复杂场景下同一个预置位,该预置位可根据具体情况选定。对某个特定的预置位,将在该预置位采集的第一帧图像作为基准图像,后续采集的一帧图像作为待处理图像。具体采集时可以通过摄像头或者光电监测设备等图像处理设备采集图像。
在步骤S102中,对所述基准图像和待对比图像分别进行分块处理以将所述基准图像和待对比图像分成对应的多个块区域。
本示例实施方式中,所述对所述基准图像和待对比图像分别进行分块处理包括:分别对所述基准图像和待对比图像进行均匀无重叠分块处理形成多个块区域。
示例性的,所述基准图像和待对比图像的分辨率均为1920*1080,所述块区域的大小均为120*120。由于待处理图像分辨率为1920*1080,尺寸较大,对整幅图像进行处理效果不佳,会将较小的变化淹没掉,同时不能对变化区域进行定位。因此,对待处理的两幅图像进行分块,这里取块的大小为120*120,这样,对于1920*1080大小的图像,分成的块的个数为16*9=144个。
在步骤S103中,对所述基准图像和待对比图像中对应的一对块区域进行傅里叶变换并计算得到互功率谱,再对所述互功率谱进行傅里叶逆变换获得一空域变换矩阵并计算所述空域变换矩阵的最大值。
本示例实施方式中,所述对所述基准图像和待对比图像中对应的一对块区域进行傅里叶变换并计算得到互功率谱可以包括:根据以下公式计算所述基准图像和待对比图像中第i个对应的一对块区域的互功率谱:
其中,F1i(u,v)为f1i(x,y)的傅里叶变换,f1i(x,y)表示所述基准图像中第i个块区域;F2i(u,v)为f2i(x,y)的傅里叶变换,f2i(x,y)表示所述待对比图像中第i个块区域,为F2i(u,v)的共轭;x0,y0分别为所述待对比图像中第i个块区域相对于所述基准图像中第i个块区域在x和y方向的偏移量。
示例性的,对基准图像中第i个块区域和对应的待对比图像中第i个块区域分别进行傅里叶变换,然后计算互功率谱,对互功率谱进行傅里叶逆变换获得一空域变换矩阵并计算所述空域变换矩阵的最大值,矩阵最大值的计算可参考现有成熟技术,不再赘述。
理想情况下,上述对互功率谱进行傅里叶逆变换可得到一个冲击函数,该冲击函数只在对应的平移位置上不为0,其它位置上为0。而实际中,由于受各种噪声的影响,所得到的空域变换矩阵出现值基本不为0的现象,但是仍然有一个最大峰值,该峰值对应的位置即为两幅图像之间的平移量。通常情况下,可以根据交叉互功率谱计算得到的平移量将图像进行配准,以便后续进行图像拼接之类的应用。然而,本示例实施方式中不关心图像是否有平移,即不进行配准,其关注的重点是对应两幅图像是否发生目标的变化,即场景是否变化,例如是否有违建的建筑出现。本示例实施方式中,根据信号处理理论,如果两个信号没有发生变化,其互功率谱的幅值基本为1;反之,如果待比较的两个信号发生变化,则其幅值大大减小。这里,将图像看作二维信号,计算两幅图像对应块的交叉互功率谱,其幅值反映了对应图像之间的变化情况。根据这个理论,可以利用两幅图像的交叉互功率谱的幅值变化来判断待对比图像是否发生变化,这样使得识别判断的准确率和精度大大提高。
在步骤S104中,获取所述基准图像和待对比图像中对应的每对块区域对应的所述空域变换矩阵的最大值中前N个最小的所述空域变换矩阵的最大值对应的块区域作为所述待对比图像中的变化区域;其中N为大于等于2且小于所述块区域的总个数的整数。
参考图2所示,每个所述块区域具有位置标识信息,如唯一的索引号或者编码等等。所述获取所述基准图像和待对比图像中对应的每对块区域对应的所述空域变换矩阵的最大值中前N个最小的所述空域变换矩阵的最大值对应的块区域作为所述待对比图像中的变化区域可以包括:
步骤S201:获取所述基准图像和待对比图像中对应的每对块区域对应的所述空域变换矩阵的最大值中前N个最小的所述空域变换矩阵的最大值对应的块区域并记录该N个块区域的位置标识信息。
示例性的,上述进行傅里叶逆变换后生成与块区域大小相等的空域变换矩阵。然后,统计空域变换矩阵的最大值,保存最大值及其对应的块区域的索引,即位置标识信息。
步骤S202:根据所述N个块区域的位置标识信息将所述N个块区域映射到所述待对比图像中作为所述变化区域。
示例性的,所述N的取值为5,当然也可是其他数值。对所有块区域对应的空域变换矩阵的最大值进行升序排序,选取前面最小的5个最大值对应的块区域,根据位置标识信息将其映射到待对比图像中,获得对应块区域的在待对比图像中的位置作为待对比图像中的变化区域,即场景发生变化的区域。该变化区域反应了两幅图像中变化最大的区域,也即候选变化区域块。
参考图3所示,为了处理动态背景如树叶晃动、风吹草动、光照突变等变化的影响,本示例性实施例中还利用目标块区域与虚警块区域的灰度共生矩阵的特征值不同来去除大部分虚警以提高识别的准确性。在上述实施例的基础上,本示例性实施例中,所述方法还可以包括步骤S301~S303。其中:
步骤S301:计算所述变化区域中的每个块区域的灰度共生矩阵,并计算所述灰度共生矩阵的特征信息。
示例性的,所述灰度共生矩阵的特征信息包括对比度、能量和熵值中的至少一个。所述灰度共生矩阵能反映图像关于方向、相邻间隔、变化幅度的综合信息,是分析图像的局部模式和它们排列规则的基础,是一种对图像纹理进行定量描述的方法。灰度共生矩阵方法用条件概率来反映纹理,是相邻像素的灰度相关性的表现,其定义为图像中相距为D的两个灰度像素同时出现的联合概率分布,是一种二阶统计量,像素关系可以根据不同的纹理属性进行选择。
用Pδ表示灰度共生矩阵,它是一个L*L的矩阵(L为图像的灰度级),Pδ(i,j),i,j=1,2,...,L表示具有空间位置关系δ且灰度分别为i和j的两个像素出现的次数或频率。这里δ=(Dx,Dy),像素关系可以根据不同的纹理特性进行选择,即Dx,Dy可以自由选择。对于较细的纹理可以取像素间距为1,δ=(±1,0)为水平扫描;δ=(0,±1)为垂直扫描;δ=(1,-1),δ=(-1,1)为45度扫描;δ=(1,1),δ=(1,1)为180度扫描。一旦空间位置确定,即可生成灰度共生矩阵。
根据所述灰度共生矩阵可以看出,如果对角附近的元素有较大的值,说明图像的像素具有相似的像素值,如果偏离对角线的元素会有比较大的值,说明像素灰度在局部有较大变化。为了得到更多的纹理特征,这里我们计算对比度、能量和熵,具体计算方式如下:
一、对比度:
纹理沟纹越深,其对比度越大,视觉效果越清晰;反之,对比度小,则沟纹浅,效果模糊。灰度差即对比度大的像素对越多,对比度的值越大。灰度共生矩阵中远离对角线的元素值越大,对比度con越大。所以con越大图像越清晰。对比度计算公式如下:
其中,P(i,j)表示灰度共生矩阵中第i行、第j列的值。
二、能量
能量Asm是灰度共生矩阵元素值的平方和,所以也称之为能量,反映了图像灰度分布均匀程度和纹理粗细度。Asm值大表明一种较均一和规则变化的纹理模式。其计算如下:
其中,P(i,j)表示灰度共生矩阵中第i行、第j列的值。
三、熵
熵Ent的物理含义就是物体的规则度,越有序熵越小,越无序熵越大。此处熵同样表示图像的信息量,当灰度共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时,灰度共生矩阵中元素分散分布时,熵较大。它表示了图像中纹理的非均匀程度或复杂程度。其计算如下:
其中,P(i,j)表示灰度共生矩阵中第i行、第j列的值。
步骤S302:判断所述特征信息是否满足一预设判别条件,若满足则去除该特征信息对应的所述变化区域中的一个块区域。
参考图4所示,本示例性实施例中,上述步骤S302中判断所述特征信息是否满足一预设判别条件可以包括:
步骤S401:判断所述对比度是否大于第一阈值,并判断所述能量值是否小于第二阈值,同时判断所述熵值是否大于第三阈值;
本示例性实施例中,经过统计分析可知,目标块区域和虚警块区域的纹理特征不同,而灰度共生矩阵可以描述图像的纹理特征。因此,计算每个块区域的灰度共生矩阵,并统计其特征信息,对大量场景图像进行统计分析,得出不同特征信息(如对比度、能量和熵)的阈值,制定判别准则即所述预设判别条件,这样可以进一步去掉可能的虚警块区域,获得待对比图像中最终的目标变化区域。
步骤S402:当所述对比度大于所述第一阈值,所述能量值小于所述第二阈值以及所述熵值大于所述第三阈值同时满足时,所述特征信息满足所述预设判别条件。
示例性的,所述第一阈值可以为0.6,所述第二阈值可以为0.12,所述第三阈值可以为2.1。那么当计算得到的所述对比度大于0.6,所述能量值小于0.12以及所述熵值大于2.1同时满足时,则认为对应的一个块区域为虚警块区域。
步骤S303:将去除该一个块区域后的所述变化区域作为目标变化区域。也就是当以上三个条件同时满足时,去除对应的虚警块区域。本实施例方案简单有效,易于实现,解决了传统方法利用背景建模及差分易出现模型更新困难、易受动态背景干扰的影响,提高了场景识别的精度和准确度。
为了验证本示例实施方式中的上述方法对实际不同场景中违建行为检测的准确性,发明人对实际中两组不同场景中的建筑活动进行测试。
图5A所示为场景一中的基准图像,图5B所示为场景一中的待对比图像。图5C为场景一变化识别测试结果示意图。从图5A和图5B可以看出,与基准图像相比,待对比图像发生人群活动和砖墙的变化,此外,还有树叶的晃动及轻微的光照变化。对实际应用而言,人群活动和砖墙的变化区域是需要检测出来的,而树叶的晃动则是背景变化区域,需要滤除。采用本示例实施方式中的上述方法得到的测试结果如图5C所示。从结果可以看出,本示例实施方式中的上述方法可以检测场景中砖墙和部分人的变化区域,即图5C中的矩形框区域,树叶的晃动等认为是虚警已去除。
图6A所示为场景二中的基准图像,图6B所示为场景二中的待对比图像。图6C为场景二变化识别测试结果示意图。从图6A和图6B可以看出,与基准图像相比,待对比图像发生人群活动。此外,还有大棚顶上白布的变化以及风吹草动。对实际应用而言,人群活动区域是需要检测出来的变化区域,而大棚顶上白布的变化以及风吹草动区域则是背景变化区域,需要滤除。采用本示例实施方式中的上述方法得到的检测结果如图6C所示,从结果可以看出,本示例实施方式中的上述方法可以检测场景中人的变化区域,即图6C中的矩形框区域,大棚顶上白布的变化以及风吹草动区域认为是虚警去除。
此外,为了验证本示例实施方式中的上述方法对全局光照变化的鲁棒性,对实际场景三中的两组图像进行测试。图7A所示为场景三中的基准图像,图7B所示为场景三中的待对比图像。图7C为场景三变化识别测试结果示意图。从图7A和图7B的对比可以看出,与基准图像相比,待对比图像发生砖墙及光照的变化,此外还有树叶的晃动。采用本示例实施方式中的上述方法得到的检测结果如图7C所示,从结果可以看出,本示例实施方式中的上述方法可以检测场景中砖墙的变化区域,即图7C中的多个矩形框区域。虽然场景光照发生了较大改变,但是仍然能检测出砖墙的变化区域,没有出现虚警。由此可以看出,本示例实施方式中的上述方法对全局光照变化比较鲁棒。
本发明实施例还具有以下有益的技术效果:本发明实施例首先从信号处理理论出发,利用信号的频域相关判断图像发生的变化,与传统的背景建模方法相比,本发明实施例关注的是区域发生的变化,对场景中的细微变化不敏感,解决了传统方法易受动态背景干扰影响的难题。其次,本发明实施例基于傅里叶变换理论,简单有效,易于硬件实现,为实际应用提供了可能。另外,本发明实施例利用目标区域的灰度共生矩阵计算不同的特征值以区分目标区域和虚警区域,可以基于此去除大部分虚警,为后端提供初步预警,大大降低了前端图像发送至后端造成的带宽和成本压力。最后,本发明实施例还可以实现对场景变换区域的粗定位,为后端进行进一步识别大大缩减了搜索空间,为最终的快速判决奠定基础。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。另外,也易于理解的是,这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现木公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种用于国土资源监控的违建场景识别方法,其特征在于,所述方法包括:
获取待监控国土资源区域预设位置的第一帧图像作为基准图像,并获取所述第一帧图像之后的一帧图像作为待对比图像;
对所述基准图像和待对比图像分别进行分块处理以将所述基准图像和待对比图像分成对应的多个块区域;
对所述基准图像和待对比图像中对应的一对块区域进行傅里叶变换并计算得到互功率谱,再对所述互功率谱进行傅里叶逆变换获得一空域变换矩阵并计算所述空域变换矩阵的最大值;
获取所述基准图像和待对比图像中对应的每对块区域对应的所述空域变换矩阵的最大值中前N个最小的所述空域变换矩阵的最大值对应的块区域作为所述待对比图像中的变化区域;其中N为大于等于2且小于所述块区域的总个数的整数。
2.根据权利要求1所述违建场景识别方法,其特征在于,所述对所述基准图像和待对比图像中对应的一对块区域进行傅里叶变换并计算得到互功率谱包括:
根据以下公式计算所述基准图像和待对比图像中第i个对应的一对块区域的互功率谱:
其中,F1i(u,v)为f1i(x,y)的傅里叶变换,f1i(x,y)表示所述基准图像中第i个块区域;
F2i(u,v)为f2i(x,y)的傅里叶变换,f2i(x,y)表示所述待对比图像中第i个块区域,为F2i(u,v)的共轭;
x0,y0分别为所述待对比图像中第i个块区域相对于所述基准图像中第i个块区域在x和y方向的偏移量。
3.根据权利要求1所述违建场景识别方法,其特征在于,所述N的取值为5。
4.根据权利要求1~3任一项所述违建场景识别方法,其特征在于,所述对所述基准图像和待对比图像分别进行分块处理包括:
分别对所述基准图像和待对比图像进行均匀无重叠分块处理形成多个块区域。
5.根据权利要求4所述违建场景识别方法,其特征在于,所述基准图像和待对比图像的分辨率均为1920*1080,所述块区域的大小均为120*120。
6.根据权利要求4所述违建场景识别方法,其特征在于,每个所述块区域具有位置标识信息;
获取所述基准图像和待对比图像中对应的每对块区域对应的所述空域变换矩阵的最大值中前N个最小的所述空域变换矩阵的最大值对应的块区域作为所述待对比图像中的变化区域包括:
获取所述基准图像和待对比图像中对应的每对块区域对应的所述空域变换矩阵的最大值中前N个最小的所述空域变换矩阵的最大值对应的块区域并记录该N个块区域的位置标识信息;
根据所述N个块区域的位置标识信息将所述N个块区域映射到所述待对比图像中作为所述变化区域。
7.根据权利要求6所述违建场景识别方法,其特征在于,所述方法还包括:
计算所述变化区域中的每个块区域的灰度共生矩阵,并计算所述灰度共生矩阵的特征信息;
判断所述特征信息是否满足一预设判别条件,若满足则去除该特征信息对应的所述变化区域中的一个块区域;
将去除该一个块区域后的所述变化区域作为目标变化区域。
8.根据权利要求7所述违建场景识别方法,其特征在于,所述灰度共生矩阵的特征信息包括对比度、能量和熵值中的至少一个。
9.根据权利要求8所述违建场景识别方法,其特征在于,所述判断所述特征信息是否满足一预设判别条件包括:
判断所述对比度是否大于第一阈值,并判断所述能量值是否小于第二阈值,同时判断所述熵值是否大于第三阈值;
当所述对比度大于所述第一阈值,所述能量值小于所述第二阈值以及所述熵值大于所述第三阈值同时满足时,所述特征信息满足所述预设判别条件。
10.根据权利要求9所述违建场景识别方法,其特征在于,所述第一阈值为0.6,所述第二阈值为0.12,所述第三阈值为2.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710102204.XA CN106897694A (zh) | 2017-02-24 | 2017-02-24 | 用于国土资源监控的违建场景识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710102204.XA CN106897694A (zh) | 2017-02-24 | 2017-02-24 | 用于国土资源监控的违建场景识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106897694A true CN106897694A (zh) | 2017-06-27 |
Family
ID=59184909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710102204.XA Pending CN106897694A (zh) | 2017-02-24 | 2017-02-24 | 用于国土资源监控的违建场景识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897694A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145812A (zh) * | 2018-08-20 | 2019-01-04 | 贵州宜行智通科技有限公司 | 违建监测方法及装置 |
CN110602485A (zh) * | 2019-04-26 | 2019-12-20 | 深圳市豪视智能科技有限公司 | 故障检测方法及相关产品 |
CN110647841A (zh) * | 2019-09-20 | 2020-01-03 | Oppo广东移动通信有限公司 | 图像识别结果过滤方法、装置、计算机设备及存储介质 |
CN110661584A (zh) * | 2019-09-02 | 2020-01-07 | 鹏城实验室 | 监控方法、设备、系统和存储介质 |
CN111368615A (zh) * | 2019-06-26 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种违章建筑预警方法、装置及电子设备 |
CN117522174A (zh) * | 2024-01-05 | 2024-02-06 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100008516A1 (en) * | 2008-07-11 | 2010-01-14 | International Business Machines Corporation | Method and system for position detection of a sound source |
CN103034860A (zh) * | 2012-12-14 | 2013-04-10 | 南京思创信息技术有限公司 | 基于sift特征的违章建筑检测方法 |
CN103491351A (zh) * | 2013-09-29 | 2014-01-01 | 东南大学 | 违章建筑物的智能视频监控方法 |
CN105208325A (zh) * | 2015-08-26 | 2015-12-30 | 武汉大学 | 基于图像定点抓拍及比对分析的国土资源监控预警方法 |
CN105761236A (zh) * | 2015-11-16 | 2016-07-13 | 乐视致新电子科技(天津)有限公司 | 一种用于图像配准的图像预处理方法及装置 |
CN105893972A (zh) * | 2016-04-08 | 2016-08-24 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN106296587A (zh) * | 2016-08-19 | 2017-01-04 | 广东工业大学 | 轮胎模具图像的拼接方法 |
-
2017
- 2017-02-24 CN CN201710102204.XA patent/CN106897694A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100008516A1 (en) * | 2008-07-11 | 2010-01-14 | International Business Machines Corporation | Method and system for position detection of a sound source |
CN103034860A (zh) * | 2012-12-14 | 2013-04-10 | 南京思创信息技术有限公司 | 基于sift特征的违章建筑检测方法 |
CN103491351A (zh) * | 2013-09-29 | 2014-01-01 | 东南大学 | 违章建筑物的智能视频监控方法 |
CN105208325A (zh) * | 2015-08-26 | 2015-12-30 | 武汉大学 | 基于图像定点抓拍及比对分析的国土资源监控预警方法 |
CN105761236A (zh) * | 2015-11-16 | 2016-07-13 | 乐视致新电子科技(天津)有限公司 | 一种用于图像配准的图像预处理方法及装置 |
CN105893972A (zh) * | 2016-04-08 | 2016-08-24 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN106296587A (zh) * | 2016-08-19 | 2017-01-04 | 广东工业大学 | 轮胎模具图像的拼接方法 |
Non-Patent Citations (1)
Title |
---|
景丽等: "基于相位相关的图像区域复制篡改检测与定位", 《计算机应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145812A (zh) * | 2018-08-20 | 2019-01-04 | 贵州宜行智通科技有限公司 | 违建监测方法及装置 |
CN110602485A (zh) * | 2019-04-26 | 2019-12-20 | 深圳市豪视智能科技有限公司 | 故障检测方法及相关产品 |
CN110602485B (zh) * | 2019-04-26 | 2020-09-29 | 深圳市豪视智能科技有限公司 | 故障检测方法及相关产品 |
CN111368615A (zh) * | 2019-06-26 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种违章建筑预警方法、装置及电子设备 |
CN111368615B (zh) * | 2019-06-26 | 2024-04-05 | 杭州海康威视系统技术有限公司 | 一种违章建筑预警方法、装置及电子设备 |
CN110661584A (zh) * | 2019-09-02 | 2020-01-07 | 鹏城实验室 | 监控方法、设备、系统和存储介质 |
CN110661584B (zh) * | 2019-09-02 | 2022-05-06 | 鹏城实验室 | 监控方法、设备、系统和存储介质 |
CN110647841A (zh) * | 2019-09-20 | 2020-01-03 | Oppo广东移动通信有限公司 | 图像识别结果过滤方法、装置、计算机设备及存储介质 |
CN110647841B (zh) * | 2019-09-20 | 2022-06-28 | Oppo广东移动通信有限公司 | 图像识别结果过滤方法、装置、计算机设备及存储介质 |
CN117522174A (zh) * | 2024-01-05 | 2024-02-06 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897694A (zh) | 用于国土资源监控的违建场景识别方法 | |
Shao et al. | Application of a fast linear feature detector to road extraction from remotely sensed imagery | |
CN101339664B (zh) | 一种目标跟踪方法及系统 | |
CN104766099B (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
EP2297701A2 (de) | Verfahren zur videoanalyse | |
CN103747271B (zh) | 一种基于混合感知哈希的视频篡改检测方法和装置 | |
CN107977992A (zh) | 一种基于无人机激光雷达的建筑物变化检测方法及装置 | |
CN104636764B (zh) | 一种图像隐写分析方法以及其装置 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN104463104B (zh) | 一种静态车辆目标快速检测方法及装置 | |
CN106295657A (zh) | 一种视频数据结构化过程中提取人体高度特征的方法 | |
CN112883802A (zh) | 一种管道光纤振动安全预警系统破坏性事件的识别方法 | |
CN108960012A (zh) | 特征点检测方法、装置及电子设备 | |
CN103747255A (zh) | 一种基于空域感知哈希的视频篡改检测方法和装置 | |
CN113111706B (zh) | 一种面向方位角连续缺失的sar目标特征解缠与识别方法 | |
CN106910190A (zh) | 用于国土资源监控的违建场景识别系统 | |
CN106375756B (zh) | 一种针对监控视频单一对象移除篡改的检测方法 | |
CN102024244A (zh) | 基于图像特征区域的水印嵌入、检测方法及其装置 | |
CN112529837A (zh) | 基于耦合判别特征自学习网络的遥感图像变化检测算法 | |
CN116612097A (zh) | 一种基于表面缺陷图像的木材内部节子形态预测方法及系统 | |
CN117058548A (zh) | 遥感图像目标检测方法、装置、存储介质和电子设备 | |
CN116703685A (zh) | 图像去水印方法、装置、设备和介质 | |
CN114445726A (zh) | 一种基于深度学习的样本库建立方法和装置 | |
CN112284287B (zh) | 一种基于结构表面灰度特征的立体视觉三维位移测量方法 | |
CN103793880A (zh) | 一种结构自适应和结构保持的图像局部扭曲方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170627 |