CN107194340B - 利用计算机视觉搜索登山遇险人员的方法及系统 - Google Patents

利用计算机视觉搜索登山遇险人员的方法及系统 Download PDF

Info

Publication number
CN107194340B
CN107194340B CN201710340150.0A CN201710340150A CN107194340B CN 107194340 B CN107194340 B CN 107194340B CN 201710340150 A CN201710340150 A CN 201710340150A CN 107194340 B CN107194340 B CN 107194340B
Authority
CN
China
Prior art keywords
matrix
picture
target object
convolution
processing
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
Application number
CN201710340150.0A
Other languages
English (en)
Other versions
CN107194340A (zh
Inventor
窦露
张宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201710340150.0A priority Critical patent/CN107194340B/zh
Publication of CN107194340A publication Critical patent/CN107194340A/zh
Application granted granted Critical
Publication of CN107194340B publication Critical patent/CN107194340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • 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
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种利用计算机视觉搜索登山遇险人员的方法，包括以下步骤：第一步，读取搜救区域的视频或者图片；第二步，设置目标物体在图片中所占据的像素值、目标物体的颜色范围；第三步，确定卷积核矩阵；将搜救区域的图片的全部像素点处理为二维数组的RGB矩阵，然后对图片的全部像素点的颜色进行二值化处理，得到颜色二值化矩阵；第四步，将卷积核矩阵与颜色二值化矩阵进行卷积运算，得到卷积处理矩阵。本发明在搜救人员从远处或者飞行器上对搜索区域进行拍照或拍摄的基础上，利用计算机视觉对搜索区域的远景照片或视频进行分析和处理，识别标定其中可能的失踪者的位置。本发明还公开了一种利用计算机视觉搜索登山遇险人员的系统。

Description

利用计算机视觉搜索登山遇险人员的方法及系统
技术领域
本发明涉及一种计算机视觉的应用方法，具体涉及一种利用计算机视觉搜索登山遇险人员的方法。本发明还涉及一种利用计算机视觉搜索登山遇险人员的系统。
背景技术
随着经济的发展和体育旅游的普及，越来越多的人喜欢登山徒步这样的户外运动。但是由于户外运动天然的高风险性，每年都会发生若干起因户外运动导致的伤亡事故，其中较为严重的是人员失踪后的死亡事故。因此，一旦在户外运动过程中发生人员失踪事故，各种专业救援队和民间救援队都会积极参与搜救。
现有的救援手段一般是通过人力进行搜索，搜索范围有限，搜救效率低，且受地形影响大。空中搜索的效率更高，但目前中国通用航空尚未普及且缺乏必要的空中搜索专业设备，仍然只能靠飞行员和机组人员进行肉眼搜索，效率偏低。
在户外运动蓬勃发展，户外事故层出不穷的情况下，有必要开发一种更高效、更自动化的针对户外山地运动救援的搜索方法。
发明内容
本发明所要解决的技术问题是提供一种利用计算机视觉搜索登山遇险人员的方法，它通过分析搜救区域的远景图片，可以找到符合遇险人员特征的物体。
为解决上述技术问题，本发明利用计算机视觉搜索登山遇险人员的方法的技术解决方案为，包括以下步骤：
第一步，读取搜救区域的视频或者图片；如果读取的是视频，则对视频进行分解，将视频转换为图片；
第二步，设置目标物体在图片中所占据的像素值、目标物体的颜色范围；
所述目标物体在图片中所占据的像素值为目标物体所占据像素的理论计算值乘以镜头畸变放大系数；其中，目标物体所占据像素的理论计算值＝目标物体的尺寸×图片的宽度÷图片对应的视场宽度。
第三步，根据目标物体在图片中所占据的像素值，确定卷积核矩阵的尺寸，以及卷积核矩阵中的各元素值；
将搜救区域的图片的全部像素点处理为二维数组的RGB矩阵，然后对图片的全部像素点的颜色进行二值化处理，与目标物体的颜色范围相同的像素点的元素值设置为1，与目标物体的颜色范围不同的像素点的元素值设置为0，从而得到颜色二值化矩阵；
所述卷积核矩阵的尺寸为：
Ksize＝Mmax+2 (公式3)
其中，Ksize为卷积核矩阵的行数和列数；
Mmax为目标物体在图片中所占据的像素值；
卷积核矩阵中的各元素值Kij为：
Kij＝1(1<i<Ksize，1<j<Ksize)
以及
Kij≤-Mmax 2-1(i＝1或者i＝Ksize，j＝1或者j＝Ksize)。
第四步，将卷积核矩阵与颜色二值化矩阵进行卷积运算，得到卷积处理矩阵；卷积处理矩阵中，大于0的元素所在的像素点为疑似目标物体。
所述卷积处理矩阵中的各元素值的计算方法为：
Figure GDA0003455159960000031
其中，X为卷积核矩阵；
Y为颜色二值化矩阵；
m,n为卷积核矩阵中每个元素对应的行号和列号；
u,v为颜色二值化矩阵中每个元素对应的行号和列号；
Z为卷积处理矩阵；
M，N为卷积核矩阵的行数和列数。
第五步，对卷积处理矩阵进行二值化处理，将卷积处理矩阵中小于或等于0的元素设置为0，大于0的元素设置为1；则元素值为1所在的像素点为疑似目标物体，该像素点所对应的列和行即为疑似目标物体在图片中的坐标。
进一步，所述第二步中还设置图片中忽略区域的坐标及范围；对搜救区域的图片的全部像素点进行二值化处理，位于忽略区域的像素点的元素值设置为0，其余像素点的元素值设置为1，从而得到忽略区域二值化矩阵；将卷积处理矩阵与忽略区域二值化矩阵进行每个对应元素值的求积运算，得到过滤后的卷积处理矩阵；过滤后的卷积处理矩阵中，大于0的像素点为疑似目标物体。
本发明还提供一种利用计算机视觉搜索登山遇险人员的系统，其技术解决方案为，包括
图片读取及解析模块：读取搜救区域的视频或者图片；如果读取的是图片，则将图片传送给图片处理模块；如果读取的是视频，则对视频进行分解，将视频解析成一帧一帧的图片，然后再传送给图片处理模块；
图片处理模块：将图片的全部像素点处理为二维数组的RGB矩阵，然后再将图片传送给图片颜色二值化处理模块；
参数设置模块：根据目标物体的尺寸、颜色，以及图片对应的视场宽度，设置目标物体在图片中所占据的像素值、目标物体的颜色范围；
图片颜色二值化处理模块：根据参数设置模块设置的目标物体的颜色范围，对搜救区域的图片的全部像素点的颜色进行二值化处理，与目标物体的颜色范围相同的像素点的元素值设置为1，与目标物体的颜色范围不同的像素点的元素值设置为0，从而得到颜色二值化矩阵；
卷积核产生模块：根据参数设置模块设置的目标物体在图片中所占据的像素值，确定卷积核矩阵；
所述卷积核矩阵的尺寸为：
Ksize＝Mmax+2 (公式3)
其中，Ksize为卷积核矩阵的行数和列数；
Mmax为目标物体在图片中所占据的像素值；
卷积核矩阵中的各元素值Kij为：
Kij＝1(1<i<Ksize，1<j<Ksize)
以及
Kij≤-Mmax 2-1(i＝1或者i＝Ksize，j＝1或者j＝Ksize)；
目标搜索模块：将卷积核产生模块所产生的卷积核矩阵与图片颜色二值化处理模块所产生的颜色二值化矩阵进行卷积运算，得到卷积处理矩阵；卷积处理矩阵中，大于0的元素所在的像素点为疑似目标物体。
进一步，还包括归一化模块；归一化模块对目标搜索模块所产生的卷积处理矩阵进行二值化处理，将卷积处理矩阵中小于或等于0的元素设置为0，大于0的元素设置为1；则元素值为1所在的像素点为疑似目标物体，该像素点所对应的列和行即为疑似目标物体在图片中的坐标。
进一步，还包括目标过滤模块；根据拍摄条件，通过所述参数设置模块设置图片中忽略区域的坐标或范围；然后通过目标过滤模块对搜救区域的图片的全部像素点进行二值化处理，位于忽略区域的像素点的元素值设置为0，其余像素点的元素值设置为1，从而得到忽略区域二值化矩阵，该忽略区域二值化矩阵大小为图片矩阵大小；将目标搜索模块所得到的卷积处理矩阵与忽略区域二值化矩阵进行求积运算，得到过滤后的卷积处理矩阵；过滤后的卷积处理矩阵中，大于0的像素点为疑似目标物体。
进一步，还包括归一化模块；归一化模块对目标过滤模块所产生的过滤后的卷积处理矩阵进行二值化处理，将过滤后的卷积处理矩阵中小于或等于0的元素设置为0，大于0的元素设置为1；则元素值为1所在的像素点为疑似目标物体，该像素点所对应的列和行即为疑似目标物体在图片中的坐标。
本发明可以达到的技术效果是：
本发明在搜救人员从远处或者飞行器上对搜索区域进行拍照或拍摄的基础上，利用计算机视觉对搜索区域的远景照片或视频进行分析和处理，识别标定其中可能的失踪者的位置。
本发明能够从搜救区域的远景图片中自动发现并报告可疑目标物体，有效提高了搜救效率，为救援赢得宝贵时间。
附图说明
本领域的技术人员应理解，以下说明仅是示意性地说明本发明的原理，所述原理可按多种方式应用，以实现许多不同的可替代实施方式。这些说明仅用于示出本发明的教导内容的一般原理，不意味着限制在此所公开的发明构思。
结合在本说明书中并构成本说明书的一部分的附图示出了本发明的实施方式，并且与上文的总体说明和下列附图的详细说明一起用于解释本发明的原理。
下面结合附图和具体实施方式对本发明作进一步详细的说明：
图1是卷积运算过程的示意图；
图2是包含目标物体的二值化矩阵示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。除非另外定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明利用计算机视觉搜索登山遇险人员的方法，包括以下步骤：
第一步，读取搜救区域的视频或者图片；如果读取的是视频，则对视频进行分解，将视频转换为图片；
第二步，设置目标物体在图片中所占据的像素值、目标物体的颜色范围、图片中忽略区域的坐标及范围；忽略区域可以有若干个；
目标物体在图片中所占据的像素大小根据图片所拍摄的视场大小和目标物体的大小进行计算；
例如，图片的宽度为2千个像素，图片对应的视场宽度为2千米，目标物体的大小为2米，则该目标物体在该图片中对应2个像素值，该2个像素值即为目标物体所占据像素的理论计算值；
考虑到镜头畸变因素，目标物体在图片中所占据的像素值可能略大于理论计算值，将目标物体所占据像素的理论计算值乘以镜头畸变放大系数，即得到目标物体在图片中所占据的像素值；
第三步，根据目标物体在图片中所占据的像素值，计算卷积核矩阵的尺寸，确定卷积核矩阵中的各元素值；
将搜救区域的图片的全部像素点处理为二维数组的RGB矩阵，然后对图片的全部像素点的颜色进行二值化处理，与目标物体的颜色范围相同的像素点的元素值设置为1，与目标物体的颜色范围不同的像素点的元素值设置为0，从而得到颜色二值化矩阵；
例如，当目标物体的颜色为红色，则将搜救区域的图片上的全部像素点中，颜色为红色系的像素点的元素值设为1，其他颜色的像素点的元素值设为0；
第四步，将卷积核矩阵与颜色二值化矩阵进行卷积运算，得到卷积处理矩阵；卷积处理矩阵中，大于0的元素所在的像素点为疑似目标物体；
卷积运算是利用一个特定的卷积模板(即卷积核矩阵)与输入矩阵(即颜色二值化矩阵)的每个元素进行加权累加，得到一个与输入矩阵对应的输出矩阵(即卷积处理矩阵)；该输出矩阵中的元素值反应了输入矩阵中对应元素及其周边元素的特征，是一种用于数字图像处理的标准数学运算。
卷积运算过程如图1所示，设输入矩阵S为M×N矩阵，其中Sij对应矩阵S的i行j列元素；输出矩阵T为M×N矩阵，Tij对应矩阵T的i行j列元素；卷积模板K为3×3矩阵；则输出矩阵T第二行第二列的元素值为
T33＝K11S22+K12S23+K13S24+......+K31S42+K32S43+K33S44 (公式1)
利用卷积模板K在输入矩阵S上对每个元素Sij计算对应的值Tij，则完成了对输入矩阵S的卷积运算，该过程如下述公式表示：
Figure GDA0003455159960000081
其中，X为卷积核矩阵；
Y为颜色二值化矩阵；
m,n为卷积核矩阵中每个元素对应的行号和列号；
u,v为颜色二值化矩阵中每个元素对应的行号和列号；
Z为卷积处理矩阵；
M，N为卷积核矩阵的行数和列数。
本发明中，卷积运算的输入矩阵为只有0和1的二值化矩阵，并利用卷积运算计算出目标矩阵的元素值，从而判断该元素所对应像素是否为搜索目标，若为搜索目标，则该值大于0；若非搜索目标，则该值小于0。
设目标物体在图片中的最大尺寸为M，即宽高各为M；则对应该目标物体的卷积核矩阵的宽高分别为M+2，即卷积核矩阵在目标物体大小的基础上，增加一圈边框；其中，边框上的各元素值分别为小于或等于-M2-1的负整数，而边框内部区域的各元素值为1；
例如，目标物体在图片中所占据的最大尺寸为100个像素，则卷积核矩阵为102×102的矩阵；卷积模板中，边框内部的各元素值为1，边框上各元素值(即第一行、第一列、最后一行和最后一列的元素值)为-10001；
即使卷积模板边框内部的所有元素都能匹配输入矩阵S中的值为1的元素，只要还有任何一个值为1的元素在卷积核矩阵的边框上，则卷积运算的值为负，表示该物体大于搜索目标物体；反之，只要卷积模板的边框上没有值为1的元素，只要卷积模板的边框内匹配输入矩阵S的任何一个值为1的元素，则卷积计算值为正，表示该物体符合搜索目标物体大小。
本发明通过设定卷积核矩阵(即卷积模板)中的各元素值，能够使卷积运算值满足以下两个条件：(1)若物体小于或者等于搜索物体大小，则对应的卷积计算值大于0；(2)若物体大于搜索物体大小，则对应的卷积计算值小于零。在后续运算中，可以将大于搜索物体的物体排除，即使它们具有符合搜索条件的颜色。本发明利用卷积运算以排除那些与搜索目标具有相同或相似颜色但尺寸大于搜索目标物体的物体或者颜色区域，从而提高搜索精度。
由于目标物体的最大尺寸已知，为了使计算过程更简化，卷积模板边框的各元素值可以设置一个负整数常数值；假设目标物体的最大尺寸为Mmax,则该常数值可以是任何小于等于-Mmax 2-1的负整数值；无论目标物体的大小如何，都将卷积核矩阵的边框值设置为该常数值。
由上述讨论可得到如下卷积模板的产生过程:
设最大目标物体大小为Mmax,则卷积模板大小Ksize＝Mmax+2(公式3)；
对于卷积模板K中的元素Kij，有
Kij＝1(i>1并且i<Ksize；j>1并且j<Ksize) (公式4)
以及
Kij＝-Mmax 2-1(i＝1或者i＝Ksize；j＝1或者j＝Ksize) (公式5)
经过卷积运算，能够将宽或高大于100的与目标物体相同颜色的区域排除，只保留宽或高不大于100的区域，则该区域为疑似目标物体；
本发明利用计算机视觉实现对户外救援的图像识别，由于户外救援的图片通常都是远景，场面宏大，拍摄距离远，视场广阔；而搜索目标为失踪者、帐篷或皮划艇等物体，与动辄数公里宽的视野范围相比，搜救目标非常小，不能提供足够的细节信息，可以利用的特征非常有限。本发明将颜色作为主要的搜索特征，考虑到真实的野外环境中，图片中存在大量的噪声像素，例如，当目标物体为蓝色时，而天空背景可能也是蓝色，因此，仅仅通过颜色判断是不够的，还需要结合目标物体的物理尺寸，结合相邻区域的颜色进行综合判断。本发明根据目标物体在图片中所占据的像素值，利用卷积核矩阵实现自动搜索，能够有效提高搜救效率。
优选地，如果第二步设置了图片中忽略区域的坐标，则需要对忽略区域进行过滤，因为忽略区域可能包含干扰信息；
对搜救区域的图片的全部像素点进行二值化处理，位于忽略区域的像素点的元素值设置为0，其余像素点的元素值(有效区域的像素点的元素值)设置为1，从而得到忽略区域二值化矩阵；
将卷积处理矩阵与忽略区域二值化矩阵进行每个对应元素值的求积运算，得到过滤后的卷积处理矩阵；过滤后的卷积处理矩阵中，大于0的像素点为疑似目标物体；
此步骤能够将位于忽略区域内的1值都被清理为0，从而排除干扰信息；
第五步，对卷积处理矩阵进行二值化处理，将卷积处理矩阵中小于或等于0的元素设置为0，大于0的元素设置为1；则元素值为1所在的像素点为疑似目标物体，该像素点所对应的列和行即为疑似目标物体在图片中的坐标；
本步骤能够使疑似目标物体所在区域与周围突出显示。
本发明利用计算机视觉搜索登山遇险人员的系统，包括
图片读取及解析模块：读取搜救区域的视频(如航拍视频)或者图片(如航拍图片)；如果读取的是图片，则将图片传送给图片处理模块；如果读取的是视频，则对视频进行分解，将视频解析成一帧一帧的图片，然后再传送给图片处理模块；
图片处理模块：将图片的全部像素点处理为二维数组的RGB矩阵，然后再将图片传送给图片颜色二值化处理模块；
参数设置模块：根据目标物体的尺寸、颜色，以及图片所拍摄的视场大小，设置目标物体在图片中所占据的像素值、目标物体的颜色范围；
考虑到户外救援的特点，户外服装装备的颜色通常都比较鲜艳，因此本发明将颜色作为主要的搜索特征；
目标物体在图片中所占据的像素值根据目标物体的物理尺寸进行计算；考虑到镜头畸变因素，将计算值乘以放大系数，得到目标物体在图片中所占据的像素值；
图片颜色二值化处理模块：根据参数设置模块设置的目标物体的颜色范围，对搜救区域的图片的全部像素点的颜色进行二值化处理，与目标物体的颜色范围相同的像素点的元素值设置为1，与目标物体的颜色范围不同的像素点的元素值设置为0，从而得到颜色二值化矩阵；
卷积核产生模块：根据参数设置模块设置的目标物体在图片中所占据的像素值，确定卷积核矩阵，卷积核矩阵的宽和高为目标物体在图片中所占据的像素值加2；卷积核矩阵中，边缘行和边缘列的元素值(即第一行、第一列、最后一行和最后一列的元素值)为-10001，其余行、列的元素值为1；
目标搜索模块：将卷积核产生模块所产生的卷积核矩阵与图片颜色二值化处理模块所产生的颜色二值化矩阵进行卷积运算，得到卷积处理矩阵；卷积处理矩阵中，大于0的元素所在的像素点为疑似目标物体；
归一化模块：对目标搜索模块所产生的卷积处理矩阵进行二值化处理，将卷积处理矩阵中小于或等于0的元素设置为0，大于0的元素设置为1；则元素值为1所在的像素点为疑似目标物体，该像素点所对应的列和行即为疑似目标物体在图片中的坐标。
进一步地，本发明利用计算机视觉搜索登山遇险人员的系统，包括
图片读取及解析模块：读取搜救区域的视频或者图片；如果读取的是图片，则将图片传送给图片处理模块；如果读取的是视频，则对视频进行分解，将视频解析成一帧一帧的图片，然后再传送给图片处理模块；
图片处理模块：将图片的全部像素点处理为二维数组的RGB矩阵，然后再传送给图片颜色二值化处理模块；
参数设置模块：根据目标物体的尺寸、颜色，以及图片所拍摄的视场大小，设置目标物体在图片中所占据的像素值、目标物体的颜色范围；并且，根据拍摄条件设置图片中忽略区域的坐标或范围；忽略区域可以有若干个；
在采集航拍视频或航拍图片的过程中，需要将摄像装置固定在飞行器上进行拍摄；由于固定角度的因素，飞行器上的物体(如机翼上的红色五角星)始终处于视频或图片上的固定位置，该物体作为画面中的干扰物体应当加以排除，因此将该物体所在区域作为忽略区域；
图片颜色二值化处理模块：根据参数设置模块设置的目标物体的颜色范围，对搜救区域的图片的全部像素点的颜色进行二值化处理，与目标物体的颜色范围相同的像素点的元素值设置为1，与目标物体的颜色范围不同的像素点的元素值设置为0，从而得到颜色二值化矩阵；
卷积核产生模块：根据参数设置模块设置的目标物体在图片中所占据的像素值，确定卷积核矩阵，卷积核矩阵的宽和高为目标物体在图片中所占据的像素值加2；卷积核矩阵中，边缘行和边缘列的元素值(即第一行、第一列、最后一行和最后一列的元素值)为-10001，其余行、列的元素值为1；
目标搜索模块：将卷积核产生模块所产生的卷积核矩阵与图片颜色二值化处理模块所产生的颜色二值化矩阵进行卷积运算，得到卷积处理矩阵；
目标过滤模块：对搜救区域的图片的全部像素点进行二值化处理，位于忽略区域的像素点的元素值设置为0，其余像素点的元素值(有效区域的像素点的元素值)设置为1，从而得到忽略区域二值化矩阵，该忽略区域二值化矩阵大小为图片矩阵大小；将卷积处理矩阵与忽略区域二值化矩阵进行求积运算，得到过滤后的卷积处理矩阵；过滤后的卷积处理矩阵中，大于0的像素点为疑似目标物体；
目标过滤模块的作用在于：对可能的目标物体进行筛选，忽略那些处于忽略区域内的目标物体；
归一化模块：对目标过滤模块所产生的过滤后的卷积处理矩阵进行二值化处理，将过滤后的卷积处理矩阵中小于或等于0的元素设置为0，大于0的元素设置为1；则元素值为1所在的像素点为疑似目标物体，该像素点所对应的列和行即为疑似目标物体在图片中的坐标。
实施例
通过图片读取及解析模块读取搜救区域的视频；对视频进行分解，将视频解析成一帧一帧的图片，然后再传送给图片处理模块；图片处理模块将图片处理为二维数组的RGB矩阵，然后再传送给图片颜色二值化处理模块；
通过参数设置模块输入已知参数；已知参数包括：图片对应的视场宽度为2千米，图片的宽度为2千个像素，目标物体的大小为2米，目标物体的颜色为红色；根据已知参数计算出该目标物体所占据像素的理论计算值为2个像素值；取镜头畸变放大系数为1.5，则目标物体在图片中所占据的像素值为3；
通过图片颜色二值化处理模块将图片处理为颜色二值化矩阵；先判断图片中的红色像素点；红色像素点的判断条件为：R值大于等于120，且R值大于G值和B值2倍；将符合上述判断条件的像素点的元素值设置为1，其余设置为0；
通过卷积核产生模块产生卷积核矩阵；卷积核矩阵的宽和高为5×5；其中，第一行、第一列、最后一行和最后一列的元素值为-10001，其余行、列的元素值为1；
通过目标搜索模块将卷积核矩阵与颜色二值化矩阵进行卷积运算，得到卷积处理矩阵；该卷积处理矩阵的元素值包含0、负数和正数；
通过归一化模块对卷积处理矩阵进行二值化处理，将卷积处理矩阵中小于或等于0的元素设置为0，大于0的元素设置为1；则元素值为1所在的像素点为疑似目标物体，该像素点所对应的列和行即为疑似目标物体在图片中的坐标，如图2所示。
虽然在上文中详细说明了本发明的实施方式，但是对于本领域的技术人员来说显而易见的是，能够对这些实施方式进行各种修改和变化。但是，应理解，这种修改和变化都属于权利要求书中所述的本发明的范围和精神之内。而且，在此说明的本发明可有其它的实施方式，并且可通过多种方式实施或实现。

Claims (9)

1.一种利用计算机视觉搜索登山遇险人员的方法，其特征在于，以目标物体的最大尺寸和目标物体的颜色作为已知条件，在搜救区域内搜索遇险人员；包括以下步骤：
第一步，读取搜救区域的视频或者图片；如果读取的是视频，则对视频进行分解，将视频转换为图片；
第二步，设置目标物体在图片中所占据的像素值、目标物体的颜色范围；
第三步，根据目标物体在图片中所占据的像素值，确定卷积核矩阵的尺寸，以及卷积核矩阵中的各元素值；
将搜救区域的图片的全部像素点处理为二维数组的RGB矩阵，然后对图片的全部像素点的颜色进行二值化处理，与目标物体的颜色范围相同的像素点的元素值设置为1，与目标物体的颜色范围不同的像素点的元素值设置为0，从而得到颜色二值化矩阵；
所述第三步中卷积核矩阵的尺寸为：
Ksize＝Mmax+2
其中，Ksize为卷积核矩阵的行数和列数；
Mmax为目标物体在图片中所占据的像素值；
卷积核矩阵中的各元素值Kij为：
当1<i<Ksize，1<j<Ksize时，Kij＝1，
以及
当i＝1或者i＝Ksize，j＝1或者j＝Ksize时，Kij≤-Mmax 2-1；
第四步，将卷积核矩阵与颜色二值化矩阵进行卷积运算，得到卷积处理矩阵；卷积处理矩阵中，大于0的元素所在的像素点为疑似目标物体。
2.根据权利要求1所述的利用计算机视觉搜索登山遇险人员的方法，其特征在于，所述第四步之后执行第五步，对卷积处理矩阵进行二值化处理，将卷积处理矩阵中小于或等于0的元素设置为0，大于0的元素设置为1；则元素值为1所在的像素点为疑似目标物体，该像素点所对应的列和行即为疑似目标物体在图片中的坐标。
3.根据权利要求1所述的利用计算机视觉搜索登山遇险人员的方法，其特征在于，所述第二步中还设置图片中忽略区域的坐标及范围；
对搜救区域的图片的全部像素点进行二值化处理，位于忽略区域的像素点的元素值设置为0，其余像素点的元素值设置为1，从而得到忽略区域二值化矩阵；
将卷积处理矩阵与忽略区域二值化矩阵进行每个对应元素值的求积运算，得到过滤后的卷积处理矩阵；过滤后的卷积处理矩阵中，大于0的像素点为疑似目标物体。
4.根据权利要求1所述的利用计算机视觉搜索登山遇险人员的方法，其特征在于，所述第二步中目标物体在图片中所占据的像素值为目标物体所占据像素的理论计算值乘以镜头畸变放大系数；
其中，目标物体所占据像素的理论计算值＝目标物体的尺寸×图片的宽度÷图片对应的视场宽度。
5.根据权利要求1所述的利用计算机视觉搜索登山遇险人员的方法，其特征在于，所述第四步所得到的卷积处理矩阵中的各元素值的计算方法为：
Figure FDA0003484278500000021
其中，X为卷积核矩阵；
Y为颜色二值化矩阵；
m,n为卷积核矩阵中每个元素对应的行号和列号；
u,v为颜色二值化矩阵中每个元素对应的行号和列号；
Z为卷积处理矩阵；
M，N为卷积核矩阵的行数和列数。
6.一种利用计算机视觉搜索登山遇险人员的系统，其特征在于，包括
图片读取及解析模块：读取搜救区域的视频或者图片；如果读取的是图片，则将图片传送给图片处理模块；如果读取的是视频，则对视频进行分解，将视频解析成一帧一帧的图片，然后再传送给图片处理模块；
图片处理模块：将图片的全部像素点处理为二维数组的RGB矩阵，然后再将图片传送给图片颜色二值化处理模块；
参数设置模块：根据目标物体的尺寸、颜色，以及图片对应的视场宽度，设置目标物体在图片中所占据的像素值、目标物体的颜色范围；
图片颜色二值化处理模块：根据参数设置模块设置的目标物体的颜色范围，对搜救区域的图片的全部像素点的颜色进行二值化处理，与目标物体的颜色范围相同的像素点的元素值设置为1，与目标物体的颜色范围不同的像素点的元素值设置为0，从而得到颜色二值化矩阵；
卷积核产生模块：根据参数设置模块设置的目标物体在图片中所占据的像素值，确定卷积核矩阵；
所述卷积核矩阵的尺寸为：
Ksize＝Mmax+2
其中，Ksize为卷积核矩阵的行数和列数；
Mmax为目标物体在图片中所占据的像素值；
卷积核矩阵中的各元素值Kij为：
当1<i<Ksize，1<j<Ksize时，Kij＝1，
以及
当i＝1或者i＝Ksize，j＝1或者j＝Ksize时，Kij≤-Mmax 2-1；
目标搜索模块：将卷积核产生模块所产生的卷积核矩阵与图片颜色二值化处理模块所产生的颜色二值化矩阵进行卷积运算，得到卷积处理矩阵；卷积处理矩阵中，大于0的元素所在的像素点为疑似目标物体。
7.根据权利要求6所述的利用计算机视觉搜索登山遇险人员的系统，其特征在于，还包括归一化模块；归一化模块对目标搜索模块所产生的卷积处理矩阵进行二值化处理，将卷积处理矩阵中小于或等于0的元素设置为0，大于0的元素设置为1；则元素值为1所在的像素点为疑似目标物体，该像素点所对应的列和行即为疑似目标物体在图片中的坐标。
8.根据权利要求6所述的利用计算机视觉搜索登山遇险人员的系统，其特征在于，还包括目标过滤模块；根据拍摄条件，通过所述参数设置模块设置图片中忽略区域的坐标或范围；然后通过目标过滤模块对搜救区域的图片的全部像素点进行二值化处理，位于忽略区域的像素点的元素值设置为0，其余像素点的元素值设置为1，从而得到忽略区域二值化矩阵，该忽略区域二值化矩阵大小为图片矩阵大小；将目标搜索模块所得到的卷积处理矩阵与忽略区域二值化矩阵进行求积运算，得到过滤后的卷积处理矩阵；过滤后的卷积处理矩阵中，大于0的像素点为疑似目标物体。
9.根据权利要求8所述的利用计算机视觉搜索登山遇险人员的系统，其特征在于，还包括归一化模块；归一化模块对目标过滤模块所产生的过滤后的卷积处理矩阵进行二值化处理，将过滤后的卷积处理矩阵中小于或等于0的元素设置为0，大于0的元素设置为1；则元素值为1所在的像素点为疑似目标物体，该像素点所对应的列和行即为疑似目标物体在图片中的坐标。
CN201710340150.0A 2017-05-15 2017-05-15 利用计算机视觉搜索登山遇险人员的方法及系统 Active CN107194340B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710340150.0A CN107194340B (zh) 2017-05-15 2017-05-15 利用计算机视觉搜索登山遇险人员的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710340150.0A CN107194340B (zh) 2017-05-15 2017-05-15 利用计算机视觉搜索登山遇险人员的方法及系统

Publications (2)

Publication Number Publication Date
CN107194340A CN107194340A (zh) 2017-09-22
CN107194340B true CN107194340B (zh) 2022-03-01

Family

ID=59873406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710340150.0A Active CN107194340B (zh) 2017-05-15 2017-05-15 利用计算机视觉搜索登山遇险人员的方法及系统

Country Status (1)

Country Link
CN (1) CN107194340B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428791B (zh) * 2020-03-26 2023-08-29 北京互金新融科技有限公司 图像对比方法及装置
CN112527004B (zh) * 2020-10-22 2021-12-17 林海明珠(黑龙江)科技有限公司 速率方向一体化调控系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964062A (zh) * 2010-09-14 2011-02-02 北京神州泰岳软件股份有限公司 基于用户界面的图像搜索方法
CN105513061A (zh) * 2015-12-02 2016-04-20 上海海事大学 一种使用无人机进行海上遇险人员自动搜救方法
US20160232685A1 (en) * 2014-06-24 2016-08-11 Pic2Go Ltd Photo tagging system and method
CN105956559A (zh) * 2016-05-05 2016-09-21 南京理工大学 基于无人机视频的特定目标检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6445832B1 (en) * 2000-10-10 2002-09-03 Lockheed Martin Corporation Balanced template tracker for tracking an object image sequence
CN103295403B (zh) * 2013-06-17 2016-02-10 湘潭大学 一种交通流视觉检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964062A (zh) * 2010-09-14 2011-02-02 北京神州泰岳软件股份有限公司 基于用户界面的图像搜索方法
US20160232685A1 (en) * 2014-06-24 2016-08-11 Pic2Go Ltd Photo tagging system and method
CN105513061A (zh) * 2015-12-02 2016-04-20 上海海事大学 一种使用无人机进行海上遇险人员自动搜救方法
CN105956559A (zh) * 2016-05-05 2016-09-21 南京理工大学 基于无人机视频的特定目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Research and implementation of position and tracking system;Huiqiang Lu等;《World Automation Congress 2012》;20121004;1-4页 *
基于颜色差分直方图的图像序列目标检测和跟踪方法;于铁军等;《福建电脑》;20141031;第30卷(第10期);第115-116页第1节-第2节，图1 *

Also Published As

Publication number Publication date
CN107194340A (zh) 2017-09-22

Similar Documents

Publication Publication Date Title
Gan et al. Immature green citrus fruit detection using color and thermal images
CN109559310B (zh) 基于显著性检测的输变电巡检图像质量评价方法及系统
CN111062378B (zh) 图像处理方法、模型训练方法、目标检测方法及相关装置
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
US8111296B2 (en) Apparatus and method for generating panorama image and computer readable medium stored thereon computer executable instructions for performing the method
CN107316286B (zh) 一种图像中雨雾同步合成、去除的方法和装置
CN111965636A (zh) 一种基于毫米波雷达和视觉融合的夜间目标检测方法
CN113486697B (zh) 基于空基多模态图像融合的森林烟火监测方法
CN103927741A (zh) 增强目标特征的sar图像合成方法
CN108564021B (zh) 一种基于数码相片提取荒漠植被盖度的方法
CN113378744B (zh) 一种输电线路巡检目标识别方法及装置
CN113673584A (zh) 一种图像检测方法及相关装置
CN111274988B (zh) 一种基于多光谱的车辆重识别方法及装置
CN107194340B (zh) 利用计算机视觉搜索登山遇险人员的方法及系统
Toet et al. Augmenting full colour-fused multi-band night vision imagery with synthetic imagery in real-time
CN113298177B (zh) 夜间图像着色方法、装置、介质和设备
CN113191962B (zh) 基于环境背景光的水下图像颜色恢复方法、装置及存储介质
CN110647813A (zh) 一种基于无人机航拍的人脸实时检测识别方法
Xiangshu et al. Urban individual tree crown detection research using multispectral image dimensionality reduction with deep learning
CN103870847A (zh) 一种低照度环境下对地监控的运动目标检测方法
Toet et al. The TRICLOBS dynamic multi-band image data set for the development and evaluation of image fusion methods
CN107295261A (zh) 图像去雾处理方法、装置、存储介质和移动终端
CN108830834B (zh) 一种爬索机器人视频缺陷信息自动提取方法
CN116092019A (zh) 船舶周边异常物体监测系统及其存储介质、电子设备
CN107424135A (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备

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