CN107730487A - 一种图像检测方法及装置 - Google Patents
一种图像检测方法及装置 Download PDFInfo
- Publication number
- CN107730487A CN107730487A CN201710892447.8A CN201710892447A CN107730487A CN 107730487 A CN107730487 A CN 107730487A CN 201710892447 A CN201710892447 A CN 201710892447A CN 107730487 A CN107730487 A CN 107730487A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- gradient
- detected
- gradient direction
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像检测方法及装置,用以解决传统雨检测方法存在的处理过程较多、计算复杂程度过高的问题。该方法为:获取视频文件中待检测图像的背景图像,并分别确定待检测图像和背景图像的梯度方向直方图;然后将待检测图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减,得到待检测图像和背景图像之间每个梯度方向的像素点个数差值,并根据待检测图像和背景图像之间每个梯度方向的像素点个数差值生成特征向量;最后根据预设的分类模型对特征向量进行分类得到分类结果,并根据分类结果确定待检测图像中是否存在雨滴。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像检测方法及装置。
背景技术
恶劣天气不仅影响着人们的正常工作生活,而且严重影响着军事、交通的安全,而下雨是最频繁的恶劣天气之一。目前,户外视觉系统在军事、交通及安全监控等领域中的应用越来越广泛,根据监控视频中的图像判断天气状况是否为下雨,有利于及时针对下雨天气采取对应措施,从而降低下雨天气对人们正常工作生活以及军事、交通安全的影响。
传统的雨检测方法为:首先,检测设备通过背景建模技术,针对视频中的待检测图像确定对应的背景图像;所述检测设备根据所述待检测图像和对应的背景图像,得到所述待检测图像的前景图像,并利用光学特性对图像中像素值的约束以及运动物体在图像中的区域的大小约束,去除所述前景图像中为雨滴概率较小的像素值,得到第一去噪前景图像;然后,所述检测设备在针对所述第一去噪前景图像建立梯度方向直方图;所述检测设备在使用最大期望(ExpectationMaximization,EM)算法对梯度方向直方图进行噪声像素与雨滴的梯度方向的分离,得到噪声的分布模型以及雨滴的梯度方向分布模型参数;最终,所述检测设备时域判断雨滴的梯度方向分布模型的拟合程度,从而根据判断的拟合程度,确定所述待检测图像中是否存在雨滴。
通过以上描述可知,当前雨检测方法处理过程较多,且计算复杂程度过高,降低了检测设备的工作效率。
发明内容
本申请提供一种图像检测方法,用以解决传统雨检测方法存在的处理过程较多、计算复杂程度过高的问题。
本发明实施例提供的具体技术方案如下:
第一方面,本发明实施例提供了一种图像检测方法,包括:
获取视频文件中待检测图像的背景图像;
确定所述待检测图像的梯度方向直方图和所述背景图像的梯度方向直方图,其中,任一个图像的梯度方向直方图为所述图像中在每个梯度方向的像素点个数的统计值;
将所述待检测图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,并根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成特征向量;
根据预设的分类模型,对所述特征向量进行分类,得到分类结果,并根据所述分类结果确定所述待检测图像中是否存在雨滴。
结合第一方面,在第一方面的第一种可能的实现方式中,获取所述背景图像,包括:
在所述视频文件中获取目标图像,所述目标图像为所述待检测图像的上一帧图像;
确定所述背景图像中每个位置上的像素点的亮度特征值,其中,所述背景图像中每个位置上的像素点的亮度特征值为所述待检测图像和所述目标图像中相应位置上的像素点的亮度特征值中的最小值,每个像素点的亮度特征值为所述像素点的红R值、绿G值和蓝B值,或者为所述像素点的明亮度Y值,或者为所述像素点的灰度值;
根据确定的所述背景图像中每个像素位置上的像素点的亮度特征值,得到所述背景图像。
结合第一方面,在第一方面的第二种可能的实现方式中,确定所述待检测图像的梯度方向直方图,包括:
确定所述待检测图像中除处于边缘位置以外的其他的位置上的多个第一待选像素点的梯度幅值;
在所述多个第一待选像素点中筛选出第一统计像素点,其中,所述第一统计像素点的梯度幅值大于第一阈值,且小于第二阈值;
确定所述第一统计像素点的梯度方向,并根据所述第一统计像素点的梯度方向,确定所述待检测图像的梯度方向直方图;
确定所述背景图像的梯度方向直方图,包括:
确定所述背景图像中除处于边缘位置以外的其他的位置上的多个第二待选像素点的梯度幅值;
在所述多个第二待选像素点中筛选出第二统计像素点,其中,所述第二统计像素点的梯度幅值大于所述第一阈值,且小于所述第二阈值;
确定所述第二统计像素点的梯度方向,并根据所述第二统计像素点的梯度方向,确定所述背景图像的梯度方向直方图。
结合第一方面、第一方面的第一种和第二种可能的实现方式中的任一项,在第一方面的第三种可能的实现方式中,根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成所述特征向量,包括:
按照设定的梯度方向的顺序,对所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值进行排序,生成目标向量;
对所述目标向量进行归一化处理,生成所述特征向量。
结合第一方面的第三种可能的实现方式,在第一方面的第四种可能的实现方式中,在根据所述分类模型,对所述特征向量进行分类之前,所述方法还包括:
生成所述分类模型:
获取存在雨滴的第一样本图像的第一特征向量以及不存在雨滴的第二样本图像的第二特征向量;并对所述第一特征向量和所述第二特征向量进行分类训练,生成所述分类模型;
其中,所述第一特征向量为对第一目标向量进行归一化处理得到的,所述第一目标向量为按照所述梯度方向的顺序,对所述第一样本图像和所述第一样本图像的背景图像之间每个梯度方向的像素点差值进行排序生成,所述第一样本图像和所述第一样本图像的背景图像之间每个梯度方向的像素点差值为:所述第一样本图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述第一样本图像的背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减得到的;
所述第二特征向量为对第二目标向量进行归一化处理得到的,所述第二目标向量为按照所述梯度方向的顺序,对所述第二样本图像和所述第二样本图像的背景图像之间每个梯度方向的像素点差值进行排序生成,所述第二样本图像和所述第二样本图像的背景图像之间每个梯度方向的像素点差值为:所述第二样本图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述第二样本图像的背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减得到的。
第二方面,本发明实施例提供了一种图像检测装置,包括:
处理单元,用于获取视频文件中待检测图像的背景图像;
确定所述待检测图像的梯度方向直方图和所述背景图像的梯度方向直方图,其中,任一个图像的梯度方向直方图为所述图像中在每个梯度方向的像素点个数的统计值;
将所述待检测图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,并根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成特征向量;
检测单元,用于根据预设的分类模型,对所述特征向量进行分类,得到分类结果,并根据所述分类结果确定所述待检测图像中是否存在雨滴。
结合第二方面,在第二方面的第一种可能的实现方式中,所述处理单元,在获取所述背景图像时,具体用于:
在所述视频文件中获取目标图像,所述目标图像为所述待检测图像的上一帧图像;
确定所述背景图像中每个位置上的像素点的亮度特征值,其中,所述背景图像中每个位置上的像素点的亮度特征值为所述待检测图像和所述目标图像中相应位置上的像素点的亮度特征值中的最小值,每个像素点的亮度特征值为所述像素点的红R值、绿G值和蓝B值,或者为所述像素点的明亮度Y值,或者为所述像素点的灰度值;
根据确定的所述背景图像中每个像素位置上的像素点的亮度特征值,得到所述背景图像。
结合第二方面,在第二方面的第二种可能的实现方式中,所述处理单元,在确定所述待检测图像的梯度方向直方图时,具体用于:
确定所述待检测图像中除处于边缘位置以外的其他的位置上的多个第一待选像素点的梯度幅值;
在所述多个第一待选像素点中筛选出第一统计像素点,其中,所述第一统计像素点的梯度幅值大于第一阈值,且小于第二阈值;
确定所述第一统计像素点的梯度方向,并根据所述第一统计像素点的梯度方向,确定所述待检测图像的梯度方向直方图;
所述处理单元,在确定所述背景图像的梯度方向直方图时,具体用于:
确定所述背景图像中除处于边缘位置以外的其他的位置上的多个第二待选像素点的梯度幅值;
在所述多个第二待选像素点中筛选出第二统计像素点,其中,所述第二统计像素点的梯度幅值大于所述第一阈值,且小于所述第二阈值;
确定所述第二统计像素点的梯度方向,并根据所述第二统计像素点的梯度方向,确定所述背景图像的梯度方向直方图。
结合第二方面、第二方面的第一种和第二种可能的实现方式中的任一项,在第二方面的第三种可能的实现方式中,所述处理单元,在根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成所述特征向量时,具体用于:
按照设定的梯度方向的顺序,对所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值进行排序,生成目标向量;
对所述目标向量进行归一化处理,生成所述特征向量。
结合第二方面的第三种可能的实现方式,在第二方面的第四种可能的实现方式中,所述处理单元,还用于:
在所述检测单元根据所述分类模型,对所述特征向量进行分类之前,生成所述分类模型:
获取存在雨滴的第一样本图像的第一特征向量以及不存在雨滴的第二样本图像的第二特征向量;并对所述第一特征向量和所述第二特征向量进行分类训练,生成所述分类模型;
其中,所述第一特征向量为对第一目标向量进行归一化处理得到的,所述第一目标向量为按照所述梯度方向的顺序,对所述第一样本图像和所述第一样本图像的背景图像之间每个梯度方向的像素点差值进行排序生成,所述第一样本图像和所述第一样本图像的背景图像之间每个梯度方向的像素点差值为:所述第一样本图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述第一样本图像的背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减得到的;
所述第二特征向量为对第二目标向量进行归一化处理得到的,所述第二目标向量为按照所述梯度方向的顺序,对所述第二样本图像和所述第二样本图像的背景图像之间每个梯度方向的像素点差值进行排序生成,所述第二样本图像和所述第二样本图像的背景图像之间每个梯度方向的像素点差值为:所述第二样本图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述第二样本图像的背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减得到的。
本发明实施例的技术方案中,首先获取视频文件中待检测图像的背景图像,并分别确定所述待检测图像和所述背景图像的梯度方向直方图;然后,将所述待检测图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,并根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成特征向量;最后,根据预设的分类模型,对所述特征向量进行分类得到分类结果,并根据所述分类结果确定所述待检测图像中是否存在雨滴。在该方法中,只需通过待检测图像和该待检测图像的背景图像的梯度方向直方图,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,进而生成特征向量并对所述特征向量分类就可以判断所述待测图像中是否有雨滴,因此,上述方法处理过程简单,计算复杂度较低,从而可以提高的工作效率。
附图说明
图1为本发明实施例提供的一种图像检测方法的流程示意图;
图2为本发明实施例提供的一种生成背景图像的示意图;
图3为本发明实施例提供的一种待检测图像的梯度方向直方图;
图4为本发明实施例提供的一种背景图像的梯度方向直方图;
图5为本发明实施例提供的一种像素点个数差值生成的目标梯度方向直方图;
图6为本发明实施例提供的一种图像检测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例提供一种图像检测方法及装置,可以应用于判别视频文件中的图像是否存在雨滴的场景,例如:应用于高速公路的户外视觉系统中,判别实时监控视频中是否存在雨滴,从而进行交通预警或其他操作等。本发明解决了现有技术中的雨检测方法的处理过程较多,且计算复杂程度过高,降低了备的工作效率的问题。其中,本发明所述方法和装置基于同一发明构思,由于方法及装置解决问题的原理相似,因此装置与方法的实施可以相互参见,重复之处不再赘述。
本发明实施例的技术方案中,首先获取视频文件中待检测图像的背景图像,并分别确定所述待检测图像和所述背景图像的梯度方向直方图;然后,将所述待检测图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,并根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成特征向量;最后,根据预设的分类模型,对所述特征向量进行分类得到分类结果,并根据所述分类结果确定所述待检测图像中是否存在雨滴。在该方法中,只需通过待检测图像和该待检测图像的背景图像的梯度方向直方图,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,进而生成特征向量并对所述特征向量分类就可以判断所述待测图像中是否有雨滴,因此,上述方法处理过程简单,计算复杂度较低,从而可以提高的工作效率。
为了更加清晰地描述本发明实施例的技术方案,下面结合附图,对本发明实施例提供的一种图像检测方法及装置进行详细说明。
在本发明实施例中,执行图像检测方法的可以是前端摄像机一类的检测设备,也可以是后端存储设备,还可以是其他设备,本发明对此不做限定。在本发明实施例中,均以执行主体为检测设备进行详细说明。
本发明实施例提供了一种图像检测方法,参阅图1所示,该方法的具体流程包括:
步骤101:检测设备获取视频文件中待检测图像的背景图像。
在本发明实施例中,所述检测设备可以但不限于是枪机、球机、与枪机或球机连接的外部设备等。所述视频文件可以为实时监控设备生成的视频文件。
通常情况下,由于雨滴的形态可以起到透镜的作用,雨滴在图像中的亮度会亮于背景,因此,在一种可选的实施方式中,所述检测设备可以通过以下三个步骤获取所述背景图像:
A1、所述检测设备在所述视频文件中获取目标图像,所述目标图像为所述待检测图像的上一帧图像;
A2、所述检测设备确定所述背景图像中每个位置上的像素点的亮度特征值,其中,所述背景图像中每个位置上的像素点的亮度特征值为所述待检测图像和所述目标图像中相应位置上的像素点的亮度特征值中的最小值,每个像素点的亮度特征值为所述像素点的红R值、绿G值和蓝B值,或者为所述像素点的明亮度Y值,或者为所述像素点的灰度值;
可选的,当所述视频文件中的图像为RGB空间图像时,每个像素点的亮度特征值为所述像素点的R值、G值和B值,所述检测设备在执行步骤A2时,可以直接分别确定所述待检测图像和所述目标图像中每个相应位置上的像素点的R值的最小值、G值的最小值和B值的最小值,进而得到所述背景图像中每个位置上的像素点的亮度特征值;所述检测设备还可以先将所述待检测图像和所述目标图像中每个相应位置上的像素点的R值、G值和B值转换成灰度值(即将所述待检测图像和所述目标图像分别转换为灰度图),然后再确定所述待检测图像和所述目标图像中每个相应位置上的像素点的灰度值的最小值,进而得到所述背景图像中每个位置上的像素点的亮度特征值;或者所述检测设备还可以先将所述待检测图像和所述目标图像分别转换为YUV空间图像,然后再确定所述待检测图像和所述目标图像中每个相应位置上的像素点的Y值的最小值,进而得到所述背景图像中每个位置上的像素点的亮度特征值。
当所述视频文件中的图像为YUV空间图像时,每个像素点的亮度特征值为所述像素点的Y值,所述检测设备在执行步骤A2时,直接将所述待检测图像和所述目标图像中每个相应位置上的像素点的Y值的最小值,进而得到所述背景图像中每个位置上的像素点的亮度特征值。
当所述视频文件中的图像为灰度图像时,每个像素点的亮度特征值为所述像素点的灰度值,所述检测设备在执行步骤A2时,直接将所述待检测图像和所述目标图像中每个相应位置上的像素点的灰度值的最小值,进而得到所述背景图像中每个位置上的像素点的亮度特征值。
A3、所述检测设备根据确定的所述背景图像中每个像素位置上的像素点的亮度特征值,得到所述背景图像。
例如,图2为所述检测设备采用上述三个步骤中的方法生成背景图像的示意图,其中,图2中的(a)为所述目标图像(即所述待检测图像的上一帧图像),图2中的(b)为所述待检测图像;图2中的(c)为所述背景图像。
由图2中可以看出所述背景图像中亮度明显较高的像素点分布占比相较于所述目标图像和所述待检测图像中亮度明显较高的像素点分布占比明显很低。因此,所述检测设备通过上述方法得到的背景图像准确度较高。并且,相比传统的建模方法,上述方法算法简单,计算量小,可以提高获取背景图像的效率,进而可以提高检测设备的工作效率。
可选的,除了上述获取背景图像的方法,所述检测设备还可以利用其它方法获取背景图像,例如,背景建模方法等。其中,采用背景建模方法是可以但不限于通过混合高斯模型、基于码本的建模方法。
步骤102:所述检测设备确定所述待检测图像的梯度方向直方图和所述背景图像的梯度方向直方图,其中,任一个图像的梯度方向直方图为所述图像中在每个梯度方向的像素点个数的统计值。
可选的,所述检测设备确定所述待检测图像的梯度方向直方图具体可以分为以下三个步骤:
B1、所述检测设备确定所述待检测图像中除处于边缘位置以外的其他的位置上的多个第一待选像素点的梯度幅值;
B2、所述检测设备在所述多个第一待选像素点中筛选出第一统计像素点,其中,所述第一统计像素点的梯度幅值大于第一阈值,且小于第二阈值;
B3、所述检测设备确定所述第一统计像素点的梯度方向,并根据所述第一统计像素点的梯度方向,确定所述待检测图像的梯度方向直方图。
同理,所述检测设备确定所述背景图像的梯度方向直方图具体可以分为以下三个步骤:
C1、所述检测设备确定所述背景图像中除处于边缘位置以外的其他的位置上的多个第二待选像素点的梯度幅值;
C2、所述检测设备在所述多个第二待选像素点中筛选出第二统计像素点,其中,所述第二统计像素点的梯度幅值大于所述第一阈值,且小于所述第二阈值;
C3、所述检测设备确定所述第二统计像素点的梯度方向,并根据所述第二统计像素点的梯度方向,确定所述背景图像的梯度方向直方图。
具体的,由于所述检测设备确定所述待检测图像的梯度方向直方图和确定所述背景图像的方法原理相同,因此,可选的,在上述步骤B1、C1中,所述检测设备确定任一个图像(包括所述待测图像和所述背景图像)中的任一个待选像素点(包括所述多个第一待选像素点和所述多个第二待选像素点)的梯度幅值时,具体方法可以为:
所述检测设备先通过以下公式一确定该待选像素点在Y方向(其中Y、X方向可以通过图2中所示的图像所在的Y、X方向可知)上与该待选像素点上下相邻的两个像素点的亮度特征值的差Dy,以及通过以下公式二确定该待选像素点在X方向上与该待选像素点左右相邻的两个像素点的亮度特征值的差Dx:
Dy=img(x,y+1)-img(x,y-1) 公式一;
Dx=img(x+1,y)-img(x-1,y) 公式二;
其中,在公式一和公式二中,x为该图像中的该待选像素点的横坐标,y为该图像中的该待选像素点的纵坐标;img(x,y+1)表示与该像素点相邻的上边像素点的亮度特征值,img(x,y-1)表示与该像素点相邻的下边像素点的亮度特征值;img(x+1,y)表示与该像素点相邻的右边像素点的亮度特征值,img(x-1,y)表示与该像素点相邻的左边像素点的亮度特征值;
然后,所述检测设备通过公式三确定该待选像素点的梯度幅值magnitude:
magnitude=sqrt(Dy^2+Dx^2) 公式三。
通过上述方法,所述检测设备分别可以得到所述检测图像中的所述多个第一待选像素点的梯度幅值,以及所述背景图像中的所述多个第二待选像素点的梯度幅值,以使所述检测设备通过得到的梯度幅值继续执行后续流程。
可选的,当所述视频文件中的图像为RGB空间图像时,在上述方法中,亮度特征值的差Dy为上下两个像素点的R值的差、G值的差和B值的差,同理,亮度特征值的差Dx为左右两个像素点的R值的差、G值的差和B值的差。进一步地,梯度幅值magnitude为Dy和Dx中相应地两个R值的差、两个G值的差和两个B值的差分别通过上述公式三中的sqrt()函数得到相应三个值后,再将得到的三个值叠加得到的。
当所述视频文件中的图像为YUV空间图像时,在上述方法中,亮度特征值的差Dy为上下两个像素点的Y值的差,同理,亮度特征值的差Dx为左右两个像素点的Y值的差。进一步地,梯度幅值magnitude为将得到的两个Y值的差代入上述公式三得到。
当所述视频文件中的图像为灰度图像时,在上述方法中,亮度特征值的差Dy为上下两个像素点的灰度值的差,同理,亮度特征值的差Dx为左右两个像素点的灰度值的差。进一步地,梯度幅值magnitude为将得到的两个灰度值的差代入上述公式三得到。
可选的,当所述视频文件中的图像为RGB空间图像时,所述检测设备可以将该图像转换成YUV空间图像,进而采用上述YUV空间图像时相应的方法执行步骤B1、C1;或者,所述检测设备还可以将该图像转换成灰度图像,进而采用上述灰度图像时相应的方法执行步骤B1、C1。
通常情况下,雨滴由于运动的影响,在图像中会表现为比较模糊,其边缘梯度会处于一定范围内,因此,在本发明实施例中,在步骤B2、C2中分别设置了第一阈值和第二阈值作为在多个待选像素点中筛选统计像素点的依据,以提高梯度直方图的准确性,具体的,通过所述第一阈值可以消除超出雨滴边缘梯度范围的部分噪声的影响,通过所述第二阈值可以消除超出雨滴边缘梯度范围的部分运动物体边缘的影响。其中,可选的,所述第一阈值可以但不限于为3,所述第二阈值可以但不限于为127。
可选的,当所述视频文件中的图像为RGB空间图像时,在筛选任一个统计像素点时,可以筛选出在R、G、B三个通道上确定的三个目标梯度幅值均大于第一阈值,且小于第二阈值的像素点。其中,R通道上的目标梯度幅值为Dy和Dx中相应地两个R值的差通过公式三中的sqrt()函数得到的值,G、B两个通道同理,此处不再详述。
由于任一个统计像素点均是在待选像素点中筛选出来的,所以在上述步骤B3、C3中,所述检测设备确定任一个统计像素点(包括第一统计像素点和第二统计像素点)时,在所述检测设备通过上述公式一和公式二分别得到该统计像素点的Dy、Dx后,可以先通过以下公式四,确定该统计像素点的目标梯度方向alpha,所述目标梯度方向为该统计像素点的实际梯度方向,所述目标梯度方向有正值有负值(即在[-180°,180°]之间):
alpha=atan2(Dx,Dy) 公式四;
然后所述检测设备当确定该统计像素点的目标梯度方向为正值(即(0°,180°])或0°时,直接将所述目标梯度方向作为该统计像素点的梯度方向;当确定该统计像素点的目标梯度方向为负值(即[-180°,0°))时,将所述目标梯度方向加上180°后得到的方向作为该统计像素点的梯度方向,即在本发明实施例中,任一个统计像素点的梯度方向均在[0°,180°]之间。例如,当一个统计像素点的目标梯度方向为-45°时,所述检测设备可以在所述目标梯度的方向上加上180°得到135°,然后将135°作为该统计像素点的梯度方向。
在上述方法中,所述检测设备采用公式四确定目标梯度方向而不是采用传统的atan2(Dy,Dx)确定,可以避免像素点的梯度方向只分布在0°或180°附近,而是可以分布在90°,从而在后期处理时可以更直观、更方便,进而可以提高所述检测设备的工作效率。
通过上述描述的方法,所述检测设备可以得到任一个统计像素点的梯度方向。进一步地,在上述步骤B3中,所述检测设备根据所述待检测图像中的所述第一统计像素点的梯度方向,确定所述待检测图像中在每个梯度方向的像素点个数的统计值,得到所述待检测图像的梯度方向直方图,如图3所示;以及,在上述步骤C3中,所述检测设备根据所述背景图像中的所述第二统计像素点的梯度方向,确定所述背景图像中在每个梯度方向上的像素点个数的统计值,得到所述背景图像的梯度方向直方图,如图4所示。
步骤103:所述检测设备将所述待检测图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,并根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成特征向量。
其中,可选的,所述检测设备根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成所述特征向量,具体方法可以分为以下两个步骤:
D1、所述检测设备按照设定的梯度方向的顺序,对所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值进行排序,生成目标向量;
一种可选的实施方式,在步骤D1中,所述检测设备可以根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,生成目标梯度方向直方图,如图5所示,所述目标梯度直方图中可以明显示出按从小到大的顺序排列的梯度方向分别对应的像素点个数差值;然后,所述检测设备根据所述目标直方图中示出的排序后的每个梯度方向的像素点个数差值生成所述目标向量。
D2、所述检测设备对所述目标向量进行归一化处理,生成所述特征向量。
其中,可选的,在步骤D2中,所述检测设备采用的归一化方法可以但不限于为线性函数归一化方法、对数函数归一化方法等。
步骤104:所述检测设备根据预设的分类模型,对所述特征向量进行分类,得到分类结果,并根据所述分类结果确定所述待检测图像中是否存在雨滴。
具体的,所述分类结果为存在雨滴时,表示所述待检测图像中存在雨滴;所述分类结果为不存在雨滴时,表示所述待检测图像中不存在雨滴。
可选的,所述检测设备在执行步骤104之前,所述检测设备还生成所述分类模型。
具体的,所述检测设备生成所述分类模型的方法可以为:所述检测设备获取存在雨滴的第一样本图像的第一特征向量以及不存在雨滴的第二样本图像的第二特征向量;并对所述第一特征向量和所述第二特征向量进行分类训练,生成所述分类模型;
其中,所述第一特征向量为对第一目标向量进行归一化处理得到的,所述第一目标向量为按照所述梯度方向的顺序,对所述第一样本图像和所述第一样本图像的背景图像之间每个梯度方向的像素点差值进行排序生成,所述第一样本图像和所述第一样本图像的背景图像之间每个梯度方向的像素点差值为:所述第一样本图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述第一样本图像的背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减得到的;
所述第二特征向量为对第二目标向量进行归一化处理得到的,所述第二目标向量为按照所述梯度方向的顺序,对所述第二样本图像和所述第二样本图像的背景图像之间每个梯度方向的像素点差值进行排序生成,所述第二样本图像和所述第二样本图像的背景图像之间每个梯度方向的像素点差值为:所述第二样本图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述第二样本图像的背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减得到的。
可选的,所述检测设备得到所述第一目标向量和所述第二目标向量的方法与上述步骤103中所述检测设备得到所述目标向量的方法相同;以及,所述检测设备得到所述第一特征向量和所述第二特征向量的方法,上述步骤103中所述检测设备得到所述特征向量的方法相同。
可选的,所述检测设备对所述第一特征向量和所述第二特征向量进行分类训练时,采用的训练方法可以但不限于为线性支持向量机(Support Vector Machine,SVM)训练方法、朴素贝叶斯分类器训练方法等。
通过步骤104中的方法,所述检测设备可以确定一幅图像中是否存在雨滴,而在实际中,视频文件包括多幅图像,因此所述检测设备在检测所述视频文件中是否存在雨滴时,可以利用上述方法对所述视频文件中的图像进行判断是否存在雨滴。具体的,当所述检测设备至少连续N次确定所述视频文件中的图像存在雨滴时,就确定所述视频文件中存在雨滴,其中N为自然数,具体可以通过实际情况设置N的取值。其中,连续N次检测的图像可以为不连续的图像,即不定时抽取的视频文件中的图像,也可以为连续的图像。通过这种方法,可以降低分类出错的概率,从而提高对视频文件检测是否存在雨滴的准确性。
采用本发明实施例提供的图像检测方法,检测设备首先获取视频文件中待检测图像的背景图像,并分别确定所述待检测图像和所述背景图像的梯度方向直方图;然后,所述检测设备将所述待检测图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,并根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成特征向量;最后,所述检测设备根据预设的分类模型,对所述特征向量进行分类得到分类结果,并根据所述分类结果确定所述待检测图像中是否存在雨滴。在该方法中,检测设备只需通过待检测图像和该待检测图像的背景图像的梯度方向直方图,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,进而生成特征向量并对所述特征向量分类就可以判断所述待测图像中是否有雨滴,因此,上述方法处理过程简单,计算复杂度较低,从而可以提高检测设备的工作效率。
基于上述实施例,参阅图6所示,本发明实施例还提供了一种图像检测装置,该装置具有实现如图1所示的一种图像检测方法的功能,如图6所示,该装置600包括:处理单元601和检测单元602,其中:
所述处理单元601,用于获取视频文件中待检测图像的背景图像;
确定所述待检测图像的梯度方向直方图和所述背景图像的梯度方向直方图,其中,任一个图像的梯度方向直方图为所述图像中在每个梯度方向的像素点个数的统计值;
将所述待检测图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,并根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成特征向量;
所述检测单元602,用于根据预设的分类模型,对所述特征向量进行分类,得到分类结果,并根据所述分类结果确定所述待检测图像中是否存在雨滴。
可选的,所述处理单元601,在获取所述背景图像时,具体用于:
在所述视频文件中获取目标图像,所述目标图像为所述待检测图像的上一帧图像;
确定所述背景图像中每个位置上的像素点的亮度特征值,其中,所述背景图像中每个位置上的像素点的亮度特征值为所述待检测图像和所述目标图像中相应位置上的像素点的亮度特征值中的最小值,每个像素点的亮度特征值为所述像素点的红R值、绿G值和蓝B值,或者为所述像素点的明亮度Y值,或者为所述像素点的灰度值;
根据确定的所述背景图像中每个像素位置上的像素点的亮度特征值,得到所述背景图像。
可选的,所述处理单元601,在确定所述待检测图像的梯度方向直方图时,具体用于:
确定所述待检测图像中除处于边缘位置以外的其他的位置上的多个第一待选像素点的梯度幅值;
在所述多个第一待选像素点中筛选出第一统计像素点,其中,所述第一统计像素点的梯度幅值大于第一阈值,且小于第二阈值;
确定所述第一统计像素点的梯度方向,并根据所述第一统计像素点的梯度方向,确定所述待检测图像的梯度方向直方图;
所述处理单元601,在确定所述背景图像的梯度方向直方图时,具体用于:
确定所述背景图像中除处于边缘位置以外的其他的位置上的多个第二待选像素点的梯度幅值;
在所述多个第二待选像素点中筛选出第二统计像素点,其中,所述第二统计像素点的梯度幅值大于所述第一阈值,且小于所述第二阈值;
确定所述第二统计像素点的梯度方向,并根据所述第二统计像素点的梯度方向,确定所述背景图像的梯度方向直方图。
可选的,所述处理单元601,在根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成所述特征向量时,具体用于:
按照设定的梯度方向的顺序,对所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值进行排序,生成目标向量;
对所述目标向量进行归一化处理,生成所述特征向量。
可选的,所述处理单元601,还用于:
在所述检测单元602根据所述分类模型,对所述特征向量进行分类之前,生成所述分类模型:
获取存在雨滴的第一样本图像的第一特征向量以及不存在雨滴的第二样本图像的第二特征向量;并对所述第一特征向量和所述第二特征向量进行分类训练,生成所述分类模型;
其中,所述第一特征向量为对第一目标向量进行归一化处理得到的,所述第一目标向量为按照所述梯度方向的顺序,对所述第一样本图像和所述第一样本图像的背景图像之间每个梯度方向的像素点差值进行排序生成,所述第一样本图像和所述第一样本图像的背景图像之间每个梯度方向的像素点差值为:所述第一样本图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述第一样本图像的背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减得到的;
所述第二特征向量为对第二目标向量进行归一化处理得到的,所述第二目标向量为按照所述梯度方向的顺序,对所述第二样本图像和所述第二样本图像的背景图像之间每个梯度方向的像素点差值进行排序生成,所述第二样本图像和所述第二样本图像的背景图像之间每个梯度方向的像素点差值为:所述第二样本图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述第二样本图像的背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减得到的。
采用本发明实施例的提供的图像检测装置,首先获取视频文件中待检测图像的背景图像,并分别确定所述待检测图像和所述背景图像的梯度方向直方图;然后,将所述待检测图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,并根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成特征向量;最后,根据预设的分类模型,对所述特征向量进行分类得到分类结果,并根据所述分类结果确定所述待检测图像中是否存在雨滴。这样,图像检测装置只需通过待检测图像和该待检测图像的背景图像的梯度方向直方图,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,进而生成特征向量并对所述特征向量分类就可以判断所述待测图像中是否有雨滴,因此,上述方法处理过程简单,计算复杂度较低,从而可以提高图像检测装置的工作效率。
综上所述,通过本发明实施例提供的一种图像检测方法及装置,检测设备首先获取视频文件中待检测图像的背景图像,并分别确定所述待检测图像和所述背景图像的梯度方向直方图;然后,所述检测设备将所述待检测图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,并根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成特征向量;最后,所述检测设备根据预设的分类模型,对所述特征向量进行分类得到分类结果,并根据所述分类结果确定所述待检测图像中是否存在雨滴。在该方法中,检测设备只需通过待检测图像和该待检测图像的背景图像的梯度方向直方图,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,进而生成特征向量并对所述特征向量分类就可以判断所述待测图像中是否有雨滴,因此,上述方法处理过程简单,计算复杂度较低,从而可以提高检测设备的工作效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种图像检测方法,其特征在于,包括:
获取视频文件中待检测图像的背景图像;
确定所述待检测图像的梯度方向直方图和所述背景图像的梯度方向直方图,其中,任一个图像的梯度方向直方图为所述图像中在每个梯度方向的像素点个数的统计值;
将所述待检测图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,并根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成特征向量;
根据预设的分类模型,对所述特征向量进行分类,得到分类结果,并根据所述分类结果确定所述待检测图像中是否存在雨滴。
2.如权利要求1所述的方法,其特征在于,获取所述背景图像,包括:
在所述视频文件中获取目标图像,所述目标图像为所述待检测图像的上一帧图像;
确定所述背景图像中每个位置上的像素点的亮度特征值,其中,所述背景图像中每个位置上的像素点的亮度特征值为所述待检测图像和所述目标图像中相应位置上的像素点的亮度特征值中的最小值,每个像素点的亮度特征值为所述像素点的红R值、绿G值和蓝B值,或者为所述像素点的明亮度Y值,或者为所述像素点的灰度值;
根据确定的所述背景图像中每个像素位置上的像素点的亮度特征值,得到所述背景图像。
3.如权利要求1所述的方法,其特征在于,确定所述待检测图像的梯度方向直方图,包括:
确定所述待检测图像中除处于边缘位置以外的其他的位置上的多个第一待选像素点的梯度幅值;
在所述多个第一待选像素点中筛选出第一统计像素点,其中,所述第一统计像素点的梯度幅值大于第一阈值,且小于第二阈值;
确定所述第一统计像素点的梯度方向,并根据所述第一统计像素点的梯度方向,确定所述待检测图像的梯度方向直方图;
确定所述背景图像的梯度方向直方图,包括:
确定所述背景图像中除处于边缘位置以外的其他的位置上的多个第二待选像素点的梯度幅值;
在所述多个第二待选像素点中筛选出第二统计像素点,其中,所述第二统计像素点的梯度幅值大于所述第一阈值,且小于所述第二阈值;
确定所述第二统计像素点的梯度方向,并根据所述第二统计像素点的梯度方向,确定所述背景图像的梯度方向直方图。
4.如权利要求1-3任一项所述的方法,其特征在于,根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成所述特征向量,包括:
按照设定的梯度方向的顺序,对所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值进行排序,生成目标向量;
对所述目标向量进行归一化处理,生成所述特征向量。
5.如权利要求4所述的方法,其特征在于,在根据所述分类模型,对所述特征向量进行分类之前,所述方法还包括:
生成所述分类模型:
获取存在雨滴的第一样本图像的第一特征向量以及不存在雨滴的第二样本图像的第二特征向量;并对所述第一特征向量和所述第二特征向量进行分类训练,生成所述分类模型;
其中,所述第一特征向量为对第一目标向量进行归一化处理得到的,所述第一目标向量为按照所述梯度方向的顺序,对所述第一样本图像和所述第一样本图像的背景图像之间每个梯度方向的像素点差值进行排序生成,所述第一样本图像和所述第一样本图像的背景图像之间每个梯度方向的像素点差值为:所述第一样本图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述第一样本图像的背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减得到的;
所述第二特征向量为对第二目标向量进行归一化处理得到的,所述第二目标向量为按照所述梯度方向的顺序,对所述第二样本图像和所述第二样本图像的背景图像之间每个梯度方向的像素点差值进行排序生成,所述第二样本图像和所述第二样本图像的背景图像之间每个梯度方向的像素点差值为:所述第二样本图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述第二样本图像的背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减得到的。
6.一种图像检测装置,其特征在于,包括:
处理单元,用于获取视频文件中待检测图像的背景图像;
确定所述待检测图像的梯度方向直方图和所述背景图像的梯度方向直方图,其中,任一个图像的梯度方向直方图为所述图像中在每个梯度方向的像素点个数的统计值;
将所述待检测图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减,得到所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值,并根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成特征向量;
检测单元,用于根据预设的分类模型,对所述特征向量进行分类,得到分类结果,并根据所述分类结果确定所述待检测图像中是否存在雨滴。
7.如权利要求6所述的装置,其特征在于,所述处理单元,在获取所述背景图像时,具体用于:
在所述视频文件中获取目标图像,所述目标图像为所述待检测图像的上一帧图像;
确定所述背景图像中每个位置上的像素点的亮度特征值,其中,所述背景图像中每个位置上的像素点的亮度特征值为所述待检测图像和所述目标图像中相应位置上的像素点的亮度特征值中的最小值,每个像素点的亮度特征值为所述像素点的红R值、绿G值和蓝B值,或者为所述像素点的明亮度Y值,或者为所述像素点的灰度值;
根据确定的所述背景图像中每个像素位置上的像素点的亮度特征值,得到所述背景图像。
8.如权利要求6所述的装置,其特征在于,所述处理单元,在确定所述待检测图像的梯度方向直方图时,具体用于:
确定所述待检测图像中除处于边缘位置以外的其他的位置上的多个第一待选像素点的梯度幅值;
在所述多个第一待选像素点中筛选出第一统计像素点,其中,所述第一统计像素点的梯度幅值大于第一阈值,且小于第二阈值;
确定所述第一统计像素点的梯度方向,并根据所述第一统计像素点的梯度方向,确定所述待检测图像的梯度方向直方图;
所述处理单元,在确定所述背景图像的梯度方向直方图时,具体用于:
确定所述背景图像中除处于边缘位置以外的其他的位置上的多个第二待选像素点的梯度幅值;
在所述多个第二待选像素点中筛选出第二统计像素点,其中,所述第二统计像素点的梯度幅值大于所述第一阈值,且小于所述第二阈值;
确定所述第二统计像素点的梯度方向,并根据所述第二统计像素点的梯度方向,确定所述背景图像的梯度方向直方图。
9.如权利要求6-8任一项所述的装置,其特征在于,所述处理单元,在根据所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值生成所述特征向量时,具体用于:
按照设定的梯度方向的顺序,对所述待检测图像和所述背景图像之间每个梯度方向的像素点个数差值进行排序,生成目标向量;
对所述目标向量进行归一化处理,生成所述特征向量。
10.如权利要求9所述的装置,其特征在于,所述处理单元,还用于:
在所述检测单元根据所述分类模型,对所述特征向量进行分类之前,生成所述分类模型:
获取存在雨滴的第一样本图像的第一特征向量以及不存在雨滴的第二样本图像的第二特征向量;并对所述第一特征向量和所述第二特征向量进行分类训练,生成所述分类模型;
其中,所述第一特征向量为对第一目标向量进行归一化处理得到的,所述第一目标向量为按照所述梯度方向的顺序,对所述第一样本图像和所述第一样本图像的背景图像之间每个梯度方向的像素点差值进行排序生成,所述第一样本图像和所述第一样本图像的背景图像之间每个梯度方向的像素点差值为:所述第一样本图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述第一样本图像的背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减得到的;
所述第二特征向量为对第二目标向量进行归一化处理得到的,所述第二目标向量为按照所述梯度方向的顺序,对所述第二样本图像和所述第二样本图像的背景图像之间每个梯度方向的像素点差值进行排序生成,所述第二样本图像和所述第二样本图像的背景图像之间每个梯度方向的像素点差值为:所述第二样本图像的梯度方向直方图中每个梯度方向的像素点个数的统计值与所述第二样本图像的背景图像的梯度方向直方图中相应梯度方向的像素点个数的统计值相减得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710892447.8A CN107730487A (zh) | 2017-09-27 | 2017-09-27 | 一种图像检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710892447.8A CN107730487A (zh) | 2017-09-27 | 2017-09-27 | 一种图像检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107730487A true CN107730487A (zh) | 2018-02-23 |
Family
ID=61208176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710892447.8A Pending CN107730487A (zh) | 2017-09-27 | 2017-09-27 | 一种图像检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730487A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108513139A (zh) * | 2018-04-02 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 视频直播中的虚拟对象识别方法、装置、存储介质和设备 |
CN109130811A (zh) * | 2018-03-13 | 2019-01-04 | 邓广博 | 气垫式车辆遮雨控制方法 |
CN110807783A (zh) * | 2019-10-28 | 2020-02-18 | 衢州学院 | 一种面向无彩色长视频的高效视场区域分割方法及装置 |
CN114998614A (zh) * | 2022-08-08 | 2022-09-02 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544488A (zh) * | 2013-11-07 | 2014-01-29 | 湖南创合制造有限公司 | 一种人脸识别方法及装置 |
CN105469105A (zh) * | 2015-11-13 | 2016-04-06 | 燕山大学 | 一种基于视频监控的香烟烟雾检测方法 |
CN105678731A (zh) * | 2014-11-17 | 2016-06-15 | 宝钢新日铁汽车板有限公司 | 一种识别带钢瓢曲的方法 |
CN106327488A (zh) * | 2016-08-19 | 2017-01-11 | 云赛智联股份有限公司 | 一种自适应的前景检测方法及其检测装置 |
-
2017
- 2017-09-27 CN CN201710892447.8A patent/CN107730487A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544488A (zh) * | 2013-11-07 | 2014-01-29 | 湖南创合制造有限公司 | 一种人脸识别方法及装置 |
CN105678731A (zh) * | 2014-11-17 | 2016-06-15 | 宝钢新日铁汽车板有限公司 | 一种识别带钢瓢曲的方法 |
CN105469105A (zh) * | 2015-11-13 | 2016-04-06 | 燕山大学 | 一种基于视频监控的香烟烟雾检测方法 |
CN106327488A (zh) * | 2016-08-19 | 2017-01-11 | 云赛智联股份有限公司 | 一种自适应的前景检测方法及其检测装置 |
Non-Patent Citations (3)
Title |
---|
NAVNEET DALAL AND BILL TRIGGS: "Histograms of Oriented Gradients for Human Detection", 《2005 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR’05)》 * |
张慧等: "基于背景差与HOG-LBP的快速运动人体检测", 《计算机技术与发展》 * |
赵坚勇: "10.2.4 背景差分法运动目标检测", 《应用电视技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109130811A (zh) * | 2018-03-13 | 2019-01-04 | 邓广博 | 气垫式车辆遮雨控制方法 |
CN108513139A (zh) * | 2018-04-02 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 视频直播中的虚拟对象识别方法、装置、存储介质和设备 |
CN108513139B (zh) * | 2018-04-02 | 2020-05-29 | 腾讯科技(深圳)有限公司 | 视频直播中的虚拟对象识别方法、装置、存储介质和设备 |
CN110807783A (zh) * | 2019-10-28 | 2020-02-18 | 衢州学院 | 一种面向无彩色长视频的高效视场区域分割方法及装置 |
CN114998614A (zh) * | 2022-08-08 | 2022-09-02 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
CN114998614B (zh) * | 2022-08-08 | 2023-01-24 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491762B (zh) | 一种行人检测方法 | |
CN103020992B (zh) | 一种基于运动颜色关联的视频图像显著性检测方法 | |
CN103679168B (zh) | 文字区域检测方法及装置 | |
CN102999753B (zh) | 车牌定位方法 | |
CN107730487A (zh) | 一种图像检测方法及装置 | |
CN101930543B (zh) | 一种自拍视频中眼睛图像的调正方法 | |
CN106384117B (zh) | 一种车辆颜色识别方法及装置 | |
CN103942539B (zh) | 一种人头部椭圆精确高效提取及遮蔽人脸检测方法 | |
CN103955949B (zh) | 基于Mean-shift算法的运动目标检测方法 | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN104715244A (zh) | 一种基于肤色分割和机器学习的多视角人脸检测方法 | |
CN103473564B (zh) | 一种基于敏感区域的正面人脸检测方法 | |
CN105893946A (zh) | 一种正面人脸图像的检测方法 | |
CN104021527B (zh) | 一种图像中雨雪的去除方法 | |
CN104123529A (zh) | 人手检测方法及系统 | |
CN104202547A (zh) | 投影画面中提取目标物体的方法、投影互动方法及其系统 | |
CN107944403A (zh) | 一种图像中的行人属性检测方法及装置 | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN106250824A (zh) | 车窗定位方法和系统 | |
CN109166137A (zh) | 针对抖动视频序列中运动目标检测算法 | |
CN107886507A (zh) | 一种基于图像背景和空间位置的显著区域检测方法 | |
CN107358163A (zh) | 基于人脸识别的游客线路跟踪统计方法、电子设备及存储介质 | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN104598914A (zh) | 一种肤色检测的方法及装置 | |
CN104143195B (zh) | 一种手势跟踪过程中手形变化导致跟踪偏移的修正方法 |
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: 20180223 |