CN108280815B - 一种面向监控场景结构的几何校正方法 - Google Patents
一种面向监控场景结构的几何校正方法 Download PDFInfo
- Publication number
- CN108280815B CN108280815B CN201810159221.1A CN201810159221A CN108280815B CN 108280815 B CN108280815 B CN 108280815B CN 201810159221 A CN201810159221 A CN 201810159221A CN 108280815 B CN108280815 B CN 108280815B
- Authority
- CN
- China
- Prior art keywords
- image
- scene
- geometric correction
- straight line
- shot
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 104
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003708 edge detection Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000001629 suppression Effects 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种面向监控场景结构的几何校正方法,通过计算获取场景结构要素,实现场景几何校正。为了降低背景干扰和计算量的问题,对监控场景图像和拍摄图像进行霍夫直线检测来获得场景中的结构,提高了后续旋转角估计的正确率,并将其与边缘检测后的初始边缘进行运算,得到处理后的图像边缘。计算拍摄图像直线参数,可以直接估计出旋转角,克服了遍历计算所带来的耗费时间问题,根据所得的几何校正参数,获取候选的几何校正图像集合。根据网格区域,依次计算结构相似度并获得整体场景的结构评价,降低了计算量,并记录匹配度最高的几何校正图像作为输出。本发明在实际应用中如对场景中的人体进行标定以解决身高测量问题等方面发挥着重要作用。
Description
技术领域
本发明主要涉及几何校正技术领域,尤其涉及一种面向监控场景结构的几何校正方法。
背景技术
几何校正就是针对几何畸变进行的误差校正。其中监控场景图像是指案件真实发生的图像,是固定的。拍摄的场景图像是指为了办理案件多次拍摄的图像,相比于监控场景图像是可能会有所倾斜的。在实际的应用中,如多光谱、多时相影像的配准,遥感影像制图和对场景中的人体进行标定以解决身高测量的问题等,由于图像的模糊性以及计算量等问题,几何校正的正确性面临着诸多挑战,现有常用到的图像几何校正方法有空间变换法、灰度插值法和图像配准法。基于场景结构的几何校正方法,一般不需要对图像进行复杂的预先处理,而是利用图像本身具有的灰度的一些统计信息来度量图像的相似程度。本发明选用Canny算子作为边缘检测算法及Hough变换作为直线提取算法,面向监控场景结构的几何校正方法直接利用几何校正参数作为特征来确定待校正图像间的变换关系,这类方法充分利用了图像所包含的信息。
空间变换法是几何校正的常用方法,它是指像的空间几何坐标变换。肖朝等人于2013年发表的《大曲率多通道投影显示墙几何校正》提出了一种二次几何校正算法,通过顶点坐标和纹理坐标之间的对应关系来对图像进行几何校正。庞惠文等人于2016年发表的《基于直线检测的条码图像几何校正研究》是在已除去背景的图像中,寻找目标的条形码边缘对应的直线,以此确定其偏移角度,并进行扭转校正。这种方法往往不能充分利用图像所包含的信息,使其结果有较大的误差,影响了几何校正的精度。
几何校正的另一种常用方法是灰度插值法,即对空间变换后的像素赋予相应的灰度值,以恢复原位置的灰度值。申请号为201510253950.X的中国专利《视频融合中多图像多像素级别几何校正方法》提出了一种多图像多像素级别几何校正方法和系统,通过较大范围内的几何校正,并基于几何图形顶点和图像插值的分数像素级别的几何校正。但该方法复杂,计算量大,图像轮廓有一定模糊。
图像配准就是建立两幅图像间的空间对应关系,它从几何上校正参考图像和待配准图像。图像配准可分为基于图像灰度的配准方法,申请号为201310207401.X的中国专利《数字图像配准方法及装置、数字减影图像矫正方法及设备》通过建立模板窗口,进行相似性测度,来对图像进行配准。申请号为201310349565.6的中国专利《一种图像配准方法和系统》将每一分块图像分别进行逐级降采样并按照分辨率由低到高的顺序逐级递归匹配并由此获取主辅图像的对应关系,并移动辅图像实现图像配准。这种方法对图像的灰度变化比较敏感,当变换的参数空间增大时,其搜索和匹配运算的计算量将以指数级的速度增加,因此对于复杂几何形变的校正,基于图像灰度的方法难以实现。
图像配准的方法还可分为基于图像特征的配准方法,申请号为201310239103.9的中国专利《一种基于子图像角点特征的快速图像配准方法》提出了一种基于子图像角点特征的快速图像配准方法。申请号为201110372865.7的中国专利《基于改进的结构相似度的二值化图像配准方法》以粗配准参数对浮动图像做几何变换后再用Powell优化算法进行精配准,采用与二值化参考图像融合来显示配准结果。但特征提取方法的计算代价通常较大,不便于实时应用,对于纹理较少的图像区域提取的特征的密度通常比较稀少,局部特征的提取就比较困难。
发明内容
本发明目的就是为了弥补已有技术的缺陷,提供一种面向监控场景结构的几何校正方法。
本发明是通过以下技术方案实现的:
一种面向监控场景结构的几何校正方法,具体步骤如下:(1)计算输入图像的场景结构;(2)计算拍摄图像的场景结构;(3)计算几何校正候选图像;(4)场景结构内容评价;(5)面向场景结构的几何校正输出图像;
所述的计算输入图像的场景结构,其中输入的监控场景图像是指案件真实发生的图像,是固定的。将监控场景图像转化为灰度图像,使用Canny边缘检测,并进行Hough直线检测,提供场景中的主要结构,并获得抑制后的监控图像边缘。
所述的计算拍摄图像的场景结构,其中拍摄的场景图像是指为了办理案件多次拍摄的图像,相比于监控场景图像是可能会有所倾斜的。将拍摄的场景图像转化为灰度图像,使用Canny边缘检测,并进行Hough直线检测,提供拍摄的场景图像中的主要结构,并获得抑制后的拍摄图像边缘。
所述的计算几何校正候选图像,遍历计算拍摄图像直线参数,将直线交叉点作为获取图像旋转中心点,将直线夹角作为图像的旋转角,获得几何校正参数用于获取几何校正的单应性矩阵;
所述的监控图像的场景结构内容评价,将监控图像划分为若干网络区域,并依次计算监控场景各区域的灰度均值和标准差;
所述的面向场景结构的几何校正输出图像,依次计算各候选几何图像的整体场景结构评价,记录匹配对最高的几何校正图像作为输出。
所述的计算输入图像的场景结构,包括以下步骤:
步骤S1-1,输入监控场景图像,转化为灰度图像It;
步骤S1-2,对监控图像使用Canny进行边缘检测获得初始边缘Et;
步骤S1-3,对监控图像的初始边缘,进行Hough直线检测,Hough响应矩阵,其中横坐标为直线斜率,纵坐标为直线到原点的距离;
步骤S1-4,在Hough响应矩阵中寻找前k个局部极大值,按照响应值从大到小排序,获得直线参数集合Ht(k)={θt(k),ρt(k)},其中θt(k)代表直线的角度信息,ρt(k)代表直线的长度信息,该直线参数集合就是场景中的结构;
步骤S1-5,根据直线参数集合Ht(k)在空白图像中绘制直线,获得监控场景结构的直线掩模图像At;
步骤S1-6,将监控场景结构的直线掩模图像At和初始边缘Et进行与运算,获得抑制后的监控图像边缘Gt,其中g代表抑制后的边缘信息
Gt={g|g∈It,g∈Ht}。
所述的计算拍摄图像的场景结构,包括以下步骤:
步骤S2-1,输入摄像头拍摄的场景图像,转化为灰度图像Is;
步骤S2-2,对拍摄图像使用Canny进行边缘检测获得初始边缘Es;
步骤S2-3,对拍摄图像的初始边缘,进行Hough直线检测,Hough响应矩阵,其中横坐标为直线斜率,纵坐标为直线到原点的距离;
步骤S2-4,在Hough响应矩阵中寻找前i个局部极大值,按照响应值从大到小排序,获得直线参数集合Hs(i)={θs(i),ρs(i)},其中θs(i)代表直线的角度信息,ρs(i)代表直线的长度信息,该直线参数集合就是拍摄的场景图像结构;
步骤S2-5,根据直线参数集合Hs(i)在空白图像中绘制直线,获得拍摄图像场景结构的直线掩模图像As;
步骤S2-6,将场景结构的直线掩模图像As和初始边缘Es进行与运算,获得抑制后的拍摄图像边缘Gs
Gs={g|g∈Is,g∈Hs}。
所述的计算几何校正候选图像,包括以下步骤:
步骤S3-1,提取步骤S1-4中的监控图像的第一直线参数Ht(1)={θt(1),ρt(1)};
步骤S3-2,提取拍摄图像的前k条直线参数集合Hs(k)={θs(k),ρs(k)};
步骤S3-3,遍历计算拍摄图像直线参数,将直线交叉点p作为获取图像旋转中心点,pM(k)为拍摄图像的第k调直线交叉点
pM(k)={p|p∈Hs(k),p∈Ht(1)};
步骤S3-4,遍历计算拍摄图像直线参数,将直线夹角作为图像的旋转角,θM(k)为拍摄图像的第k调直线夹角
θM(k)=θs(k)-θt(1);
步骤S3-5,获得几何校正参数Ms={m(k)}={θM(k),pM(k)},其中m(k)表示拍摄图像的第k调直线几何校正参数,该几何校正参数Ms可以用于获取几何校正的单应性矩阵;
步骤S3-6,根据几何校正参数,使用双线性二次插值方法,对拍摄图像Is进行几何校正,获取候选的几何校正图像集合Is(m(k));
步骤S3-7,对拍摄图像结构Gs进行几何校正,获取候选的几何校正图像结构集合Gs(m(k))。
所述的场景结构内容评价,包括以下步骤:
步骤S4-1,设置网格水平间隔参数和垂直间隔参数,将监控图像划分为若干网络区域P(i,j),其中i,j分别代表水平间隔和垂直间隔;
步骤S4-2,根据网格区域,针对监控图像边缘Gt,依次计算监控场景各区域的灰度均值μt(i,j),其中t代表第t个网格区域;
步骤S4-3,根据网格区域,针对监控图像边缘Gt,依次计算监控场景各区域的灰度标准差σt(i,j)。
所述的面向场景结构的几何校正输出图像,包括以下步骤:
步骤S5-1,选择第k张几何校正的候选图像Is(m(k)),设置网格水平间隔参数和垂直间隔参数,将候选图像划分为若干网络区域;
步骤S5-2,根据网格区域,针对拍摄图像边缘Gs(m(k)),依次计算候选图像各区域的灰度均值μs(k)(i,j),其中s(k)代表第k张候选图像;
步骤S5-3,根据网格区域,针对拍摄图像边缘Gs(m(k)),依次计算候选图像各区域的灰度标准差σs(k)(i,j);
步骤S5-4,根据网格区域,针对监控图像边缘Gt和拍摄图像边缘Gs(m(k)),依次计算监控场景和拍摄图像对应图像块之间的协方差δs(k)(i,j);
步骤S5-5,根据网格区域,依次计算监控场景各区域和候选图像各区域的结构相似度,其中a和b为常数,为了避免分母为0的情况,通常取a=(K1L)2,L为图像灰度级数,对于8bit灰度图像,L=255,K1=0.01,通常取b=(K2L)2,K2=0.03
步骤S5-6,根据网格区域,对第k张图像进行求和,获得整体场景的结构评价
S(m(k))=∑i∑jsim(t,s(k),i,j);
步骤S5-7,重复步骤S5-1到S5-6,依次计算各候选几何图像的整体场景结构评价S(m(k)),k=1...K;
步骤S5-8,找出匹配度最高的几何校正图像的参数
m*=argmaxm(k)S(m(k));
步骤S5-9,记录匹配度最高的几何校正图像,作为几何校正的输出图像Is(m*)。
本发明的优点是:本发明克服了图像信息利用不充分,计算量大,以及方法复杂度高的问题,提出了一种面向监控场景结构的几何校正方法,通过计算获取场景结构要素实现场景几何校正。与已有技术相比,本发明的主要优势如下:
(1)对监控场景和拍摄的场景图像利用Hough直线检测来获得场景中的主要结构,可以减少背景干扰,降低旋转角估计的错误率并降低计算量,并将其掩模与边缘检测后的初始边缘进行运算,得到抑制后的图像边缘。
(2)计算拍摄图像直线参数,可以直接估计出旋转角,节省了时间,并据此获取几何校正的单应性矩阵和候选的几何校正图像集合。
(3)设置网格区域并依次计算图像各区域的结构相似度可降低计算量,将场景颜色或其他的对齐变成结构的对齐,记录匹配度最高的几何校正图像作为输出。
附图说明
图1为本发明提出的几何校正方法流程图。
图2为本发明实施例中计算输入图像和拍摄图像的场景结构((a)为监控原图;(b)监控原图初始边缘检测结果图;(c)为抑制后的监控图像边缘图;(d)为拍摄原图;(e)为拍摄原图初始边缘检测结果图;(f)抑制后的拍摄图像边缘图)。
图3为本发明实施例中计算几何校正候选图像((a)为候选校正拍摄图像;(b)候选矫正拍摄图像主结构图)
图4为本发明实施例中面向场景结构的几何校正输出图像。
具体实施方式
如图1所示,一种面向监控场景结构的几何校正方法,具体步骤如下:(1)计算输入图像的场景结构;(2)计算拍摄图像的场景结构;(3)计算几何校正候选图像;(4)场景结构内容评价;(5)面向场景结构的几何校正输出图像;
所述的计算输入图像的场景结构,其中输入的监控场景图像是指案件真实发生的图像,是固定的。将监控场景图像转化为灰度图像,使用Canny边缘检测,并进行Hough直线检测,提供场景中的主要结构,并获得抑制后的监控图像边缘。
所述的计算拍摄图像的场景结构,其中拍摄的场景图像是指为了办理案件多次拍摄的图像,相比于监控场景图像是可能会有所倾斜的。将拍摄的场景图像转化为灰度图像,使用Canny边缘检测,并进行Hough直线检测,提供拍摄的场景图像中的主要结构,并获得抑制后的拍摄图像边缘。
所述的计算几何校正候选图像,遍历计算拍摄图像直线参数,将直线交叉点作为获取图像旋转中心点,将直线夹角作为图像的旋转角,获得几何校正参数用于获取几何校正的单应性矩阵;
所述的监控图像的场景结构内容评价,将监控图像划分为若干网络区域,并依次计算监控场景各区域的灰度均值和标准差;
所述的面向场景结构的几何校正输出图像,依次计算各候选几何图像的整体场景结构评价,记录匹配对最高的几何校正图像作为输出。
所述的计算输入图像的场景结构,包括以下步骤:
步骤S1-1,输入监控场景图像,如图2(a),转化为灰度图像It;
步骤S1-2,对监控图像使用Canny进行边缘检测获得初始边缘Et,如图2(b)所示;
步骤S1-3,对监控图像的初始边缘,进行Hough直线检测,Hough响应矩阵,其中横坐标为直线斜率,纵坐标为直线到原点的距离;
步骤S1-4,在Hough响应矩阵中寻找前k个局部极大值,按照响应值从大到小排序,获得直线参数集合Ht(k)={θt(k),ρt(k)},其中θt(k)代表直线的角度信息,ρt(k)代表直线的长度信息,该直线参数集合就是场景中的结构;
步骤S1-5,根据直线参数集合Ht(k)在空白图像中绘制直线,获得监控场景结构的直线掩模图像At;
步骤S1-6,如图2(c)所示,将监控场景结构的直线掩模图像At和初始边缘Et进行与运算,获得抑制后的监控图像边缘Gt,其中g代表抑制后的边缘信息
Gt={g|g∈It,g∈Ht}。
所述的计算拍摄图像的场景结构,包括以下步骤:
步骤S2-1,输入摄像头拍摄的场景图像,如图2(d),转化为灰度图像Is;
步骤S2-2,对拍摄图像使用Canny进行边缘检测获得初始边缘Es,如图2(e)所示;
步骤S2-3,对拍摄图像的初始边缘,进行Hough直线检测,Hough响应矩阵,其中横坐标为直线斜率,纵坐标为直线到原点的距离;
步骤S2-4,在Hough响应矩阵中寻找前i个局部极大值,按照响应值从大到小排序,获得直线参数集合Hs(i)={θs(i),ρs(i)},其中θs(i)代表直线的角度信息,ρs(i)代表直线的长度信息,该直线参数集合就是拍摄的场景图像结构;
步骤S2-5,根据直线参数集合Hs(i)在空白图像中绘制直线,获得拍摄图像场景结构的直线掩模图像As;
步骤S2-6,如图2(f)所示,将场景结构的直线掩模图像As和初始边缘Es进行与运算,获得抑制后的拍摄图像边缘Gs
Gs={g|g∈Is,g∈Hs}。
所述的计算几何校正候选图像,包括以下步骤:
步骤S3-1,提取步骤S1-4中的监控图像的第一直线参数Ht(1)={θt(1),ρt(1)};
步骤S3-2,提取拍摄图像的前k条直线参数集合Hs(k)={θs(k),ρs(k)};
步骤S3-3,遍历计算拍摄图像直线参数,将直线交叉点p作为获取图像旋转中心点,pM(k)为拍摄图像的第k调直线交叉点
pM(k)={p|p∈Hs(k),p∈Ht(1)};
步骤S3-4,遍历计算拍摄图像直线参数,将直线夹角作为图像的旋转角,θM(k)为拍摄图像的第k调直线夹角
θM(k)=θs(k)-θt(1);
步骤S3-5,获得几何校正参数Ms={m(k)}={θM(k),pM(k)},其中m(k)表示拍摄图像的第k调直线几何校正参数,该几何校正参数Ms可以用于获取几何校正的单应性矩阵;
步骤S3-6,根据几何校正参数,使用双线性二次插值方法,对拍摄图像Is进行几何校正,获取候选的几何校正图像集合Is(m(k)),如图3(a)所示;
步骤S3-7,对拍摄图像结构Gs进行几何校正,获取候选的几何校正图像结构集合Gs(m(k)),如图3(b)所示。
所述的场景结构内容评价,包括以下步骤:
步骤S4-1,设置网格水平间隔参数和垂直间隔参数,将监控图像划分为若干网络区域P(i,j),其中i,j分别代表水平间隔和垂直间隔;
步骤S4-2,根据网格区域,针对监控图像边缘Gt,依次计算监控场景各区域的灰度均值μt(i,j),其中t代表第t个网格区域;
步骤S4-3,根据网格区域,针对监控图像边缘Gt,依次计算监控场景各区域的灰度标准差σt(i,j)。
所述的面向场景结构的几何校正输出图像,包括以下步骤:
步骤S5-1,选择第k张几何校正的候选图像Is(m(k)),设置网格水平间隔参数和垂直间隔参数,将候选图像划分为若干网络区域;
步骤S5-2,根据网格区域,针对拍摄图像边缘Gs(m(k)),依次计算候选图像各区域的灰度均值μs(k)(i,j),其中s(k)代表第k张候选图像;
步骤S5-3,根据网格区域,针对拍摄图像边缘Gs(m(k)),依次计算候选图像各区域的灰度标准差σs(k)(i,j);
步骤S5-4,根据网格区域,针对监控图像边缘Gt和拍摄图像边缘Gs(m(k)),依次计算监控场景和拍摄图像对应图像块之间的协方差δs(k)(i,j);
步骤S5-5,根据网格区域,依次计算监控场景各区域和候选图像各区域的结构相似度,其中a和b为常数,为了避免分母为0的情况,通常取a=(K1L)2,L为图像灰度级数,对于8bit灰度图像,L=255,K1=0.01,通常取b=(K2L)2,K2=0.03
步骤S5-6,根据网格区域,对第k张图像进行求和,获得整体场景的结构评价
S(m(k))=∑i∑jsim(t,s(k),i,j);
步骤S5-7,重复步骤S5-1到S5-6,依次计算各候选几何图像的整体场景结构评价S(m(k)),k=1...K;
步骤S5-8,找出匹配度最高的几何校正图像的参数
m*=argmaxm(k)S(m(k));
步骤S5-9,记录匹配度最高的几何校正图像,作为几何校正的输出图像Is(m*),如图4所示。
Claims (3)
1.一种面向监控场景结构的几何校正方法,其特征在于:具体步骤如下:(1)计算输入图像的场景结构;(2)计算拍摄图像的场景结构;(3)计算几何校正候选图像;(4)场景结构内容评价;(5)面向场景结构的几何校正输出图像;
所述的计算输入图像的场景结构,将监控场景图像转化为灰度图像,使用Canny边缘检测,并进行Hough直线检测,提供场景结构,并获得抑制后的监控图像边缘;
所述的计算拍摄图像的场景结构,将拍摄的场景图像转化为灰度图像,使用Canny边缘检测,并进行Hough直线检测,提供拍摄的场景图像的结构,并获得抑制后的拍摄图像边缘;
所述的计算几何校正候选图像,遍历计算拍摄图像直线参数,将直线交叉点作为获取图像旋转中心点,将直线夹角作为图像的旋转角,获得几何校正参数用于获取几何校正的单应性矩阵;
所述的监控图像的场景结构内容评价,将监控图像划分为若干网络区域,并依次计算监控场景各区域的灰度均值和标准差;
所述的面向场景结构的几何校正输出图像,依次计算各候选几何图像的整体场景结构评价,记录匹配对最高的几何校正图像作为输出;
所述的计算输入图像的场景结构,包括以下步骤:
步骤S1-1,输入监控场景图像,转化为灰度图像It;
步骤S1-2,对监控图像使用Canny进行边缘检测获得初始边缘Et;
步骤S1-3,对监控图像的初始边缘,进行Hough直线检测,Hough响应矩阵,其中横坐标为直线斜率,纵坐标为直线到原点的距离;
步骤S1-4,在Hough响应矩阵中寻找前k个局部极大值,按照响应值从大到小排序,获得直线参数集合Ht(k)={θt(k),ρt(k)},其中θt(k)代表直线的角度信息,ρt(k)代表直线的长度信息,该直线参数集合就是场景中的结构;
步骤S1-5,根据直线参数集合Ht(k)在空白图像中绘制直线,获得监控场景结构的直线掩模图像At;
步骤S1-6,将场景结构的直线掩模图像At和初始边缘Et进行与运算,获得抑制后的监控图像边缘Gt,
Gt={g|g∈It,g∈Ht},其中g代表抑制后的边缘信息;
所述的计算拍摄图像的场景结构,包括以下步骤:
步骤S2-1,输入摄像头拍摄的场景图像,转化为灰度图像Is;
步骤S2-2,对拍摄图像使用Canny进行边缘检测获得初始边缘Es;
步骤S2-3,对拍摄图像的初始边缘,进行Hough直线检测,Hough响应矩阵,其中横坐标为直线斜率,纵坐标为直线到原点的距离;
步骤S2-4,在Hough响应矩阵中寻找前i个局部极大值,按照响应值从大到小排序,获得直线参数集合Hs(i)={θs(i),ρs(i)},其中θs(i)代表直线的角度信息,ρs(i)代表直线的长度信息,该直线参数集合就是拍摄的场景图像结构;
步骤S2-5,根据直线参数集合Hs(i)在空白图像中绘制直线,获得拍摄图像场景结构的直线掩模图像As;
步骤S2-6,将拍摄图像的场景结构的直线掩模图像As和初始边缘Es进行与运算,获得抑制后的拍摄图像边缘Gs ,
Gs={g|g∈Is,g∈Hs};
所述的计算几何校正候选图像,包括以下步骤:
步骤S3-1,提取步骤S1-4中的监控图像的第一直线参数Ht(1)={θt(1),ρt(1)};
步骤S3-2,提取拍摄图像的前k条直线参数集合Hs(k)={θs(k),ρs(k)};
步骤S3-3,遍历计算拍摄图像直线参数,将直线交叉点p作为获取图像旋转中心点,pM(k)为拍摄图像的第k条直线交叉点
pM(k)={p|p∈Hs(k),p∈Ht(1)};
步骤S3-4,遍历计算拍摄图像直线参数,将直线夹角作为图像的旋转角,θM(k)为拍摄图像的第k条直线夹角
θM(k)=θs(k)-θt(1);
步骤S3-5,获得几何校正参数Ms={m(k)}={θM(k),pM(k)},其中m(k)表示拍摄图像的第k条直线几何校正参数,该几何校正参数Ms可以用于获取几何校正的单应性矩阵;
步骤S3-6,根据几何校正参数Ms,使用双线性二次插值方法,对拍摄图像Is进行几何校正,获取候选的几何校正图像集合Is(m(k));
步骤S3-7,对拍摄图像结构Gs进行几何校正,获取候选的几何校正图像集合Gs(m(k))。
2.根据权利要求1所述的一种面向监控场景结构的几何校正方法,其特征在于:所述的场景结构内容评价,包括以下步骤:
步骤S4-1,设置网格水平间隔参数和垂直间隔参数,将监控图像划分为若干网络区域P(i,j),其中i,j分别代表水平间隔和垂直间隔;
步骤S4-2,根据网格区域,针对监控图像边缘Gt,依次计算监控场景各区域的灰度均值μt(i,j),其中t代表第t个网格区域;
步骤S4-3,根据网格区域,针对监控图像边缘Gt,依次计算监控场景各区域的灰度标准差σt(i,j)。
3.根据权利要求2所述的一种面向监控场景结构的几何校正方法,其特征在于:所述的面向场景结构的几何校正输出图像,包括以下步骤:
步骤S5-1,选择第k张几何校正的候选图像Is(m(k)),设置网格水平间隔参数和垂直间隔参数,将候选图像划分为若干网络区域;
步骤S5-2,根据网格区域,针对拍摄图像边缘Gs(m(k)),依次计算候选图像各区域的灰度均值μs(k)(i,j),其中s(k)代表第k张候选图像;
步骤S5-3,根据网格区域,针对拍摄图像边缘Gs(m(k)),依次计算候选图像各区域的灰度标准差σs(k)(i,j);
步骤S5-4,根据网格区域,针对监控图像边缘Gt和拍摄图像边缘Gs(m(k)),依次计算监控场景和拍摄图像对应图像块之间的协方差δs(k)(i,j);
步骤S5-5,根据网格区域,依次计算监控场景各区域和候选图像各区域的结构相似度,
其中a和b为常数;
步骤S5-6,根据网格区域,对第k张图像进行求和,获得整体场景的结构评价
S(m(k))=∑i∑jsim(t,s(k),i,j);
步骤S5-7,重复步骤S5-1到S5-6,依次计算各候选几何图像的整体场景结构评价S(m(k)),k=1...K;
步骤S5-8,找出匹配度最高的几何校正图像的参数
m*=argmaxm(k)S(m(k));
步骤S5-9,记录匹配度最高的几何校正图像,作为几何校正的输出图像Is(m*)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810159221.1A CN108280815B (zh) | 2018-02-26 | 2018-02-26 | 一种面向监控场景结构的几何校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810159221.1A CN108280815B (zh) | 2018-02-26 | 2018-02-26 | 一种面向监控场景结构的几何校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108280815A CN108280815A (zh) | 2018-07-13 |
CN108280815B true CN108280815B (zh) | 2021-10-22 |
Family
ID=62808640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810159221.1A Active CN108280815B (zh) | 2018-02-26 | 2018-02-26 | 一种面向监控场景结构的几何校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280815B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096754B (zh) * | 2024-04-26 | 2024-07-30 | 广州拓威天海国际物流有限公司 | 一种国际货运服务标准价格监测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514446A (zh) * | 2013-10-16 | 2014-01-15 | 北京理工大学 | 一种融合传感器信息的室外场景识别方法 |
CN104008542A (zh) * | 2014-05-07 | 2014-08-27 | 华南理工大学 | 一种针对特定平面图形的快速角点匹配方法 |
CN105160326A (zh) * | 2015-09-15 | 2015-12-16 | 杭州中威电子股份有限公司 | 一种高速公路上停车的自动检测方法与装置 |
CN105184825A (zh) * | 2015-10-29 | 2015-12-23 | 丽水学院 | 一种面向室内场景的移动增强现实方法 |
CN106534817A (zh) * | 2016-12-05 | 2017-03-22 | 郑州捷安高科股份有限公司 | 基于图像识别的曲面投影自动几何校正方法 |
CN107122737A (zh) * | 2017-04-26 | 2017-09-01 | 聊城大学 | 一种道路交通标志自动检测识别方法 |
CN107247929A (zh) * | 2017-05-26 | 2017-10-13 | 大连海事大学 | 一种结合先验知识的鞋印花纹渐进细化式提取方法 |
CN107292871A (zh) * | 2017-06-08 | 2017-10-24 | 国网青海省电力公司检修公司 | 一种变电站圆形仪表的实时矫正算法 |
CN107370941A (zh) * | 2017-06-29 | 2017-11-21 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN107610110A (zh) * | 2017-09-08 | 2018-01-19 | 北京工业大学 | 一种全局和局部特征相结合的跨尺度图像质量评价方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100428805C (zh) * | 2005-12-15 | 2008-10-22 | 上海交通大学 | 仅用一幅平面标定物图像的摄像机标定方法 |
CN104836990B (zh) * | 2015-04-30 | 2017-12-29 | 武汉理工大学 | 一种桥墩防撞图像监控系统及监控方法 |
CN106408542B (zh) * | 2016-10-10 | 2019-07-19 | 四川大学 | 一种穹顶可视化场景的快速几何校正方法 |
CN108053370B (zh) * | 2017-11-29 | 2021-08-06 | 合肥工业大学 | 一种基于匹配误差抑制的成像坐标校正方法 |
CN110253579B (zh) * | 2019-06-24 | 2021-11-19 | 合肥工业大学 | 基于圆弧特征提取的机器人定位方法、装置、设备及介质 |
-
2018
- 2018-02-26 CN CN201810159221.1A patent/CN108280815B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514446A (zh) * | 2013-10-16 | 2014-01-15 | 北京理工大学 | 一种融合传感器信息的室外场景识别方法 |
CN104008542A (zh) * | 2014-05-07 | 2014-08-27 | 华南理工大学 | 一种针对特定平面图形的快速角点匹配方法 |
CN105160326A (zh) * | 2015-09-15 | 2015-12-16 | 杭州中威电子股份有限公司 | 一种高速公路上停车的自动检测方法与装置 |
CN105184825A (zh) * | 2015-10-29 | 2015-12-23 | 丽水学院 | 一种面向室内场景的移动增强现实方法 |
CN106534817A (zh) * | 2016-12-05 | 2017-03-22 | 郑州捷安高科股份有限公司 | 基于图像识别的曲面投影自动几何校正方法 |
CN107122737A (zh) * | 2017-04-26 | 2017-09-01 | 聊城大学 | 一种道路交通标志自动检测识别方法 |
CN107247929A (zh) * | 2017-05-26 | 2017-10-13 | 大连海事大学 | 一种结合先验知识的鞋印花纹渐进细化式提取方法 |
CN107292871A (zh) * | 2017-06-08 | 2017-10-24 | 国网青海省电力公司检修公司 | 一种变电站圆形仪表的实时矫正算法 |
CN107370941A (zh) * | 2017-06-29 | 2017-11-21 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN107610110A (zh) * | 2017-09-08 | 2018-01-19 | 北京工业大学 | 一种全局和局部特征相结合的跨尺度图像质量评价方法 |
Non-Patent Citations (2)
Title |
---|
Reviewon 2D-to-3D Image and Video Conversion Methods;Shweta Patil等;《ICCUBEA 2015》;20150227;728-732 * |
基于几何成像模型的鱼眼镜头图像校正算法和技术研究;李根等;《机电工程》;20131015;第30卷(第10期);1268-1272 * |
Also Published As
Publication number | Publication date |
---|---|
CN108280815A (zh) | 2018-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11244197B2 (en) | Fast and robust multimodal remote sensing image matching method and system | |
CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
CN108229475B (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
US8401333B2 (en) | Image processing method and apparatus for multi-resolution feature based image registration | |
CN108470356B (zh) | 一种基于双目视觉的目标对象快速测距方法 | |
CN110033431B (zh) | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 | |
CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
CN104751465A (zh) | 一种基于lk光流约束的orb图像特征配准方法 | |
US11030478B1 (en) | System and method for correspondence map determination | |
CN109523583B (zh) | 一种基于反馈机制的电力设备红外与可见光图像配准方法 | |
CN103353941B (zh) | 基于视角分类的自然标志物注册方法 | |
CN110598795A (zh) | 图像差异检测方法及装置、存储介质、终端 | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
CN109376641A (zh) | 一种基于无人机航拍视频的运动车辆检测方法 | |
CN103902953A (zh) | 一种屏幕检测系统及方法 | |
CN104966283A (zh) | 图像分层配准方法 | |
CN108280815B (zh) | 一种面向监控场景结构的几何校正方法 | |
KR20050063991A (ko) | 영상 피라미드를 이용한 영상정합 처리방법 및 장치 | |
CN117036235A (zh) | 一种继电保护柜端子排线序检测方法 | |
CN116188826A (zh) | 一种复杂光照条件下的模板匹配方法及装置 | |
JP4639044B2 (ja) | 輪郭形状抽出装置 | |
CN111583341B (zh) | 云台像机移位检测方法 | |
JP2004240909A (ja) | 画像処理装置及び画像処理方法 | |
JP2009205695A (ja) | 対象個数検出装置および対象個数検出方法 |
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 |