CN109102495A - 目标图像确定方法和系统、计算机设备、计算机存储介质 - Google Patents

目标图像确定方法和系统、计算机设备、计算机存储介质 Download PDF

Info

Publication number
CN109102495A
CN109102495A CN201810730131.3A CN201810730131A CN109102495A CN 109102495 A CN109102495 A CN 109102495A CN 201810730131 A CN201810730131 A CN 201810730131A CN 109102495 A CN109102495 A CN 109102495A
Authority
CN
China
Prior art keywords
image
parameter
characteristic
spectrum
original image
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
Application number
CN201810730131.3A
Other languages
English (en)
Inventor
林凡
成杰
张秋镇
唐昌宇
杨峰
李盛阳
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.)
GCI Science and Technology Co Ltd
Original Assignee
GCI Science and Technology Co Ltd
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 GCI Science and Technology Co Ltd filed Critical GCI Science and Technology Co Ltd
Priority to CN201810730131.3A priority Critical patent/CN109102495A/zh
Publication of CN109102495A publication Critical patent/CN109102495A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种目标图像确定方法和系统、计算机设备、计算机存储介质。上述目标图像确定方法包括：S10,根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数；S20,根据所述色调特征参数、饱和度特征参数和亮度特征参数计算所述原始图像的幅度谱和相位谱，根据所述幅度谱计算所述原始图像的图像特征描述谱；S30,对所述图像特征描述谱和相位谱傅里叶逆变换，确定特征图像；S40,将所述特征图像与所述原始图像叠加，根据叠加后的图像数据确定目标图像。本发明提供的目标图像确定方法和系统使所确定的目标图像可以包括原始图像上更多的有效图像数据，有利于提高其在后续检测分析过程中的稳定性。

Description

目标图像确定方法和系统、计算机设备、计算机存储介质
技术领域
本发明涉及图像处理技术领域，特别是涉及一种目标图像确定方法和系统、计算机设备、计算机存储介质。
背景技术
人脸检测等图像处理技术是目前受到广泛关注的研究方向之一，比如其中的人脸检测技术可以运用于地铁日客流量等多个方面。如何能够从大量图像数据中确定用于具体检测的目标图像(如需要进行最终识别的人脸图像)，是研究该技术的重中之重。
传统方案一般直接提取通过拍摄等方式获取的图像数据作为目标图像进行相应的检测分析，以此确定的目标图像容易影响其在后续检测分析过程中的稳定性。
发明内容
基于此，有必要针对传统方案所确定的目标图像在后续检测分析过程中稳定性容易受到影响的技术问题，提供一种目标图像确定方法和系统、计算机设备、计算机存储介质。
一种目标图像确定方法，包括：
S10,根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数；
S20,根据所述色调特征参数、饱和度特征参数和亮度特征参数计算所述原始图像的幅度谱和相位谱，根据所述幅度谱计算所述原始图像的图像特征描述谱；
S30,对所述图像特征描述谱和相位谱傅里叶逆变换，确定特征图像；
S40,将所述特征图像与所述原始图像叠加，根据叠加后的图像数据确定目标图像。
上述目标图像确定方法，可以根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数，进而计算上述原始图像的幅度谱和相位谱，获取原始图像的图像特征描述谱，再对所述图像特征描述谱和相位谱傅里叶逆变换，确定特征图像，从而将所述特征图像与所述原始图像叠加，确定检测分析所需的目标图像，使所确定的目标图像可以包括原始图像上更多的有效图像数据，有利于提高其在后续检测分析过程中的稳定性。
在一个实施例中，针对同一检测目标分别从视频数据中多次提取待检测的原始图像，得到多个原始图像；针对各个原始图像分别执行步骤S10至步骤S30，获取各个原始图像对应的单元特征图像，将各个单元特征图像进行叠加，根据叠加结果确定综合特征图像，将所述综合特征图像与任意一个原始图像叠加。
本实施例可以在视频数据中多次提取同一检测目标的原始图像，以分别针对各个原始图像获取单元特征图像，将上述各个特征图像叠加得到最终叠加至原始图像上的综合特征图像，使最终确定的综合特征图像可以包括原始图像上更多的有效图像数据，进一步提高了所确定的目标图像的稳定性。
在一个实施例中，所述将所述特征图像与所述原始图像叠加的过程包括：
将所述特征图像进行二值化处理，得到分割二值图像，将所述分割二值图像与所述原始图像进行叠加。
本实施例对特征图像进行二值化处理后，再与相应原始图像进行叠加，可以简化上述叠加过程，提高叠加效率。
在一个实施例中，所述根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数的过程可以包括：
将原始图像中各个像素点的RGB值代入像素特征转换公式分别计算各个像素点分别对应的亮度特征参数和转换特征值；
根据所述亮度特征参数、RGB值和饱和度描述公式计算饱和度特征参数；
根据所述转换特征值、RGB值和色调描述公式计算色调特征参数。
本实施例可以通过色调特征参数、饱和度特征参数、亮度特征参数和转换特征值对原始图像进行全面描述，以保证从原始图像中所提取特征的全面性。
作为一个实施例，所述像素特征转换公式包括：
所述饱和度描述公式包括：
所述色调描述公式为：
式中，R、G、B分别表示像素点的R通道值、G通道值和B通道值,I表示亮度特征参数，F表示转换特征值，S表示饱和度特征参数，H表示色调特征参数；min(R,G,B)表示取R、G和B三个值中的最小值；{0,G＞B；180,G＜B}表示G＞B时，该项的取值为0，G＜B时，该项的取值为180。
本实施例可以保证计算所得到的色调特征参数、饱和度特征参数和亮度特征参数的准确性。
在一个实施例中，所述根据所述色调特征参数、饱和度特征参数和亮度特征参数计算所述原始图像的幅度谱和相位谱的过程包括：
分别对所述色调特征参数、饱和度特征参数和亮度特征参数进行傅里叶变换，根据变换结果获取所述原始图像的幅度谱和相位谱。
本实施例通过对所述色调特征参数、饱和度特征参数和亮度特征参数分别进行傅里叶变换，根据变换结果获取所述原始图像的幅度谱和相位谱，可以保证所提取的幅度谱和相位谱的准确性，从而保证后续图像特征部分识别过程中的准确性。
在一个实施例中，所述根据所述幅度谱计算所述原始图像的图像特征描述谱的过程包括：
对所述幅度谱取对数，得到所述原始图像的对数谱；
根据所述对数谱和图像特征识别公式识别原始图像的图像特征部分，根据所述图像特征部分确定图像特征描述谱；所述图像特征识别公式包括：
S(f)＝L(f)-R(f),
R(f)＝hn(f)*L(f)，
式中，hn(f)表示n×n的均值滤波函数，L(f)表示对数谱，R(f)表示非图像特征部分，S(f)表示图像特征部分，符号*表示卷积操作。
本实施例可以对原始图像的图像特征部分和非图像特征部分进行识别，区分上述原始图像中的有效图像数据和无效图像数据，使所确定的图像特征描述谱中包含更多的有效图像数据，有助于提升相应目标图像在检测过程中的稳定性。
一种目标图像确定系统，包括：
第一计算模块，用于根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数；
第二计算模块，用于根据所述色调特征参数、饱和度特征参数和亮度特征参数计算所述原始图像的幅度谱和相位谱，根据所述幅度谱计算所述原始图像的图像特征描述谱；
第一确定模块，用于对所述图像特征描述谱和相位谱傅里叶逆变换，确定特征图像；
第二确定模块，用于将所述特征图像与所述原始图像叠加，根据叠加后的图像数据确定目标图像。
上述目标图像确定系统，可以根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数，进而计算上述原始图像的幅度谱和相位谱，获取原始图像的图像特征描述谱，再对所述图像特征描述谱和相位谱傅里叶逆变换，确定特征图像，从而将所述特征图像与所述原始图像叠加，确定检测分析所需的目标图像，使所确定的目标图像可以包括原始图像上更多的有效图像数据，有利于提高其在后续检测分析过程中的稳定性。
一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例提供的目标图像确定方法。
一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述任一实施例提供的目标图像确定方法。
根据本发明的目标图像确定方法，本发明还提供一种计算机设备和计算机存储介质，用于通过程序实现上述目标图像确定方法。上述计算机设备和计算机存储介质能够使所确定的目标图像包括原始图像上更多的有效图像数据，提高上述目标图像在后续检测分析过程中的稳定性。
附图说明
图1为一个实施例的目标图像确定方法流程图；
图2为一个实施例的目标图像确定系统结构示意图；
图3为一个实施例的计算机系统模块图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
需要说明的是，本发明实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本发明实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
参考图1所示，图1为一个实施例的目标图像确定方法流程图，包括：
S10,根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数；
上述原始图像可以从相应的视频数据中提取，上述视频数据可以使摄像装置实时拍摄得到的，也可以为预存或从其他通信装置中获取的。上述原始图像可以为人脸图像，如从地铁监控装置拍摄的视频数据中所提取的待识别的人脸图像等等。
在提取得到所需的原始图像后，可以识别原始图像中各个像素点的RGB值(包括像素点的R通道值、G通道值和B通道值)，分别依据任意一个像素点的RGB值计算该像素点的色调特征参数、饱和度特征参数和亮度特征参数。每个像素点均具有对应的色调特征参数、饱和度特征参数和亮度特征参数；具体地，包括多个像素点的原始图像的色调特征参数、饱和度特征参数和亮度特征参数可以分别通过相应的矩阵表达。
S20,根据所述色调特征参数、饱和度特征参数和亮度特征参数计算所述原始图像的幅度谱和相位谱，根据所述幅度谱计算所述原始图像的图像特征描述谱；
上述步骤S20可以分别对色调特征参数、饱和度特征参数和亮度特征参数进行傅里叶变换等频域变换，以获得原始图像的幅度谱和相位谱。再根据上述幅度谱进行原始图像中图像特征部分和非图像特征部分的识别，进而确定图像特征描述谱。
S30,对所述图像特征描述谱和相位谱傅里叶逆变换，确定特征图像；
上述步骤S30所得到的特征图像包括原始图像的图像特征部分这一有效图像数据，去除了原始图像中的非图像特征部分，有利于提升所包括的图像数据的稳定性。
S40,将所述特征图像与所述原始图像叠加，根据叠加后的图像数据确定目标图像。
上述步骤S40将所述特征图像与所述原始图像叠加，使叠加后的图像数据在保留原始图像各部分特征的基础上，包括原始图像上更多的有效图像数据，具有较高的稳定性。
若上述原始图像为待识别的人脸图像，则上述目标图像为目标人脸图像，依据本发明提供的目标图像确定方法所确定的目标人脸图像可以减小其在后续检测识别过程中的计算量，使相应的检测识别过程不易受环境因素影响，能够应用于不同场景的人脸检测，提高检测稳定性和检测正确率。
本实施例提供的目标图像确定方法，可以根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数，进而计算上述原始图像的幅度谱和相位谱，获取原始图像的图像特征描述谱，再对所述图像特征描述谱和相位谱傅里叶逆变换，确定特征图像，从而将所述特征图像与所述原始图像叠加，确定检测分析所需的目标图像，使所确定的目标图像可以包括原始图像上更多的有效图像数据，有利于提高其在后续检测分析过程中的稳定性。
在一个实施例中，针对同一检测目标分别从视频数据中多次提取待检测的原始图像，得到多个原始图像；针对各个原始图像分别执行步骤S10至步骤S30，获取各个原始图像对应的单元特征图像，将各个单元特征图像进行叠加，根据叠加结果确定综合特征图像，将所述综合特征图像与任意一个原始图像叠加。
上述提取待检测的原始图像的次数可以依据目标图像的确定精度确定，比如设置为3次，此时便可以得到3个原始图像，进而可以依据步骤S10至步骤S30分别确定上述3个原始图像分别对应的单元特征图像，将上述3个单元特征图像进行叠加后所确定的综合特征图像可以包括原始图像的3幅特征图像，即包括原始图像中更多的有效图像数据，这样可以减弱上述特征图像获取过程中相关随机误差带来的影响，提高有效图像数据在后续确定的目标图像中所占的比重。
本实施例可以在视频数据中多次提取同一检测目标的原始图像，以分别针对各个原始图像获取单元特征图像，将上述各个特征图像叠加得到最终叠加至原始图像上的综合特征图像，使最终确定的综合特征图像可以包括原始图像上更多的有效图像数据，进一步提高了所确定的目标图像的稳定性。
在一个实施例中，所述将所述特征图像与所述原始图像叠加的过程包括：
将所述特征图像进行二值化处理，得到分割二值图像，将所述分割二值图像与所述原始图像进行叠加。
若上述特征图像为包括多个单元特征图像的综合特征图像，则可以将上述综合特征图像进行二值化处理，确定相应的分割二值图像。
具体地，上述将所述特征图像进行二值化处理，得到分割二值图像的过程可以包括：
识别所述特征图像中各个像素点的特征值sm(x,y)，其中(x,y)表示相应像素点的坐标；
将特征值sm(x,y)大于或等于特征阈值的像素点特征值(灰度值)设为1，将特征值sm(x,y)小于特征阈值的像素点特征值设为0，以实现所述特征图像的二值化处理，得到分割二值图像；上述二值化处理过程可以通过如下公式表达：
式中，bm(x,y)表示二值化处理后像素点(x,y)的特征值或灰度值，T表示特征阈值，上述特征阈值T可以依据特征图像二值化处理的所需精度进行确定；具体地，上述特征阈值T可以由公式T＝2E(sm)确定，上述E(sm)为特征图像各个像素点的特征值的期望值。
本实施例对特征图像进行二值化处理后，再与相应原始图像进行叠加，可以简化上述叠加过程，提高叠加效率。
在一个实施例中，所述根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数的过程包括：
将原始图像中各个像素点的RGB值代入像素特征转换公式分别计算各个像素点分别对应的亮度特征参数和转换特征值；
根据所述亮度特征参数、RGB值和饱和度描述公式计算饱和度特征参数；
根据所述转换特征值、RGB值和色调描述公式计算色调特征参数。
本实施例可以通过色调特征参数、饱和度特征参数、亮度特征参数和转换特征值对原始图像进行全面描述，以保证从原始图像中所提取特征的全面性。
作为一个实施例，所述像素特征转换公式包括：
所述饱和度描述公式包括：
所述色调描述公式为：
式中，R、G、B分别表示像素点的R通道值、G通道值和B通道值,I表示亮度特征参数，F表示转换特征值，S表示饱和度特征参数，H表示色调特征参数；min(R,G,B)表示取R、G和B三个值中的最小值；{0,G＞B；180,G＜B}表示G＞B时，该项的取值为0，G＜B时，该项的取值为180。
本实施例可以保证计算所得到的色调特征参数、饱和度特征参数和亮度特征参数的准确性。
在一个实施例中，所述根据所述色调特征参数、饱和度特征参数和亮度特征参数计算所述原始图像的幅度谱和相位谱的过程包括：
分别对所述色调特征参数、饱和度特征参数和亮度特征参数进行傅里叶变换，根据变换结果获取所述原始图像的幅度谱和相位谱。
本实施例通过对所述色调特征参数、饱和度特征参数和亮度特征参数分别进行傅里叶变换，根据变换结果获取所述原始图像的幅度谱和相位谱，可以保证所提取的幅度谱和相位谱的准确性，从而保证后续图像特征部分识别过程中的准确性。
在一个实施例中，所述根据所述幅度谱计算所述原始图像的图像特征描述谱的过程包括：
对所述幅度谱A(f)取对数，得到所述原始图像的对数谱L(f)，即L(f)＝log(A(f))；
根据所述对数谱和图像特征识别公式识别原始图像的图像特征部分，根据所述图像特征部分确定图像特征描述谱；所述图像特征识别公式包括：
S(f)＝L(f)-R(f),
R(f)＝hn(f)*L(f)，
式中，hn(f)表示n×n的均值滤波函数，L(f)表示对数谱，R(f)表示非图像特征部分，S(f)表示图像特征部分，符号*表示卷积操作。
上述均值滤波函数hn(f)中n的取值可以依据目标图像的确定精度设置，n的取值越大，目标图像的确定精度越高，具体地，n可以为大于或等于3的整数。上述图像特征部分用于描述原始图像中的有效图像数据，非图像特征部分记录原始图像中的无效图像数据；上述有效图像数据包括原始图像中表征图像色调、图像饱和度和图像亮度等图像信息的数据，无效图像数据可以包括原始图像中的噪声数据，如干扰像素数据等等。
本实施例可以对原始图像的图像特征部分和非图像特征部分进行识别，区分上述原始图像中的有效图像数据和无效图像数据，使所确定的图像特征描述谱中包含更多的有效图像数据，有助于提升相应目标图像在检测过程中的稳定性。
在一个实施例中，上述目标图像确定方法可以用于确定待检测的人脸图像。具体地，可以从视频数据中分3次对同一人脸图像进行提取，得到3个原始人脸图像，针对各个原始人脸图像分别通过上述任意一个实施例提供的目标图像确定方法获取对应的特征图像(3个原始人脸图像分别对应的特征图像)，将各个特征图像进行叠加，得到最终的一幅人脸部分特征图；对上述人脸部分特征图进行二值化处理，得到分割二值图像，再将上述分割二值图像与任意一个原始图像进行叠加，确定目标人脸图像。
本实施例所确定的目标人脸图像综合了原始人脸图像的三幅特征图像，不易受环境因素的影响，实时性好，能够应用于不同场景的人脸检测，可以提高检测正确率。
参考图2，图2所示为一个实施例的目标图像确定系统结构示意图，包括：
第一计算模块10，用于根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数；
第二计算模块20，用于根据所述色调特征参数、饱和度特征参数和亮度特征参数计算所述原始图像的幅度谱和相位谱，根据所述幅度谱计算所述原始图像的图像特征描述谱；
第一确定模块30，用于对所述图像特征描述谱和相位谱傅里叶逆变换，确定特征图像；
第二确定模块40，用于将所述特征图像与所述原始图像叠加，根据叠加后的图像数据确定目标图像。
在一个实施例中，上述目标图像确定系统还可以包括：
提取模块，用于针对同一检测目标分别从视频数据中多次提取待检测的原始图像，得到多个原始图像；针对各个原始图像分别通过第一计算模块、第二计算模块和第一确定模块获取各个原始图像对应的单元特征图像，将各个单元特征图像进行叠加，根据叠加结果确定综合特征图像，将所述综合特征图像与任意一个原始图像叠加。
在一个实施例中，所述第二确定模块包括：
二值化处理模块，用于将所述特征图像进行二值化处理，得到分割二值图像，将所述分割二值图像与所述原始图像进行叠加。
在一个实施例中，所述第一计算模块进一步用于：
将原始图像中各个像素点的RGB值代入像素特征转换公式分别计算各个像素点分别对应的亮度特征参数和转换特征值；
根据所述亮度特征参数、RGB值和饱和度描述公式计算饱和度特征参数；
根据所述转换特征值、RGB值和色调描述公式计算色调特征参数。
作为一个实施例，所述像素特征转换公式包括：
所述饱和度描述公式包括：
所述色调描述公式为：
式中，R、G、B分别表示像素点的R通道值、G通道值和B通道值,I表示亮度特征参数，F表示转换特征值，S表示饱和度特征参数，H表示色调特征参数；min(R,G,B)表示取R、G和B三个值中的最小值；{0,G＞B；180,G＜B}表示G＞B时，该项的取值为0，G＜B时，该项的取值为180。
在一个实施例中，所述第二计算模块包括：
变换模块，用于分别对所述色调特征参数、饱和度特征参数和亮度特征参数进行傅里叶变换，根据变换结果获取所述原始图像的幅度谱和相位谱。
在一个实施例中，所述第二计算模块包括：
取对数模块，用于对所述幅度谱取对数，得到所述原始图像的对数谱；
识别模块，用于根据所述对数谱和图像特征识别公式识别原始图像的图像特征部分，根据所述图像特征部分确定图像特征描述谱；所述图像特征识别公式包括：
S(f)＝L(f)-R(f),
R(f)＝hn(f)*L(f)，
式中，hn(f)表示n×n的均值滤波函数，L(f)表示对数谱，R(f)表示非图像特征部分，S(f)表示图像特征部分，符号*表示卷积操作。
图3为能实现本发明实施例的一个计算机系统1000的模块图。该计算机系统1000只是一个适用于本发明的计算机环境的示例，不能认为是提出了对本发明的使用范围的任何限制。计算机系统1000也不能解释为需要依赖于或具有图示的示例性的计算机系统1000中的一个或多个部件的组合。
图3中示出的计算机系统1000是一个适合用于本发明的计算机系统的例子。具有不同子系统配置的其它架构也可以使用。例如有大众所熟知的台式计算机、笔记本等类似设备可以适用于本发明的一些实施例。但不限于以上所列举的设备。
如图3所示，计算机系统1000包括处理器1010、存储器1020和系统总线1022。包括存储器1020和处理器1010在内的各种系统组件连接到系统总线1022上。处理器1010是一个用来通过计算机系统中基本的算术和逻辑运算来执行计算机程序指令的硬件。存储器1020是一个用于临时或永久性存储计算程序或数据(例如，程序状态信息)的物理设备。系统总线1020可以为以下几种类型的总线结构中的任意一种，包括存储器总线或存储控制器、外设总线和局部总线。处理器1010和存储器1020可以通过系统总线1022进行数据通信。其中存储器1020包括只读存储器(ROM)或闪存(图中都未示出)，以及随机存取存储器(RAM)，RAM通常是指加载了操作系统和应用程序的主存储器。
计算机系统1000还包括显示接口1030(例如，图形处理单元)、显示设备1040(例如，液晶显示器)、音频接口1050(例如，声卡)以及音频设备1060(例如，扬声器)。显示设备1040可以用于相关原始图像和/或目标图像的显示。
计算机系统1000一般包括一个存储设备1070。存储设备1070可以从多种计算机可读介质中选择，计算机可读介质是指可以通过计算机系统1000访问的任何可利用的介质，包括移动的和固定的两种介质。例如，计算机可读介质包括但不限于，闪速存储器(微型SD卡)，CD-ROM，数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备，或者可用于存储所需信息并可由计算机系统1000访问的任何其它介质。
计算机系统1000还包括输入装置1080和输入接口1090(例如，IO控制器)。用户可以通过输入装置1080，如键盘、鼠标、显示装置1040上的触摸面板设备，输入指令和信息到计算机系统1000中。输入装置1080通常是通过输入接口1090连接到系统总线1022上的，但也可以通过其它接口或总线结构相连接，如通用串行总线(USB)。
计算机系统1000可在网络环境中与一个或者多个网络设备进行逻辑连接。网络设备可以是个人电脑、服务器、路由器、平板电脑或者其它公共网络节点。计算机系统1000通过局域网(LAN)接口1100或者移动通信单元1110与网络设备相连接。局域网(LAN)是指在有限区域内，例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼，互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。WiFi是一种能使计算机系统1000间交换数据或通过无线电波连接到无线网络的技术。移动通信单元1110能在一个广阔的地理区域内移动的同时通过无线电通信线路接听和拨打电话。除了通话以外，移动通信单元1110也支持在提供移动数据服务的2G，3G或4G蜂窝通信系统中进行互联网访问。
应当指出的是，其它包括比计算机系统1000更多或更少的子系统的计算机系统也能适用于发明。如上面详细描述的，适用于本发明的计算机系统1000能执行目标图像确定方法的指定操作。计算机系统1000通过处理器1010运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备1070或者通过局域网接口1100从另一设备读入到存储器1020中。存储在存储器1020中的软件指令使得处理器1010执行上述的目标图像确定方法。此外，通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此，实现本发明并不限于任何特定硬件电路和软件的组合。
本发明的目标图像确定系统与本发明的目标图像确定方法一一对应，在上述目标图像确定方法的实施例阐述的技术特征及其有益效果均适用于目标图像确定系统的实施例中。
基于如上所述的示例，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现如上述各实施例中的任意一种目标图像确定方法。
上述计算机设备，通过所述处理器上运行的计算机程序，实现了用于检测的目标图像稳定性的提升。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述目标图像确定方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
据此，在一个实施例中还提供一种计算机存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施例中的任意一种目标图像确定方法。
上述计算机存储介质，通过其存储的计算机程序，能够使所确定的目标图像包括原始图像上更多的有效图像数据，有利于提高其在后续检测分析过程中的稳定性。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种目标图像确定方法，其特征在于，包括：
S10,根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数；
S20,根据所述色调特征参数、饱和度特征参数和亮度特征参数计算所述原始图像的幅度谱和相位谱，根据所述幅度谱计算所述原始图像的图像特征描述谱；
S30,对所述图像特征描述谱和相位谱傅里叶逆变换，确定特征图像；
S40,将所述特征图像与所述原始图像叠加，根据叠加后的图像数据确定目标图像。
2.根据权利要求1所述的目标图像确定方法，其特征在于，针对同一检测目标分别从视频数据中多次提取待检测的原始图像，得到多个原始图像；针对各个原始图像分别执行步骤S10至步骤S30，获取各个原始图像对应的单元特征图像，将各个单元特征图像进行叠加，根据叠加结果确定综合特征图像，将所述综合特征图像与任意一个原始图像叠加。
3.根据权利要求1所述的目标图像确定方法，其特征在于，所述将所述特征图像与所述原始图像叠加的过程包括：
将所述特征图像进行二值化处理，得到分割二值图像，将所述分割二值图像与所述原始图像进行叠加。
4.根据权利要求1所述的目标图像确定方法，其特征在于，所述根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数的过程包括：
将原始图像中各个像素点的RGB值代入像素特征转换公式分别计算各个像素点分别对应的亮度特征参数和转换特征值；
根据所述亮度特征参数、RGB值和饱和度描述公式计算饱和度特征参数；
根据所述转换特征值、RGB值和色调描述公式计算色调特征参数。
5.根据权利要求4所述的目标图像确定方法，其特征在于，所述像素特征转换公式包括：
所述饱和度描述公式包括：
所述色调描述公式为：
式中，R、G、B分别表示像素点的R通道值、G通道值和B通道值,I表示亮度特征参数，F表示转换特征值，S表示饱和度特征参数，H表示色调特征参数；min(R,G,B)表示取R、G和B三个值中的最小值；{0,G＞B；180,G＜B}表示G＞B时，该项的取值为0，G＜B时，该项的取值为180。
6.根据权利要求1至5任一项所述的目标图像确定方法，其特征在于，所述根据所述色调特征参数、饱和度特征参数和亮度特征参数计算所述原始图像的幅度谱和相位谱的过程包括：
分别对所述色调特征参数、饱和度特征参数和亮度特征参数进行傅里叶变换，根据变换结果获取所述原始图像的幅度谱和相位谱。
7.根据权利要求1至5任一项所述的目标图像确定方法，其特征在于，所述根据所述幅度谱计算所述原始图像的图像特征描述谱的过程包括：
对所述幅度谱取对数，得到所述原始图像的对数谱；
根据所述对数谱和图像特征识别公式识别原始图像的图像特征部分，根据所述图像特征部分确定图像特征描述谱；所述图像特征识别公式包括：
S(f)＝L(f)-R(f),
R(f)＝hn(f)*L(f)，
式中，hn(f)表示n×n的均值滤波函数，L(f)表示对数谱，R(f)表示非图像特征部分，S(f)表示图像特征部分，符号*表示卷积操作。
8.一种目标图像确定系统，其特征在于，包括：
第一计算模块，用于根据原始图像中各个像素点的RGB值计算各个像素点分别对应的色调特征参数、饱和度特征参数和亮度特征参数；
第二计算模块，用于根据所述色调特征参数、饱和度特征参数和亮度特征参数计算所述原始图像的幅度谱和相位谱，根据所述幅度谱计算所述原始图像的图像特征描述谱；
第一确定模块，用于对所述图像特征描述谱和相位谱傅里叶逆变换，确定特征图像；
第二确定模块，用于将所述特征图像与所述原始图像叠加，根据叠加后的图像数据确定目标图像。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的目标图像确定方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7任意一项所述的目标图像确定方法。
CN201810730131.3A 2018-07-05 2018-07-05 目标图像确定方法和系统、计算机设备、计算机存储介质 Pending CN109102495A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810730131.3A CN109102495A (zh) 2018-07-05 2018-07-05 目标图像确定方法和系统、计算机设备、计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810730131.3A CN109102495A (zh) 2018-07-05 2018-07-05 目标图像确定方法和系统、计算机设备、计算机存储介质

Publications (1)

Publication Number Publication Date
CN109102495A true CN109102495A (zh) 2018-12-28

Family

ID=64845803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810730131.3A Pending CN109102495A (zh) 2018-07-05 2018-07-05 目标图像确定方法和系统、计算机设备、计算机存储介质

Country Status (1)

Country Link
CN (1) CN109102495A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135247A (zh) * 2019-04-03 2019-08-16 深兰科技（上海）有限公司 一种路面分割中的数据增强方法、装置、设备及介质
CN110930720A (zh) * 2019-11-28 2020-03-27 广州杰赛科技股份有限公司 一种车辆识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156881A (zh) * 2011-04-13 2011-08-17 上海海事大学 基于多尺度图像相位信息的海难搜救目标检测方法
CN103177458A (zh) * 2013-04-17 2013-06-26 北京师范大学 一种基于频域分析的可见光遥感图像感兴趣区域检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156881A (zh) * 2011-04-13 2011-08-17 上海海事大学 基于多尺度图像相位信息的海难搜救目标检测方法
CN103177458A (zh) * 2013-04-17 2013-06-26 北京师范大学 一种基于频域分析的可见光遥感图像感兴趣区域检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAODI HOU等: "Saliency Detection: A Spectral Residual Approach", 《2007 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
钟玉琢: "《多媒体技术（中级）》", 31 August 1999, 清华大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135247A (zh) * 2019-04-03 2019-08-16 深兰科技（上海）有限公司 一种路面分割中的数据增强方法、装置、设备及介质
CN110135247B (zh) * 2019-04-03 2021-09-24 深兰科技（上海）有限公司 一种路面分割中的数据增强方法、装置、设备及介质
CN110930720A (zh) * 2019-11-28 2020-03-27 广州杰赛科技股份有限公司 一种车辆识别方法及装置

Similar Documents

Publication Publication Date Title
CN110796646A (zh) 一种电子设备屏幕区域瑕疵检测方法与设备
CN110688524B (zh) 视频检索方法、装置、电子设备及存储介质
CN110677815A (zh) 停留点识别方法、装置、计算机设备及存储介质
CN110781823B (zh) 录屏检测方法、装置、可读介质及电子设备
CN108335293B (zh) 图像质量的确定方法及装置
CN108846814B (zh) 图像处理方法、装置、可读存储介质及计算机设备
CN109636730B (zh) 用于过滤深度图中的伪像素的方法
CN111222509B (zh) 目标检测方法、装置及电子设备
CN114719966A (zh) 光源确定方法、装置、电子设备及存储介质
JP7379684B2 (ja) 画像生成方法及び装置並びにコンピュータプログラム
CN104902143A (zh) 一种基于分辨率的图像去噪方法及装置
CN109102495A (zh) 目标图像确定方法和系统、计算机设备、计算机存储介质
CN110349161A (zh) 图像分割方法、装置、电子设备、及存储介质
CN108960012B (zh) 特征点检测方法、装置及电子设备
CN112037223A (zh) 图像缺陷检测方法、装置及电子设备
JP2024508867A (ja) 画像クラスタリング方法、装置、コンピュータ機器及びコンピュータプログラム
CN113516697B (zh) 图像配准的方法、装置、电子设备及计算机可读存储介质
CN105989000B (zh) 音视频拷贝检测方法及装置
CN113158773A (zh) 一种活体检测模型的训练方法及训练装置
CN110197459B (zh) 图像风格化生成方法、装置及电子设备
CN108764206B (zh) 目标图像识别方法和系统、计算机设备
CN111369557A (zh) 图像处理方法、装置、计算设备和存储介质
CN108543313B (zh) 数据处理方法及装置，介质和计算设备
CN110321858A (zh) 视频相似度确定方法、装置、电子设备及存储介质
CN112053276B (zh) 基于隐写技术的数据处理方法及装置

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: 20181228