CN109146971B - 一种判定摄像头异常移动和场景内异物入侵的检测方法 - Google Patents
一种判定摄像头异常移动和场景内异物入侵的检测方法 Download PDFInfo
- Publication number
- CN109146971B CN109146971B CN201810915006.XA CN201810915006A CN109146971B CN 109146971 B CN109146971 B CN 109146971B CN 201810915006 A CN201810915006 A CN 201810915006A CN 109146971 B CN109146971 B CN 109146971B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- camera
- gradient
- point
- 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
- 208000012661 Dyskinesia Diseases 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 92
- 230000009545 invasion Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000001186 cumulative effect Effects 0.000 claims abstract description 21
- 238000003708 edge detection Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000005286 illumination Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种判定摄像头异常移动和场景内异物入侵的检测方法,包括以下步骤:步骤1:获取枪式摄像头的一系列图像序列;步骤2:利用图像序列获得边缘分布累计概率模型;步骤3:比较当前图像与前一张图像的边缘分布,判定该摄像头是否发生异常移动;步骤4:当摄像头没有发生移动时,将当前图像的边缘分布与边缘分布累计概率模型进行比较来判断是否存在异物入侵。本发明的方法简单易行,大大降低了算法的时间复杂度,且能够有效地实现摄像头异常移动、场景内异物入侵等自动检测功能。
Description
技术领域
本发明涉及一种判定摄像头异常移动和场景内异物入侵的检测方法,属于计算机视觉和安全监控技术领域。
背景技术
目前市场中有大量的枪式摄像头,这类摄像头焦距固定,能够实现对其周边环境的监控。由于供电困难,边境线、油田等地的监控摄像头需要单独配备电池进行工作。为了节约用电从而避免电池频繁更换,这些摄像头通常采用抓拍的方式对周边环境进行监控,最终得到的是有一定时间间隔的图像序列。
对于边境线、油田等地而言,附近的人、车辆及火灾等都属于异物入侵。目前检测异物入侵的常见方法是差分法,例如以下文献:兰州交通大学金炳瑞的基于图像处理的铁路轨道异物入侵的自动识别研究,电子科技大学邹单红的基于差分图像的机场跑道异物检测算法的应用研究,陈璋雯、达飞鹏和陆可在《东南大学学报(自然科学版),2012,42(S1):51-54》发表的基于视频分析的实时跟踪及入侵警报系统,段其昌、赵钦波和杨源飞在《计算机应用,2012,32(S1):126-133》发表的一种基于特征匹配的目标入侵检测方法,浙江大学刘明宇的视频图像处理关键算法与智能视频监控系统研究,北京交通大学葛大伟的基于视频内容分析的铁路入侵检测研究,等等。
差分是像素级的图像匹配,对图像的要求较高,包括摄像头不能发生异常移动、差分的两张图像光照需要保持一致等。但是实际情况中,光照受天气等因素影响较大,很难做到一致;摄像头由于风、雨等天气原因发生位置上的晃动也很正常,因此上述条件一般难以满足,异物入侵的检测效果往往不理想。
发明内容
为解决上述现有技术上的不足,本发明提供了一种判定摄像头异常移动和场景内异物入侵的检测方法,其不仅能够判定场景是否存在异物入侵,而且具有良好的异物入侵检测效果。
本发明解决其技术问题采取的技术方案是:
本发明实施例提供的一种判定摄像头异常移动和场景内异物入侵的检测方法,它可以包括以下步骤:
步骤1:获取枪式摄像头的一系列图像序列;
步骤2:利用图像序列获得累计边缘概率分布模型;
步骤3:比较当前图像与前一张图像的边缘分布,判定该摄像头是否发生异常移动;
步骤4:当摄像头没有发生移动时,将当前图像的边缘分布与累计边缘概率分布模型进行比较来判断是否存在异物入侵。
作为本实施例一种可能的实现方式,在步骤1中,对于同一个枪式摄像头,按照一定时间间隔获取其一系列图像序列。
作为本实施例一种可能的实现方式,所述步骤2具体包括以下步骤:
步骤21:采用图像大小归一化或图像灰度化进行图像预处理;
步骤22:对灰度化后的图像进行边缘检测;
步骤23:计算同一个枪式摄像头对应的天空掩膜;
步骤24:计算图像的边缘分布,对边缘检测结果进行二值化,并用天空掩膜进一步得到天空区域的边缘分布。
作为本实施例一种可能的实现方式,在步骤21中,采用双线性插值进行图像预处理。
作为本实施例一种可能的实现方式,所述双线性插值的计算公式如下:
P表示待插值点,坐标为(x,y),f()表示对应点的灰度值;x1,y1分别为坐标x,y的向下取整,x2,y2分别为x,y的向上取整;如图3所示,Q11为P的左下角点,坐标为(x1,y1),Q21为P的右下角点,坐标为(x2,y1),Q12为P的左上角点,坐标为(x1,y2),Q22为P的右上角点,坐标为(x2,y2),R1坐标为(x,y1),R2坐标为(x,y2)。
作为本实施例一种可能的实现方式,在步骤22中,采用Sobel边缘检测算子、Prewitt边缘检测算子、Roberts边缘检测算子或Laplace边缘检测算子对灰度化后的图像进行边缘检测。
作为本实施例一种可能的实现方式,所述Sobel边缘检测算子为:
Gx=Z1+2*Z2+Z3-Z7-2*Z8-Z9
Gy=Z3+2*Z6+Z9-Z1-2*Z4-Z7
其中,Gx为x方向的梯度,Gy为y方向的梯度,G(x,y)为点Z5的梯度值,Z1到Z9为中心像素Z5的8个邻域;
所述Prewitt边缘检测算子为:
Gx=Z7+Z8+Z9-Z1-Z2-Z3
Gy=Z3+Z6+Z9-Z1-Z4-Z7
Gd1=Z2+Z3+Z6-Z4-Z7-Z8
Gd2=Z6+Z8+Z9-Z1-Z2-Z4
G(x,y)=Max(Gx,Gy,Gd1,Gd2)
其中,Gd1与Gd2为对角线方向边缘,Gx为x方向的梯度,Gy为y方向的梯度,G(x,y)为点Z5的梯度值,Z1到Z9为中心像素Z5的8个邻域;
所述Roberts边缘检测算子为:
Gd1=Z4-Z2
Gd2=Z5-Z1
其中,Gd1与Gd2为对角线方向边缘,Gx为x方向的梯度,Gy为y方向的梯度,G(x,y)为点Z5的梯度值,Z1到Z9为中心像素Z5的8个邻域;
所述Laplace边缘检测算子为:
1 | 1 | 1 |
1 | -8 | 1 |
1 | 1 | 1 |
G(x,y)=Z1+Z2+Z3+Z4+Z6+Z7+Z8+Z9-Z5,
其中,G(x,y)为点Z5的梯度值,Z1到Z9为中心像素Z5的8个邻域。
作为本实施例一种可能的实现方式,所述步骤23的具体过程为:首先对图像进行归一化,中值滤波,消除天空中的高压线杆塔等因素的影响,其次使用边缘检测算子计算图像梯度,用15为阈值对边缘图像进行二值化,计算二值化图像中的连通区域,以连通区域面积与位置为原则对连通区域进行筛选,保留下来的即为当前图像对应的天空掩膜。
作为本实施例一种可能的实现方式,在所述步骤3中,如果同一摄像头图像序列中相邻两张的天空区域的边缘概率分布差别达到40%及以上时,则表明摄像头发生了异常移动。
作为本实施例一种可能的实现方式,所述步骤4具体包括以下步骤:
步骤41:计算累计边缘概率
边缘分布累计是一个持续对多张图像边缘序列进行累计平均的过程,具体计算公式如下:
其中,Pi(x,y)表示第i张图像累计后得到的点(x,y)处的边缘概率;
步骤42:计算累计边缘概率分布模型;
步骤43:判断异物入侵
通过比较当前图像的边缘分布与累计边缘概率分布模型来检测是否发生异物入侵,当发现两者在某些区域差别达到当前区域面积的50%及以上时,表明场景内发生了异物入侵。
本发明实施例的技术方案可以具有的有益效果如下:
本发明的实施例技术方案的一种判定摄像头异常移动和场景内异物入侵的检测方法,包括以下步骤:步骤1:获取枪式摄像头的一系列图像序列;步骤2:利用图像序列获得累计边缘概率分布模型;步骤3:比较当前图像与前一张图像的边缘分布,判定该摄像头是否发生异常移动;步骤4:当摄像头没有发生移动时,将当前图像的边缘分布与累计边缘概率分布模型进行比较来判断是否存在异物入侵。首先比较同一摄像头图像序列中相邻两张的边缘分布,如果发生了大幅度变化,则表明摄像头发生了异常移动。当没有检测到摄像头发生异常移动时,则同一个摄像头的图像边缘序列服从一定的概率分布。通过持续对多张图像边缘序列的累计平均,边缘概率分布趋向于稳定,于是可以得到一个稳定的累计边缘概率分布模型。由于在统计意义上异物入侵属于小概率事件,因此就可以通过比较当前图像的边缘分布与累计边缘概率分布模型来检测是否发生异物入侵,当发现两者在某些区域差别较大时就表明发生了异物入侵。本发明的实施例技术方案的方法简单易行,大大降低了算法的时间复杂度,且能够有效地实现摄像头异常移动、场景内异物入侵等自动检测功能。
与现有技术相比较,本发明的实施例技术方案具有以下特点:
1.利用多张图像的边缘分布信息,信息互补且能够得到一个稳定的边缘分布模型,降低偶然因素对检测结果的影响;
2.计算图像边缘,减少光照的影响;
3.引入边缘概率分布模型,检测场景中的异物入侵;
4.比较当前图像的边缘分布与同一摄像头的前一张图像的边缘分布判断摄像头发生移动。
附图说明
图1为根据一示例性实施例示出的一种判定摄像头异常移动和场景内异物入侵的检测方法的流程图;
图2为根据一示例性实施例示出的一种判定摄像头异常移动和场景内异物入侵的检测方法的有效算法流程图;
图3(a)为待检测灰度图,图3(b)为图3(a)的边缘检测结果;
图4为图3(a)的天空掩膜计算结果;
图5(a)为摄像头未发生异常移动时的边缘分布结果,图5(b)为发生异常移动后的图像边缘分布结果;
图6(a)为累计边缘概率分布结果,图6(b)为发生异物入侵时图像的边缘分布结果。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式并结合其附图对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
为解决现有技术上的不足,本发明提供了一种判定摄像头异常移动和场景内异物入侵的检测方法,摄像头异常移动反映在图像上就是图像对应像素位置的平移及旋转,为了避免摄像头异常移动造成的影响,判断异物入侵前,先进行摄像头异常移动的判断。受到空气扰动、微风等因素的影响,摄像头会发生轻微的晃动,但摄像头异常移动是指发生大幅度的平移及旋转,因此在判断摄像头异常移动时需要排除摄像头轻微晃动的影响。为了消除光照影响,使用边缘检测的方法而不是差分。如果摄像头发生了异常移动,那么移动前的图像与移动后的图像的边缘分布会发生大面积的变化。从图像序列的角度看,连续多张图像的边缘是一个稳定分布,即大多数边缘分布的空间位置上应该是重合的。异物入侵出现的位置比较随机,通过比较稳定的边缘分布概率模型与当前图像的边缘分布,可以判定场景是否存在异物入侵。
图1为根据一示例性实施例示出的一种判定摄像头异常移动和场景内异物入侵的检测方法的流程图。如图1所示,该实施例的一种判定摄像头异常移动和场景内异物入侵的检测方法,其特征是,包括以下步骤:
步骤1:获取枪式摄像头的一系列图像序列;
步骤2:利用图像序列获得累计边缘概率分布模型;
步骤3:比较当前图像与前一张图像的边缘分布,判定该摄像头是否发生异常移动;
步骤4:当摄像头没有发生移动时,将当前图像的边缘分布与累计边缘概率分布模型进行比较来判断是否存在异物入侵。
参见附图2,一种判定摄像头移动和场景内异物入侵的检测方法的具体实施包括以下步骤:
步骤1:对于同一个枪式摄像头,按照一定时间间隔获得一系列图像序列;
步骤2:利用这些图像序列获得累计边缘概率分布模型;
受到空气扰动、微风等因素的影响,摄像头可能经常发生轻微晃动,但整体上各个目标都会回归平衡位置,因此从整个图像序列上来看,这些目标的边缘是符合稳定的概率分布的。
第一步:图像预处理;
图像预处理包括图像大小归一化、图像灰度化等。
图像归一化时可以使用双线性插值方法。
双线性插值是一种根据距离进行加权的线性插值方法,计算公式如下:
P表示待插值点,坐标为(x,y),f()表示对应点的灰度值;x1,y1分别为坐标x,y的向下取整,x2,y2分别为x,y的向上取整;如图3所示,Q11为P的左下角点,坐标为(x1,y1),Q21为P的右下角点,坐标为(x2,y1),Q12为P的左上角点,坐标为(x1,y2),Q22为P的右上角点,坐标为(x2,y2)。R1坐标为(x,y1),R2坐标为(x,y2);
第二步:图像边缘检测;
参见附图3,图3(a)为待检测灰度图,图3(b)为图3(a)的边缘检测结果,对灰度化后的图像进行边缘检测,边缘检测算子为比较常见的边缘检测算子,如下表所示:
Z<sub>1</sub> | Z<sub>2</sub> | Z<sub>3</sub> |
Z<sub>4</sub> | Z<sub>5</sub> | Z<sub>6</sub> |
Z<sub>7</sub> | Z<sub>8</sub> | Z<sub>9</sub> |
其中,Z1到Z9为中心像素Z5的8邻域。
Sobel:
Gx=Z1+2*Z2+Z3-Z7-2*Z8-Z9
Gy=Z3+2*Z6+Z9-Z1-2*Z4-Z7
其中,Gx为x方向的梯度,Gy为y方向的梯度,G(x,y)为点Z5的梯度值。
Prewitt:
Gx=Z7+Z8+Z9-Z1-Z2-Z3
Gy=Z3+Z6+Z9-Z1-Z4-Z7
Gd1=Z2+Z3+Z6-Z4-Z7-Z8
Gd2=Z6+Z8+Z9-Z1-Z2-Z4
G(x,y)=Max(Gx,Gy,Gd1,Gd2)
其中,Gd1与Gd2为对角线方向边缘。
Roberts:
Gd1=Z4-Z2
Gd2=Z5-Z1
Laplace:
1 | 1 | 1 |
1 | -8 | 1 |
1 | 1 | 1 |
G(x,y)=Z1+Z2+Z3+Z4+Z6+Z7+Z8+Z9-Z5
第三步:计算同一个摄像头对应的天空掩膜
参见附图4,与地面区域相比,天空区域比较平滑且位置比较靠上。首先对图像进行归一化、滤波,消除天空中的噪声等因素的影响,其次计算图像梯度,根据梯度变化幅度确定连通区域,用面积及位置对连通区域进行筛选,得到图像对应的天空掩膜。
第四步:计算图像的边缘分布
对第二步中的边缘检测结果进行二值化,并用第三步中得到的天空掩膜进一步得到天空区域的边缘分布。
步骤3:比较当前图像与前一张图像的边缘分布,判定该摄像头是否发生移动;
参加附图5,图5(a)为摄像头未发生异常移动时的边缘分布结果,图5(b)为发生异常移动后的图像边缘分布结果,摄像头异常移动反映在图像上是目标的整体平移及旋转,因此当发生摄像头异常移动时,两幅图像像素的边缘分布会出现较大的差别。
按照步骤2计算同一摄像头图像序列中相邻两张的边缘分布,如果两者边缘概率的分布差别达到50%及以上时,则表明摄像头发生了异常移动。
步骤4:当摄像头没有发生移动时,将当前图像的边缘分布与上述累计边缘概率分布模型进行比较,判断是否存在异物入侵。
第一步:计算累计边缘概率
边缘分布累计是一个持续对多张图像边缘序列进行累计平均的过程,具体计算公式如下:
其中,Pi(x,y)表示第i张图像累计后得到的点(x,y)处的边缘概率。
第二步:计算累计边缘概率分布模型
从图像序列的角度看,受到空气扰动、微风等因素的影响,摄像头会发生轻微晃动,但整体上出现在平衡位置的概率是最高的,即持续累计多张图像边缘序列。参见附图5,在平衡位置处,第一步中得到的累计边缘概率值最大,且边缘概率分布趋向于稳定。
第三步:判断异物入侵
由于在统计意义上异物入侵属于小概率事件,因此就可以通过比较当前图像的边缘分布与累计边缘概率分布模型来检测是否发生异物入侵。
参见附图6,图6(a)为累计边缘概率分布结果,图6(b)为发生异物入侵时图像的边缘分布结果,当发现两者在某些区域差别达到当前区域面积的50%及以上时就表明场景内发生了异物入侵。
本发明中摄像头是固定在某个位置的枪式摄像头,通过抓拍的方式以省电模式实现对固定场景的监控。摄像头异常移动反映在图像上就是对应像素空间位置的大幅度变化,这种移动会造成目标检测的准确率严重下降,但由空气扰动、气温引起的空气密度分布不均匀等因素造成的摄像头轻微晃动则属于不可避免的正常现象,不属于异常移动,因此需要区分摄像头异常移动和正常晃动。为了降低光照的影响,判定摄像头异常移动和场景内异物入侵时使用边缘。首先,比较同一摄像头图像序列中相邻两张的边缘分布,如果发生了大幅度变化,则表明摄像头发生了异常移动。当没有检测到摄像头发生异常移动时,则同一个摄像头的图像边缘序列服从一定的概率分布。通过持续对多张图像边缘序列的累计平均,边缘概率分布趋向于稳定,于是可以得到一个稳定的累计边缘概率分布模型。由于在统计意义上异物入侵属于小概率事件,因此就可以通过比较当前图像的边缘分布与累计边缘概率分布模型来检测是否发生异物入侵,当发现两者在某些区域差别较大时就表明发生了异物入侵。本发明的方法简单易行,大大降低了算法的时间复杂度,且能够有效地实现摄像头异常移动、场景内异物入侵等自动检测功能。
与现有技术相比较,本发明的实施例技术方案具有以下特点:
1.利用多张图像的边缘分布信息,信息互补且能够得到一个稳定的边缘分布模型,降低偶然因素对检测结果的影响;
2.计算图像边缘,减少光照的影响;
3.引入边缘概率分布模型,检测场景中的异物入侵;
4.比较当前图像的边缘分布与同一摄像头的前一张图像的边缘分布判断摄像头发生移动。
此外,本发明的应用范围不局限于说明书中描述的特定实施例的工艺、机构、制造、物质组成、手段、方法及步骤。从本发明的公开内容,作为本领域的普通技术人员将容易地理解,对于目前已存在或者以后即将开发出的工艺、机构、制造、物质组成、手段、方法或步骤,其中它们执行与本发明描述的对应实施例大体相同的功能或者获得大体相同的结果,依照本发明可以对它们进行应用。因此,本发明所附权利要求旨在将这些工艺、机构、制造、物质组成、手段、方法或步骤包含在其保护范围内。
Claims (7)
1.一种判定摄像头异常移动和场景内异物入侵的检测方法,其特征是,包括以下步骤:
步骤1:获取枪式摄像头的一系列图像序列;
步骤2:利用图像序列获得累计边缘概率分布模型;
步骤3:比较当前图像与前一张图像的边缘分布,判定该摄像头是否发生异常移动;
步骤4:当摄像头没有发生移动时,将当前图像的边缘分布与累计边缘概率分布模型进行比较来判断是否存在异物入侵;
所述步骤2具体包括以下步骤:
步骤21:采用图像大小归一化或图像灰度化进行图像预处理;
步骤22:对灰度化后的图像进行边缘检测;
步骤23:计算同一个枪式摄像头对应的天空掩膜;
首先对图像进行归一化,中值滤波,消除天空中的噪声因素的影响,其次使用边缘检测算子计算图像梯度,用15为阈值对边缘图像进行二值化,计算二值化图像中的连通区域,以连通区域面积与位置为原则对连通区域进行筛选,保留下来的即为当前图像对应的天空掩膜;
步骤24:计算图像的边缘分布,对边缘检测结果进行二值化,并用天空掩膜进一步得到天空区域的边缘分布;
边缘分布累计是一个持续对多张图像边缘序列进行累计平均的过程,具体计算公式如下:
其中,Pi(x,y)表示第i张图像累计后得到的点(x,y)处的边缘概率;
通过持续对多张图像边缘序列的累计平均,边缘概率分布趋向于稳定,得到一个稳定的累计边缘概率分布模型。
2.根据权利要求1所述的一种判定摄像头异常移动和场景内异物入侵的检测方法,其特征是,在步骤1中,对于同一个枪式摄像头,按照一定时间间隔获取其一系列图像序列。
3.根据权利要求1所述的一种判定摄像头异常移动和场景内异物入侵的检测方法,其特征是,在步骤21中,采用双线性插值进行图像预处理。
5.根据权利要求1所述的一种判定摄像头异常移动和场景内异物入侵的检测方法,其特征是,在步骤22中,采用Sobel边缘检测算子、Prewitt边缘检测算子、Roberts边缘检测算子或Laplace边缘检测算子对灰度化后的图像进行边缘检测。
6.根据权利要求5所述的一种判定摄像头异常移动和场景内异物入侵的检测方法,其特征是,
所述Sobel边缘检测算子为:
Gx=Z1+2*Z2+Z3-Z7-2*Z8-Z9
Gy=Z3+2*Z6+Z9-Z1-2*Z4-Z7
其中,Gx为x方向的梯度,Gy为y方向的梯度,G(x,y)为点Z5的梯度值,Z1到Z9为中心像素Z5的8个邻域;
所述Prewitt边缘检测算子为:
Gx=Z7+Z8+Z9-Z1-Z2-Z3
Gy=Z3+Z6+Z9-Z1-Z4-Z7
Gd1=Z2+Z3+Z6-Z4-Z7-Z8
Gd2=Z6+Z8+Z9-Z1-Z2-Z4
G(x,y)=Max(Gx,Gy,Gd1,Gd2)
其中,Gd1与Gd2为对角线方向边缘,Gx为x方向的梯度,Gy为y方向的梯度,G(x,y)为点Z5的梯度值,Z1到Z9为中心像素Z5的8个邻域;
所述Roberts边缘检测算子为:
Gd1=Z4-Z2
Gd2=Z5-Z1
其中,Gd1与Gd2为对角线方向边缘,Gx为x方向的梯度,Gy为y方向的梯度,G(x,y)为点Z5的梯度值,Z1到Z9为中心像素Z5的8个邻域;
所述Laplace边缘检测算子为:
G(x,y)=Z1+Z2+Z3+Z4+Z6+Z7+Z8+Z9-Z5,
其中,G(x,y)为点Z5的梯度值,Z1到Z9为中心像素Z5的8个邻域。
7.根据权利要求1-6任意一项所述的一种判定摄像头异常移动和场景内异物入侵的检测方法,其特征是,在所述步骤3中,如果同一摄像头图像序列中相邻两张的天空区域的边缘概率分布差别达到40%及以上时,则表明摄像头发生了异常移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810915006.XA CN109146971B (zh) | 2018-08-13 | 2018-08-13 | 一种判定摄像头异常移动和场景内异物入侵的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810915006.XA CN109146971B (zh) | 2018-08-13 | 2018-08-13 | 一种判定摄像头异常移动和场景内异物入侵的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146971A CN109146971A (zh) | 2019-01-04 |
CN109146971B true CN109146971B (zh) | 2021-08-31 |
Family
ID=64792572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810915006.XA Active CN109146971B (zh) | 2018-08-13 | 2018-08-13 | 一种判定摄像头异常移动和场景内异物入侵的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146971B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827348A (zh) * | 2019-11-14 | 2020-02-21 | 上海眼控科技股份有限公司 | 摄像设备位置的自检处理方法、装置、设备及存储介质 |
CN113784023B (zh) * | 2021-08-09 | 2023-06-30 | 深圳市天视通视觉有限公司 | 一种位置确定方法、装置、摄像设备及存储介质 |
CN115311209A (zh) * | 2022-07-11 | 2022-11-08 | 广州国交润万交通信息有限公司 | 一种基于天空区域分割判别高速公路监控设备转动的方法 |
CN115892131B (zh) * | 2023-02-15 | 2023-06-06 | 深圳大学 | 一种地铁隧道智能监测方法以及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1674034A (zh) * | 2005-04-07 | 2005-09-28 | 上海邦震科技发展有限公司 | 基于特征边缘分布的虹膜几何特征提取方法 |
CN107680089A (zh) * | 2017-10-09 | 2018-02-09 | 济南大学 | 一种高压输电线路摄像头图像异常的自动判断方法 |
CN107749918A (zh) * | 2017-09-14 | 2018-03-02 | 深圳天珑无线科技有限公司 | 提示用户擦拭镜头的方法、移动终端及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3706051B2 (ja) * | 2001-08-13 | 2005-10-12 | 大日本スクリーン製造株式会社 | パターン検査装置および方法 |
JP2010134700A (ja) * | 2008-12-04 | 2010-06-17 | Toshiba Corp | 画像評価装置および画像評価方法 |
-
2018
- 2018-08-13 CN CN201810915006.XA patent/CN109146971B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1674034A (zh) * | 2005-04-07 | 2005-09-28 | 上海邦震科技发展有限公司 | 基于特征边缘分布的虹膜几何特征提取方法 |
CN107749918A (zh) * | 2017-09-14 | 2018-03-02 | 深圳天珑无线科技有限公司 | 提示用户擦拭镜头的方法、移动终端及存储介质 |
CN107680089A (zh) * | 2017-10-09 | 2018-02-09 | 济南大学 | 一种高压输电线路摄像头图像异常的自动判断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109146971A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146971B (zh) | 一种判定摄像头异常移动和场景内异物入侵的检测方法 | |
JP5551595B2 (ja) | 滑走路監視システムおよび方法 | |
CN107045629B (zh) | 一种多车道线检测方法 | |
CN109489724B (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
Yan et al. | A method of lane edge detection based on Canny algorithm | |
US10318824B2 (en) | Algorithm to extend detecting range for AVM stop line detection | |
CN102074022A (zh) | 一种基于红外图像的弱小运动目标检测方法 | |
CN109359593B (zh) | 一种基于图像局部栅格的雨雪环境画面模糊监测预警方法 | |
CN107657260B (zh) | 一种输电线路周边环境中地面隐患的检测方法 | |
CN111461078A (zh) | 一种基于计算机视觉技术的防钓监控方法 | |
Ponsa et al. | On-board image-based vehicle detection and tracking | |
CN110659552A (zh) | 有轨电车障碍物检测及报警方法 | |
CN102610104A (zh) | 一种车载的前方车辆检测方法 | |
CN110276787B (zh) | 基于标志物图像检测的导线舞动监测方法 | |
Wang et al. | An improved hough transform method for detecting forward vehicle and lane in road | |
CN105574869B (zh) | 一种基于改进Laplacian边缘检测的线结构光条中心线提取方法 | |
CN112348837B (zh) | 一种点线检测融合的物体边缘检测方法及系统 | |
CN113781523A (zh) | 一种足球检测跟踪方法及装置、电子设备、存储介质 | |
Chen et al. | Automatic head detection for passenger flow analysis in bus surveillance videos | |
CN107609556B (zh) | 一种输电线路环境中高空作业机械的检测方法 | |
Li-Yong et al. | A lane detection technique based on adaptive threshold segmentation of lane gradient image | |
Li et al. | A fog level detection method based on grayscale features | |
CN105872464B (zh) | 基于视频信号的工厂烟气排放自动监测系统 | |
CN109886120B (zh) | 一种斑马线检测方法及系统 | |
Liu et al. | Lane line detection based on OpenCV |
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 |