CN109584217A - 一种监控摄像机镜头污染自动判别方法 - Google Patents
一种监控摄像机镜头污染自动判别方法 Download PDFInfo
- Publication number
- CN109584217A CN109584217A CN201811356737.1A CN201811356737A CN109584217A CN 109584217 A CN109584217 A CN 109584217A CN 201811356737 A CN201811356737 A CN 201811356737A CN 109584217 A CN109584217 A CN 109584217A
- Authority
- CN
- China
- Prior art keywords
- camera lens
- image
- average gray
- avr
- camera
- 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.)
- Granted
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
- G06T7/11—Region-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Studio Devices (AREA)
Abstract
一种监控摄像机镜头污染自动判别方法,首先从统计的角度分别计算摄像机所拍摄的镜头有/无头污染的多幅图像的最大平均灰度梯度,找到合适的、以最大平均灰度梯度为指标的镜头有/无污染的区分度阈值,后以该阈值为参考,对后续新拍摄图像的实际大平均灰度梯度进行实时计算,并与所确定的阈值进行比较,自动判定当前摄像机镜头是否已被污染。本发明所提供的技术方法,为人工有目的地、及时地对镜头进行清洁指明了方向,相比定期对区域内所有监控摄像机镜头进行批量清洁,或待人工从所获取的视频中发现摄像机镜头已污染到严重影响画质再去清洁镜头,更具有针对性、目的性、及时性,并提高了效率。
Description
技术领域
本发明专利涉及一种自动检测方法,尤其涉及到户外监控摄像机镜头污染的自动检测领域。
背景技术
视频监测技术已在许多领域被广泛应用,如机场、高速公路、市区路政监控、智能小区监控以及其他需要环保取证的监控场所等。在这些应用中,摄像机主要安装于室外,长时间运行时摄像机镜头易附着灰尘,尽管有些灰尘影响严重的场合,摄像机可能在镜头前端被安装的玻璃防护罩,例如重大基建项目施工现场,火电厂等,但玻璃表面蒙尘后更易影响摄相机的成像质量,给监控、取证或后期图像处理带来困难,因而需要对摄像机镜头(或可能存在的玻璃防护罩)进行清洁。传统的方法是间隔一定时间后对区域所有摄像机镜头进行人工统一清洁,工作量大,可能造成超前清洁问题,浪费劳力;或已经人工发现镜头污染到影响画质后安排清洁,会存在清洁滞后问题,影响视频收集。因而,有必要开发一种镜头污染度自动判别方法来对摄像机维护人员有针对地进行镜头清洁提示。
发明内容
为实现监控摄像机镜头污染的自动判别,本发明提供一种监控摄像机镜头污染自动判别方法,首先从统计的角度分别计算摄像机所拍摄的有镜头污染及无镜头污染的多幅图像的最大平均灰度梯度,找到合适的、以图像最大平均灰度梯度为指标的镜头有/无污染的区分度阈值,后以该阈值为参考,结合新拍摄图像的实际最大平均灰度梯度来判断镜头是否已受污染。
本发明所采用的技术方案是通过以下步骤实现的:
一种监控摄像机镜头污染自动判别方法,其特征在于,它包括以下步骤:
步骤11:计算图像最大平均灰度梯度;
步骤12:镜头污染判定。
其中步骤11还包括以下步骤:
步骤111:计算被检测摄像机所拍摄图像中每个像素8邻域内的平均灰度值A(x,y):
其中,g(i,j)是像素点(i,j)的像素值,(x,y)为图像中任意像素点坐标;
步骤112:计算每个像素在其8邻域窗口内长、高方向上平均灰度梯度:
EL(x,y)=A(x+1,y)-Ak(x-1,y)
EH(x,y)=A(x,y+1)-Ak(x,y-1)
其中,EL(x,y)、EH(x,y)分别为竖直和水平方向平均灰度梯度;
步骤113:计算每个像素点在其8邻域窗口的最大平均灰度梯度Em(x,y):
Em(x,y)=max{EL(x,y),EH(x,y)}
步骤114:计算整幅图像中所有像素的最大平均灰度梯度Em(x,y)的均值Eavr:
其中,M,N分别为图像的长度和高度。
步骤12包括以下步骤:
步骤121:随机抽取欲判定镜头污染的摄像机所拍摄的200幅图像,其中100幅是人工认为镜头无污染的图像,另100幅是人工认为镜头已污染的图像,计算所有图像的Eavr;
步骤122:计算所有镜头无污染的图像的Eavr的最大值Eavr1、所有镜头有污染的图像的Eavr的最小值Eavr2;
步骤123:进一步,对新拍摄的图像,实时计算其Eavr值,若满足Eavr1<Eavr<Eavr2,则认为镜头已污染;若Eavr≤Eavr1,认为镜头无污染,由于对摄像机镜头污染情况实时判断,故不会出现新拍摄图像的Eavr≥Eavr2的情况,因为在此之前系统会已经提示镜头已被污染。
本发明有如下有益效果:
实现了对监控摄像机镜头污染自动判别,为人工有目的地、及时地对镜头进行清洁指明了方向,相比定期对区域内所有监控摄像机镜头进行批量清洁,或待人工从所获取的视频中发现摄像机镜头已污染到严重影响画质再去清洁镜头,更具有针对性、目的性、及时性,并提高了效率。
附图说明
图1为本发明对监控摄像机镜头污染自动判别的方法流程图。
图2为某火电厂同一台监控摄像机拍摄的不同时间段的两帧图像。
其中,图2的左图为摄像机镜头无污染图像,右图为摄像机镜头有污染图像。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的描述。
参见图1,首先从同一摄像机前期拍摄的视频图像中,通过人工判断挑选出认为摄像机镜头没被污染和已经污染并需要对镜头进行清洁的图像各100张,挑选以上图像时尽量不要选取连续帧图像,而是尽量在多个不同时段中选取,以使所抽取样本图像更具代表性。
进一步,计算镜头无污染的所有图像各自的最大平均灰度梯度Eavr,并找到这100个Eavr值中的最大值记为Eavr1;再计算镜头有污染的所有图像各自的最大平均灰度梯度Eavr,并找到这100个Eavr值中的最大值记为Eavr2。
进一步,用所获得的Eavr1、Eavr2值对该同一摄像机后续拍摄时的镜头污染状况进行判别时,只需要对新拍摄的视频图像的最大平均灰度梯度Eavr进行实时计算,若当前Eavr≤Eavr1,则自动判定该摄像机镜头当前无污染;若当前Eavr1<Eavr<Eavr2,则判定该摄像机镜头已污染需要清洁。
具体实施例:
针对某火电厂厂区监控的一部摄像机所拍摄的视频图像,随机抽取经人工判断的摄像机无污染时拍摄的图像100幅,计算得到镜头无污染时的100图像的最大平均灰度梯度的最大值Eavr1=46.985;再随机抽取经人工判断的摄像机有污染时拍摄的图像100幅,计算得到镜头有污染时的100图像的最大平均灰度梯度的最小值Eavr2=52.669。进一步,用该摄像机对该火电厂同一场景继续监控,参见图2,左图为随机抽取的该摄像机后续拍摄的一帧图像,计算其Eavr=44.376,因该值小于46.985,故系统自动判定为摄像机镜头未被污染;右图为抽取的用与左图同一摄像机拍摄的同一视场在14天后的图像,即继续监控14天后的图像,计算其Eavr=51.257,因该值介于46.985与52.669之间,故系统自动判定为该摄像机镜头已经污染;进一步,通过人工对该两帧图像进行判定,发现右图画面中,因摄像机镜头蒙有灰尘,后在风力及受到少量雨水冲刷,镜头上的灰尘呈现出纹理状,使监测画面中出现了额外轮廓,将影响所采集的视频图像在后续使用处理中信息提取的准确性。以上通过系统自动判定与人工判定结果对比,表明本发明所提供的技术方法对监控摄像机镜头污染判定有明显的效果。
Claims (3)
1.一种监控摄像机镜头污染自动判别方法,其特征在于,它包括以下步骤:
步骤11:计算图像最大平均灰度梯度;
步骤12:镜头污染判定。
2.根据权利1所述的一种监控摄像机镜头污染自动判别方法,其特征在于,步骤11包括以下步骤:
步骤111:计算被检测摄像机所拍摄图像中每个像素8邻域内的平均灰度值A(x,y):
其中,g(i,j)是像素点(i,j)的像素值,(x,y)为图像中任意像素点坐标;
步骤112:计算每个像素在其8邻域窗口内长、高方向上平均灰度梯度:
EL(x,y)=A(x+1,y)-Ak(x-1,y)
EH(x,y)=A(x,y+1)-Ak(x,y-1)
其中,EL(x,y)、EH(x,y)分别为竖直和水平方向平均灰度梯度;
步骤113:计算每个像素点在其8邻域窗口的最大平均灰度梯度Em(x,y):
Em(x,y)=max{EL(x,y),EH(x,y)}
步骤114:计算整幅图像中所有像素的最大平均灰度梯度Em(x,y)的均值Eavr:
其中,M,N分别为图像的长度和高度。
3.根据权利1所述的一种监控摄像机镜头污染自动判别方法,其特征在于,步骤12包括以下步骤:
步骤121:随机抽取欲判定镜头污染的摄像机所拍摄的200幅图像,其中100幅是人工认为镜头无污染的图像,另100幅是人工认为已污染的图像,计算所有图像的Eavr;
步骤122:计算所有镜头无污染的图像的Eavr的最大值Eavr1、所有镜头有污染的图像的Eavr的最小值Eavr2;
步骤123:摄像机镜头是否污染判别:对新拍摄的图像,若其Eavr满足Eavr1<Eavr<Eavr2,则判定镜头已污染;若Eavr≤Eavr1则判定镜头无污染。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811356737.1A CN109584217B (zh) | 2018-11-15 | 2018-11-15 | 一种监控摄像机镜头污染自动判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811356737.1A CN109584217B (zh) | 2018-11-15 | 2018-11-15 | 一种监控摄像机镜头污染自动判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584217A true CN109584217A (zh) | 2019-04-05 |
CN109584217B CN109584217B (zh) | 2022-09-02 |
Family
ID=65922676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811356737.1A Active CN109584217B (zh) | 2018-11-15 | 2018-11-15 | 一种监控摄像机镜头污染自动判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584217B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880238A (zh) * | 2022-12-01 | 2023-03-31 | 华瑞研能科技(深圳)有限公司 | 一种人工智能画面污迹处理方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975357A (zh) * | 2010-09-25 | 2011-02-16 | 东华大学 | 一种用于高精度影像测量仪的自适应光源照明系统及方法 |
CN103792783A (zh) * | 2012-10-29 | 2014-05-14 | 鸿富锦精密工业(深圳)有限公司 | 摄像设备镜头污染实时检测系统及方法 |
CN106060479A (zh) * | 2016-07-13 | 2016-10-26 | 三峡大学 | 一种基于超视距视频技术的智能放牧监控系统 |
CN106415598A (zh) * | 2014-05-27 | 2017-02-15 | 罗伯特·博世有限公司 | 用于车载式相机系统的镜头污染的检测、识别和缓解 |
CN106911921A (zh) * | 2017-05-12 | 2017-06-30 | 安徽大学 | 基于单个摄像机的投影仪红外触控和自动对焦方法 |
CN107527003A (zh) * | 2017-05-03 | 2017-12-29 | 武汉东智科技股份有限公司 | 球型摄像机镜头粘附灰斑的视频质量诊断方法 |
CN107743224A (zh) * | 2017-09-30 | 2018-02-27 | 奇酷互联网络科技(深圳)有限公司 | 镜头脏污的提醒方法、系统、可读存储介质及移动终端 |
-
2018
- 2018-11-15 CN CN201811356737.1A patent/CN109584217B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975357A (zh) * | 2010-09-25 | 2011-02-16 | 东华大学 | 一种用于高精度影像测量仪的自适应光源照明系统及方法 |
CN103792783A (zh) * | 2012-10-29 | 2014-05-14 | 鸿富锦精密工业(深圳)有限公司 | 摄像设备镜头污染实时检测系统及方法 |
CN106415598A (zh) * | 2014-05-27 | 2017-02-15 | 罗伯特·博世有限公司 | 用于车载式相机系统的镜头污染的检测、识别和缓解 |
CN106060479A (zh) * | 2016-07-13 | 2016-10-26 | 三峡大学 | 一种基于超视距视频技术的智能放牧监控系统 |
CN107527003A (zh) * | 2017-05-03 | 2017-12-29 | 武汉东智科技股份有限公司 | 球型摄像机镜头粘附灰斑的视频质量诊断方法 |
CN106911921A (zh) * | 2017-05-12 | 2017-06-30 | 安徽大学 | 基于单个摄像机的投影仪红外触控和自动对焦方法 |
CN107743224A (zh) * | 2017-09-30 | 2018-02-27 | 奇酷互联网络科技(深圳)有限公司 | 镜头脏污的提醒方法、系统、可读存储介质及移动终端 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880238A (zh) * | 2022-12-01 | 2023-03-31 | 华瑞研能科技(深圳)有限公司 | 一种人工智能画面污迹处理方法和装置 |
CN115880238B (zh) * | 2022-12-01 | 2023-08-15 | 华瑞研能科技(深圳)有限公司 | 一种人工智能画面污迹处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109584217B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020098195A1 (zh) | 基于ais与视频数据融合的船舶身份识别方法 | |
CN103139547B (zh) | 基于视频图像信号判定摄像镜头遮挡状态的方法 | |
Albiol et al. | Detection of parked vehicles using spatiotemporal maps | |
WO2020029921A1 (zh) | 一种监控方法与装置 | |
CN102867177B (zh) | 一种基于图像灰度匹配的人数统计方法 | |
CN102930261A (zh) | 一种人脸抓拍识别方法 | |
CN105635696A (zh) | 一种统计方法及装置 | |
CN109145736B (zh) | 一种基于视频分析的地铁站点行人逆向行走的检测方法 | |
CN107992837A (zh) | 基于单个ptz监控摄像机的道路全景建模与车辆检测跟踪方法 | |
CN109635758A (zh) | 智慧工地基于视频的高空作业人员安全带穿戴检测方法 | |
CN108471497A (zh) | 一种基于云台摄像机的船目标实时检测方法 | |
CN105303844A (zh) | 基于激光的夜间高速公路团雾自动检测装置及其检测方法 | |
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 | |
CN100499808C (zh) | 基于目标的图像位置自动控制摄像机运动的方法 | |
CN110866453B (zh) | 基于卷积神经网络的实时人群稳定状态识别方法及装置 | |
CN109584217A (zh) | 一种监控摄像机镜头污染自动判别方法 | |
CN111163246A (zh) | 高空抛坠物监测系统 | |
KR20110136536A (ko) | 영상보정 시스템 | |
CN105930814A (zh) | 基于视频监控平台的人员异常聚集行为的检测方法 | |
CN104363412B (zh) | 狭长区域的大视场监管系统及监管方法 | |
CN104913726A (zh) | 基于led的斜坡模型面位移监测系统及检测方法 | |
CN111738148A (zh) | 一种利用红外巡检拍摄的故障识别方法 | |
CN107527003B (zh) | 球型摄像机镜头粘附灰斑的视频质量诊断方法 | |
CN115900854A (zh) | 一种皮带矿石运料称重与粒度估计智能检测系统及方法 | |
CN108376399A (zh) | 基于光伏板实时监测的沙尘影响程度分析方法 |
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 |