CN109618124A - 特征提取图像传感器 - Google Patents

特征提取图像传感器 Download PDF

Info

Publication number
CN109618124A
CN109618124A CN201811125395.2A CN201811125395A CN109618124A CN 109618124 A CN109618124 A CN 109618124A CN 201811125395 A CN201811125395 A CN 201811125395A CN 109618124 A CN109618124 A CN 109618124A
Authority
CN
China
Prior art keywords
image
extraction
feature
output interface
sensor
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
CN201811125395.2A
Other languages
English (en)
Inventor
秦绮玲
刘亚平
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.)
Suzhou Mitsail Artificial Intelligence Co Ltd
Original Assignee
Suzhou Mitsail Artificial Intelligence 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 Suzhou Mitsail Artificial Intelligence Co Ltd filed Critical Suzhou Mitsail Artificial Intelligence Co Ltd
Priority to CN201811125395.2A priority Critical patent/CN109618124A/zh
Publication of CN109618124A publication Critical patent/CN109618124A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/70—SSIS architectures; Circuits associated therewith
    • H04N25/71—Charge-coupled device [CCD] sensors; Charge-transfer registers specially adapted for CCD sensors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/70—SSIS architectures; Circuits associated therewith
    • H04N25/76—Addressed sensors, e.g. MOS or CMOS sensors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/14—Picture signal circuitry for video frequency region

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

特征提取图像传感器是在通用图像传感器之后增加一个图像特征提取单元，该单元用于图像的特征提取，可以采用不同的硬件模组，也可以采用不同的图像特征提取方法。所述的图像在特征提取后，其特征数据经过输出接口输出，输出接口可以是通用图像处理器原有的接口，也可以专门定制特征数据输出接口。这种特征提取图像传感器在用于特定场景监控时，可以避免直接采集原始图像所带来的隐私或泄密问题。

Description

特征提取图像传感器
技术领域
本发明涉及图像处理领域，特别是明涉及一种特征提取图像传感器。
背景技术
图像监控通过图像来监控目标，在视频安防监控、电力、交通、金融、电信等行业实施大范围、远距离的集中监控服务方面已经得到了广泛的应用。但是，在某些应用场合，直接监控图像，涉及到隐私暴露和泄密的问题。例如，对居家养老老人活动的监控，对病人的呼吸监控、情绪监控等，都不希望看到清晰图像。而对于这些应用，只需要监控图像的特征变化就可以起到特定的监控效果。
直接获取图像往往不能满足特定场合的要求，所以要对图像进行处理，特征提取是计算机视觉和图像处理中的重要方法之一，它借助计算机技术来提取图像信息，判别每个图像像素是否属于一个图像特征。
为解决以上问题，本发明提出了特征提取图像传感器，其只输出图像特征数据而不是原始图像数据。
发明内容
本发明公开一种特征提取图像传感器。所述的特征提取图像传感器是在通用图像传感器之后增加一个图像特征提取单元，该单元用于图像的特征提取，可以采用不同的硬件模组，也可以采用不同的图像特征提取方法。所述的图像在特征提取后，其特征数据经过输出接口输出，输出接口可以是通用图像处理器原有的接口，也可以专门定制特征数据输出接口。这种特征提取图像传感器在用于特定场景监控时，可以避免直接采集原始图像所带来的隐私或泄密问题。
本公开的一方面可提供的特征提取图像传感器由通用图像传感器、图像特征提取处理单元和输出接口组成：
所述的通用图像传感器是目前市面上普遍使用的CCD和CMOS图像传感器；
所述的图像特征提取处理单元可以是各种可以用于提取图像特征的处理单元；
所述的输出接口用于特征数据的输出，可以是原通用图像传感器的数据输出接口，也可以根据不同输出格式的需要定制输出接口。
本公开的另一方面可提供的图像特征提取单元可以提取图像的颜色特征、纹理特征、形状特征和空间特征。
根据本公开的另一方面，图像特征特征提取单元硬件可以是FPGA组件，也可以是通用信号处理组件，还可以是嵌入式信号处理器等。
根据本公开的另一方面，图像特征提取单元通过不同的算法和模型实现，可以是，但不仅限于是，特征提取的传统算法如，边缘提取的梯度算子、Gaus-sians德拉普拉斯算子、高斯差、Canny检测器、各向异性扩散算法等；模型处理的随机场模型处理；结构处理的特征滤波器、纹理分析等；空间域/时间域特征变换，如，傅里叶变换、小波变换等；及深度学习的SVM（支持向量机）、卷积神经网络（CNN）和深度卷积神经网络等。
根据本公开的另一方面，所述的图像输入是通用图像传感器采集的原始图像数字信号，一个二维矩阵，用矩阵来表示，例如，灰度图像的像素数据就是一个矩阵，矩阵的行对应图像的高（单位为像素），矩阵的列对应图像的宽（单位为像素），矩阵的元素对应图像的像素，矩阵元素的值就是像素的灰度值。
本发明的有益效果是：
提供一种特征提取图像传感器，通过训练的卷积神经网络，从原始图像采集信号中提取特定的图像特征，从而减少传输、存储整幅图像的带宽和存储空间。对于不愿意暴露隐私，或不愿意被看到清晰图像的特殊监控需求，提供了一种特殊的图像特征监控方式。满足了特定图像监控的特殊需求。
附图说明
图1是本发明优选实施例的特征提取图像传感器结构；
图2是本发明优选实施例的图像特征提取数字图像变换方法；
图3是本发明优选实施例的图像特征提取特征滤波器方法。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
图1是本发明优选实施例的特征提取图像传感器结构，所述的图像传感器有11通用图像采集单元模组，12图像特征提取单元和13输出接口组成。11可以选通用图像传感器中的CCD传感器或CMOS传感器，在本发明优选实施例中，我们优选CMOS传感器，被采集的图像经过11处理成为MxN维数字图像，
数字图像被送入12图像特征提取单元做图像的特征提取。在本发明优选实施例中，优选数字图像变换方法和特征滤波器方法作为实施例。
在本发明优选实施例中，13是输出接口，可以采用原通用图像传感器已有的输出接口，也可以根据需要定制专门的数据接口，比如，特征滤波器串行输出接口。
图2是本发明优选实施例的图像特征提取数字图像变换方法，图像局部通常被划分为不重叠的nxn的方形子图像块，如S201中的小方块，将像素排列成n2维向量（在此实施例中n=3），则图像可以表示成为向量的集合S202；在对这些向量做变换S203，
W=Hsx f
其特征值输出结果S05，为n2维向量S205.在此，j表示整幅图像中第j个局部划分点。
在本发明优选实施例中，可以选择不同的变换方法S204，例如，局部傅里叶变换（LFT）、离散余弦变换（DCT）、局部沃尔什变换（LWT），离散K-L变换（PCA）等等。
图3是本发明优选实施例的图像特征提取特征滤波器方法，在所述方法中，由滤波器S302对信号进行滤波处理，输出为初始特征；再由非线性处理S304和平滑处理S305构成局部能量估计；再进行特征训练、选择处理S306，最后由分类器S307选择图像特征输出。S301为输入图像，S308是图像特征输出。
以上述依据本发明的实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (7)

1.一种特征提取图像传感器，其特征在于，在通用图像传感器之后增加了图像特征提取单元，被提取的图像特征由输出接口输出。
2.如权利要求1所述的图像特征提取单元，其特征在于，输入原始图像信号，经图像特征提取处理后，输出图像特征信号。
3.如权利要求2所述的图像特征提取处理，其特征在于，可以用不同的图像特征提取处理方法，不仅限于，例如：傅里叶变换、小波变换、卷积神经网络等等。
4.如权利要求2所述的图像特征提取处理单元，其特征在于，可以由不同的硬件模组实现。
5.如权利要求4所述的硬件模组，其特征在于，可以是成熟的信号处理组件，可以是嵌入式通用信号处理器，还可以是FPGA。
6.如权利要求2所述的输出图像特征信号，其特征在于，其信号格式不仅限于二维数组格式，还可以是一维数组和其它格式。
7.如权利要求1所述的输出接口，其特征在于，可以使用原通用图像传感器的输出接口，也可以定制专门的输出接口。
CN201811125395.2A 2018-09-26 2018-09-26 特征提取图像传感器 Pending CN109618124A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811125395.2A CN109618124A (zh) 2018-09-26 2018-09-26 特征提取图像传感器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811125395.2A CN109618124A (zh) 2018-09-26 2018-09-26 特征提取图像传感器

Publications (1)

Publication Number Publication Date
CN109618124A true CN109618124A (zh) 2019-04-12

Family

ID=66002478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811125395.2A Pending CN109618124A (zh) 2018-09-26 2018-09-26 特征提取图像传感器

Country Status (1)

Country Link
CN (1) CN109618124A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203813894U (zh) * 2014-05-09 2014-09-03 哈尔滨水星电子科技有限公司 一种接口共享的全景数字图像传感器
CN106027958A (zh) * 2016-05-13 2016-10-12 北京博创全景数码科技有限公司 格式化数据提取系统
CN106503721A (zh) * 2016-10-27 2017-03-15 河海大学常州校区 基于cmos图像传感器puf的哈希算法及认证方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203813894U (zh) * 2014-05-09 2014-09-03 哈尔滨水星电子科技有限公司 一种接口共享的全景数字图像传感器
CN106027958A (zh) * 2016-05-13 2016-10-12 北京博创全景数码科技有限公司 格式化数据提取系统
CN106503721A (zh) * 2016-10-27 2017-03-15 河海大学常州校区 基于cmos图像传感器puf的哈希算法及认证方法

Similar Documents

Publication Publication Date Title
Swaraja et al. An optimized blind dual medical image watermarking framework for tamper localization and content authentication in secured telemedicine
Kim et al. Fully deep blind image quality predictor
WO2020246861A1 (en) Method and apparatus for training neural network model for enhancing image detail
EP3767523A1 (en) Image processing method and apparatus, and computer readable medium, and electronic device
EP4109392A1 (en) Image processing method and image processing device
Li et al. Image recapture detection with convolutional and recurrent neural networks
Meikap et al. Directional PVO for reversible data hiding scheme with image interpolation
CN108604369A (zh) 一种去除图像噪声的方法、装置、设备及卷积神经网络
Kim et al. Binocular fusion net: deep learning visual comfort assessment for stereoscopic 3D
AU2017415626A1 (en) System and method for facilitating analysis of a wound in a target subject
CN108898191A (zh) 卷积神经网络特征提取图像传感器
CN111080654B (zh) 图像的病变区域分割方法、装置及服务器
CN109948439B (zh) 一种活体检测方法、系统及终端设备
CN109740589A (zh) 视频模式中的异步对象roi检测方法及系统
Jenitta et al. Image retrieval based on local mesh vector co-occurrence pattern for medical diagnosis from MRI brain images
Viji et al. Modified texture based region growing segmentation of MR brain images
CN112651469A (zh) 一种红外与可见光图像融合方法及系统
Xiang et al. No-reference light field image quality assessment using four-dimensional sparse transform
Oh et al. Deep visual discomfort predictor for stereoscopic 3d images
Zhou et al. AIF-LFNet: All-in-focus light field super-resolution method considering the depth-varying defocus
CN104184936B (zh) 基于光场相机的影像对焦处理方法及其系统
CN111126250A (zh) 一种基于ptgan的行人重识别方法及装置
CN103152575A (zh) 一种基于图像互补的信息隐藏方法和系统
CN112515653B (zh) 一种基于核磁共振图像的脑网络构建方法
Zhou et al. Hierarchical visual comfort assessment for stereoscopic image retargeting

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190412