CN109671090A - 基于远红外线的图像处理方法、装置、设备和存储介质 - Google Patents
基于远红外线的图像处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109671090A CN109671090A CN201811339288.XA CN201811339288A CN109671090A CN 109671090 A CN109671090 A CN 109671090A CN 201811339288 A CN201811339288 A CN 201811339288A CN 109671090 A CN109671090 A CN 109671090A
- Authority
- CN
- China
- Prior art keywords
- image
- interest
- frame image
- target region
- infrared
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000012937 correction Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 50
- 238000001914 filtration Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 230000003628 erosive effect Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims 1
- 230000004297 night vision Effects 0.000 abstract description 55
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 230000004438 eyesight Effects 0.000 description 6
- 241001465754 Metazoa Species 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- CNQCVBJFEGMYDW-UHFFFAOYSA-N lawrencium atom Chemical compound [Lr] CNQCVBJFEGMYDW-UHFFFAOYSA-N 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 241001292396 Cirrhitidae Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供的基于远红外线的图像处理方法、装置、设备和存储介质,通过电子夜视控制装置对红外图像序列进行图像处理后,得到该红外图像序列中每帧图像的目标感兴趣区域,然后,将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度,并根据两者的相似度每帧图像的目标感兴趣区域进行完整性校正,这样,电子夜视控制装置对夜视摄像机采集的视频信号处理后,通过多次相似度对比,增加了夜视摄像机采集的图像检测结果的准确率,又在相似性对比后进行了完整性校正,大大改善了漏检率。
Description
技术领域
本发明涉及汽车安全技术领域,特别是涉及一种基于远红外线的图像处理方法、装置、设备和存储介质。
背景技术
在当今汽车安全技术中,主动安全性的重要性不言而喻,根据调查显示,虽然夜间行车在整个公路中只占四分之一,但是发生的车祸比例却高达60%,死亡事故为一半以上,其中,夜间视线不良所造成的交通事故就有七成,因此,在安全可靠的夜视系统(Nightvision system,简称NVS)帮助下,驾驶员在夜间或弱光线的驾驶过程中将获得更高的预见能力,能够针对潜在危险向驾驶员提供全面的信息并发出早期预警。
NVS是一个用于夜间视觉辅助的驾驶员辅助系统,是辅助驾驶的一项重要技术。目前,夜视系统主要采用主动夜视系统,主动夜视系统在大灯内装有红外线发射装置,会发出短红外线,借助红外CCD接收红外光线进行图像采集,通过前挡风玻璃上方中央的摄像装置来识别红外反射波,将识别后的数据转换成影像,显示在仪表显示屏上。
但是,上述主动夜视系统容易受各种环境因素影响,导致其采集的图像检测结果准确率较低,容易出现漏检情况。
发明内容
基于此,有必要针对主动夜视系统容易受各种环境因素影响,导致其采集的图像检测结果准确率较低,容易出现漏检情况的技术问题,提供一种基于远红外线的图像处理方法、装置、设备和存储介质。
第一方面,本发明的实施例提供一种基于远红外线的图像处理方法,所述方法包括:
对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域;所述红外图像序列为根据远红外线信号得到的图像序列;
将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度;所述关联帧图像为所述当前帧图像之前的与所述当前帧图像相邻且连续的帧图像;
根据所述相似度对所述每帧图像的目标感兴趣区域进行完整性校正。
在其中一个实施例中,所述根据所述相似度对所述每帧图像的目标感兴趣区域进行完整性校正,包括:
若所述相似度小于预设阈值,则判断所述当前帧图像的目标感兴趣区域的数目是否小于所述关联帧图像的目标感兴趣区域的数目;
若是,则根据所述关联帧图像的目标感兴趣区域对所述当前帧图像的目标感兴趣区域进行完整性校正。
在其中一个实施例中,其特征在于,所述对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域,包括:
采用预设的二值化处理方法,获取所述红外图像序列中每帧图像的二值化图像;
确定所述每帧图像的二值化图像的感兴趣区域;
根据预设的过滤规则,从所述每帧图像的二值化图像的感兴趣区域中确定所述每帧图像的目标感兴趣区域。
在其中一个实施例中,所述采用预设的二值化处理方法,获取所述红外图像序列中每帧图像的二值化图像,包括:
计算所述红外图像序列中每帧图像的各像素点的灰度值;
根据各所述像素点的灰度值和预设灰度阈值,对所述每帧图像进行二值化分割,得到所述每帧图像的二值化图像。
在其中一个实施例中,所述根据各所述像素点的灰度值和预设灰度阈值,对所述每帧图像进行二值化分割,得到所述每帧图像的二值化图像之后,所述方法还包括:
对所述每帧图像的二值化图像进行图像腐蚀处理和膨胀处理,得到处理后的二值化图像;
所述确定所述每帧图像的二值化图像的感兴趣区域,包括:
确定所述每帧图像的处理后的二值化图像的感兴趣区域。
在其中一个实施例中,所述根据预设的过滤规则,从所述每帧图像的二值化图像的感兴趣区域中确定所述每帧图像的目标感兴趣区域,包括:
判断所述每帧图像的二值化图像的各感兴趣区域是否满足所述过滤规则;所述过滤规则包括行人高宽比分布规律和行人最小高度限制规律;
将满足所述过滤规则的感兴趣区域确定为对应帧图像的目标感兴趣区域。
在其中一个实施例中,所述方法还包括:
提取所述每帧图像的目标感兴趣区域的方向梯度直方图特征;
采用预设的支持向量机,根据所述方向梯度直方图特征确定所述每帧图像的目标感兴趣区域的目标类别。
在其中一个实施例中,所述采用预设的支持向量机,根据所述方向梯度直方图特征确定所述每帧图像的目标感兴趣区域的目标类别,包括:
采用所述支持向量机,根据所述方向梯度直方图特征确定各所述目标感兴趣区域中预测目标的概率值;
将所述概率值最高的预测目标的类别确定为所述目标感兴趣区域的目标类别。
在其中一个实施例中,所述方法还包括:
根据所述目标感兴趣区域的目标类别、车辆行驶速度及车辆角度对所述车辆进行预警处理。
第二方面,本发明的实施例提供一种基于远红外线的图像处理装置,所述装置包括:
图像处理模块,用于对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域;所述红外图像序列为根据远红外线信号得到的图像序列;
相似性处理模块,用于将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度;所述关联帧图像为所述当前帧图像之前的与所述当前帧图像相邻且连续的帧图像;
完整性校正模块,用于根据所述相似度对所述每帧图像的目标感兴趣区域进行完整性校正。
第三方面,本发明的实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域;所述红外图像序列为根据远红外线信号得到的图像序列;
将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度;所述关联帧图像为所述当前帧图像之前的与所述当前帧图像相邻且连续的帧图像;
根据所述相似度对所述每帧图像的目标感兴趣区域进行完整性校正。
第四方面,本发明的实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域;所述红外图像序列为根据远红外线信号得到的图像序列;
将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度;所述关联帧图像为所述当前帧图像之前的与所述当前帧图像相邻且连续的帧图像;
根据所述相似度对所述每帧图像的目标感兴趣区域进行完整性校正。
本申请提供的基于远红外线的图像处理方法、装置、设备和存储介质,通过电子夜视控制装置对红外图像序列进行图像处理后,得到该红外图像序列中每帧图像的目标感兴趣区域,然后,将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度,并根据两者的相似度每帧图像的目标感兴趣区域进行完整性校正,这样,电子夜视控制装置对夜视摄像机采集的视频信号处理后,通过多次相似度对比,增加了夜视摄像机采集的图像检测结果的准确率,又在相似性对比后进行了完整性校正,大大改善了漏检率。
附图说明
图1为本申请提供的一种基于远红外线的图像处理方法的应用环境图;
图2为一实施例提供的一种基于远红外线的图像处理方法流程示意图;
图3为一实施例提供的一种基于远红外线的图像处理方法流程示意图;
图4为一实施例提供的一种基于远红外线的图像处理方法流程示意图;
图5为一实施例提供的一种基于远红外线的图像处理方法流程示意图;
图6为一实施例提供的一种基于远红外线的图像处理装置结构示意图;
图7为一实施例提供的一种基于远红外线的图像处理装置结构示意图;
图8为一实施例提供的一种基于远红外线的图像处理装置结构示意图;
图9为一实施例一种计算机设备内部结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于远红外线的图像处理方法,可以应用于如图1所示夜视系统,该夜视系统中,通过电子夜视控制装置将夜视摄像机采集的图像进行处理后传送给判断装置,判断装置结合该处理后的图像和传感器采集的车辆速度和角度对该车辆进行预警判断,并通过预警装置进行警醒。其中夜视系统按钮用于打开液晶显示屏,夜视系统启动,其中,该按钮可以是手动按钮,也可以是自动按钮,当该那按钮为自动按钮时,即,如果需要自动打开的夜视系统,可以在内部设置控制单元,通过传感器检测外部的环境亮度,当环境的亮度低于手动设置的阈值时该按钮自动开启。其中夜视摄像机可以安装在车辆的logo里面,也可以是安装在车辆的其他位置,本实施例对该夜视摄像机的安装位置不做限定,只要能够发出远红外线采集到视频图像即可。该夜视摄像机可以包括一个供热防护窗、一个镜头和热像传感器,其中,供热防护窗是我们摄像机的外壳,用来保护里面的镜头和热像传感器,镜头是用来采集图像数据,热像传感器用来把采集的图像数据进行处理,该夜视摄像机采集图像时刷新率可以为30次每秒,为了使成像质量稳定,可以是每120~180秒校准一次摄像机,且每次校准时间大约持续0.3秒,其中,该夜视摄像机可以通过一根低电压差分信号传输(Low Voltage Differential Sig-naling,简称LVDS)数据导线连接到电子夜视控制装置。
本申请实施例提供一种基于远红外线的图像处理方法、装置、设备和存储介质,旨在解决传统技术中主动夜视系统容易受各种环境因素影响,导致其采集的图像检测结果准确率较低,容易出现漏检情况的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是,本申请的实施例的执行主体可以是计算机设备,也可以是电子夜视控制装置,以下实施例的执行主体均以电子夜视控制装置进行说明。
在一个实施例中,如图2提供了一种基于远红外线的图像处理方法,本实施例涉及的是电子夜视控制装置对当前帧图像的目标感兴趣区域的完整性进行校正的具体过程。如图2所示,该方法包括:
S101,对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域;所述红外图像序列为根据远红外线信号得到的图像序列。
本实施例中,红外图像序列可以是电子夜视控制装置根据夜视摄像机采集的对称的视频信号转换的彩色全电视信号,该采集的对称视频信号的采集对象可以是车辆行驶时道路上的图像,其中该夜视摄像机可以是通过远红外线采集视频信号的两个夜视摄像机,也可以是四个,本实施例对此不做限定。在本实施例中,电子夜视控制装置根据夜视摄像机采集的车辆行驶道路上的视频信号,为了提高该视频信号中图像的信息量,该电子夜视控制装置将该视频信号转换为彩色全电视信号,即,红外图像序列信号,然后,该电子夜视控制装置将该红外图像序列信号中每一帧图像进行处理,其中,处理过程可以是对该图像进行一些区域划分,例如:可以是通过双阈值分割思想、局部水平线邻域中像素灰度值分布的统计特性,对图像进行灰度值进行二值化处理,阈值分割等。在对该红外图像序列信号中每一帧图像进行处理后,该电子夜视控制装置可以得到该红外图像序列信号中每一帧图像的需要处理的区域,即,目标感兴趣区域。
S102,将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度;所述关联帧图像为所述当前帧图像之前的与所述当前帧图像相邻且连续的帧图像。
本实施例中,基于上述S101步骤中,电子夜视控制装置确定的该红外图像序列信号中每一帧图像的目标感兴趣区域,电子夜视控制装置将该红外图像序列信号中当前帧的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,其中该关联帧图像的目标感兴趣区域可以是与该当前帧相邻的前面一帧图像的目标感兴趣区域,也可以是与该当前帧相邻的多帧连续图像的目标感兴趣区域。该电子夜视控制装置对比当前帧的目标感兴趣区域与关联帧图像的目标感兴趣区域的相似性,可以是对该两者图像中各目标感兴趣区域的形状、尺寸以及颜色等信息的相似性。根据当前帧与关联帧图像中感兴趣区域的相似性的对比,该电子夜视控制装置得到一个相似度的值。
S103,根据所述相似度对所述每帧图像的目标感兴趣区域进行完整性校正。
基于上述S102步骤中,电子夜视控制装置确定的当前帧图像中目标感兴趣区域与关联帧图像中目标感兴趣区域的相似度,该电子夜视控制装置可以根据该相似度值的大小确定该当前帧图像的目标感兴趣区域的完整性,例如,如果该相似度达到某一临界值时,表示该当前帧图像中目标感兴趣区域了里面的物体信息没有被遗漏,完整性比较好,但若是,该相似度小于该临界值时,表示该当前帧图像中目标感兴趣区域里面物体被遗漏掉,则该电子夜视控制装置根据当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域中的区别,将遗漏掉的部分加入到当前帧图像的目标感兴趣区域中,即,对该当前帧图像的目标感兴趣区域进行完整性校正。
本申请的实施例提供的基于远红外线的图像处理方法,通过电子夜视控制装置对红外图像序列进行图像处理后,得到该红外图像序列中每帧图像的目标感兴趣区域,然后,将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度,并根据两者的相似度每帧图像的目标感兴趣区域进行完整性校正,这样,电子夜视控制装置对夜视摄像机采集的视频信号处理后,通过多次相似度对比,增加了夜视摄像机采集的图像检测结果的准确率,又在相似性对比后进行了完整性校正,大大改善了漏检率。
在一个实施例中,上述S103步骤包括:若所述相似度小于预设阈值,则判断所述当前帧图像的目标感兴趣区域的数目是否小于所述关联帧图像的目标感兴趣区域的数目;若是,则根据所述关联帧图像的目标感兴趣区域对所述当前帧图像的目标感兴趣区域进行完整性校正。本实施例中,预先将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似度设置一个阈值,表示两者的相似度达到一定临界值时,该当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域属于对同一对象采集的图像。基于该预设的相似度阈值,电子夜视控制装置判断实际对比的当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域的相似度,在该相似度小于该阈值时,表示当前帧图像中的目标感兴趣区域有遗漏,这时,该电子夜视控制装置就要对该当前帧图像的目标感兴趣区域进行完整性校正,例如:第一次得到的目标感兴趣区域有两个,第二次有一个,经校验,把第一次的另一个目标感兴趣区域补上来,经多次校验,得到比较完整的目标感兴趣区域。这样,在当前帧图像的目标感兴趣区域于关联帧图像的目标感兴趣区域相似度小于预设阈值时,电子夜视控制装置根据判断的当前帧图像的目标感兴趣区域的数目小于关联帧图像的目标感兴趣区域的数目,对当前帧图像的目标感兴趣区域进行完整性校正,大大改善了漏检率。
由于远红外采集的图像灰度值不是均匀分布的,其形成的图像中人体区域的亮度很高,而边缘处会出现突变,为了弱化该图像的矩形邻域中行人区域的亮度,并改善边缘突变的影响,在一个实施例中,如图3提供了一种基于远红外线的图像处理方法,本实施例涉及的是电子夜视控制装置对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域的具体过程。如图3所示,该方法包括:
S201,采用预设的二值化处理方法,获取所述红外图像序列中每帧图像的二值化图像。
本实施例中,电子夜视控制装置对红外图像序列中每帧图像采用预设的二值化处理方法进行二值化处理。其中该预设的二值化处理方法可以是根据实际需求设置一个灰度值,再根据该设置的灰度值将该图像进行二值化分割。
可选地,S201的一种可能的实现方式包括:计算所述红外图像序列中每帧图像的各像素点的灰度值;根据各所述像素点的灰度值和预设灰度阈值,对所述每帧图像进行二值化分割,得到所述每帧图像的二值化图像。首先,电子夜视控制装置先计算该红外图像序列每一帧图像中各像素点的灰度值,在基于该各像素点灰度值的基础上,根据预设的灰度值的阈值,电子夜视控制装置对每帧图像进行二值化分割。
示例地,首先通过以下公式先计算该水平邻域中各个像素点灰度值的平均值TL和水平邻域中该灰度值的分布情况TH:
ΤH(i,j)=TL(i,j)+λδ
其中,上述公式中,(i,j)代表当前水平线邻域中心像素点的坐标,I(t,j)代表局部水平邻域中像素(t,j)的灰度值,a代表水平邻域的半宽度,δ,λ分别代表此邻域像素灰度偏差的平方根和控制参数。
其次,将每帧图像中每个像素点的坐标的灰度值输入以下公式中,得到每帧图像中各像素点的二值化结果:
其中,上述公式中,(i,j)代表当前水平线邻域中心像素点的坐标,I(t,j)代表局部水平邻域中像素(t,j)的灰度值。
S202,确定所述每帧图像的二值化图像的感兴趣区域。
基于上述S201步骤中确定的每帧图像的二值化图像,电子夜视控制装置确定该每帧图像的二值化图像的感兴趣区域,其中该感兴趣区域可以是从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,得到该感兴趣区域的方法可以是在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子(Operator)和函数来求得,本实施例对该感兴趣区域的具体形状及获取方式不做限定。
S203,根据预设的过滤规则,从所述每帧图像的二值化图像的感兴趣区域中确定所述每帧图像的目标感兴趣区域。
本实施例中,基于上述S202电子夜视控制装置确定的每帧图像中的感兴趣区域,该感兴趣区域可以是生物类的动物或人类为对象的感兴趣区域,也可以是非生物类比如树木、石头等为对象的感兴趣区域,为了减少非生物感兴趣区域数目,可以对该感兴趣区域进行过滤,滤除不满足预设的过滤规则,从而得到目标感兴趣区,其中,该预设的过滤规则可以是根据实际需求设定的规则,本实施例对此不做限定。例如:该预设的过滤规则可以是预设宽高比范围和最小高度的感兴趣区域。
可选地,如图4所示,步骤S203的一种可能的实现方式可以包括:
S301,判断所述每帧图像的二值化图像的各感兴趣区域是否满足所述过滤规则;所述过滤规则包括行人高宽比分布规律和行人最小高度限制规律。
在本实施例中,可以获取各感兴趣区域中的行人的宽高比和行人高度,判断各感兴趣区域中的行人的宽高比是否满足行人高宽比分布规律,判断各感兴趣区域中的行人高度是否小于行人最小高度,若满足这两项,则确定所述每帧图像的二值化图像的各感兴趣区域满足该过滤规则。
S302,将满足所述过滤规则的感兴趣区域确定为对应帧图像的目标感兴趣区域。
在本实施例中,电子夜视控制装置可以先获取该每帧图像的二值化图像的各感兴趣区域的高宽比和其实际高度,根据预设的行人高宽比分布规律和行人最小高度限制规律,将该每帧图像的二值化图像的各感兴趣区域的高宽比和其实际高度与其进行对比,将满足该过滤规则的感兴趣区域确定为对应帧图像的目标感兴趣区域。
本实施例提供的基于远红外线的图像处理方法,电子夜视控制装置通过采用预设的二值化处理方法获取红外图像序列中每帧图像的二值化图像,并确定每帧图像的二值化图像的感兴趣区域,再根据预设的过滤规则,从该每帧图像的二值化图像的感兴趣区域中确定每帧图像的目标感兴趣区域,从而滤除不满足预设宽高比范围和最小高度的感兴趣区域,从而得到最终的感兴趣区域,大大增加了夜视摄像机采集的图像检测结果的准确率。
由于每帧图像的二值分割过程中都是只通过水平线邻域像素的灰度统计特性对分割阈值进行求解,并没有对竖直方向像素间的联系进行分析,这样,如果连续多个水平邻域中的像素在亮目标内部,将会使得TL和TH相对较高,为了消除该二值图像中的噪声、填补弱连接区域,可以采用形态学腐蚀和膨胀运算来优化连通区域。
在一个是实施例中,在上述根据各所述像素点的灰度值和预设灰度阈值,对所述每帧图像进行二值化分割,得到所述每帧图像的二值化图像之后,所述方法还包括:对所述每帧图像的二值化图像进行图像腐蚀处理和膨胀处理,得到处理后的二值化图像;所述确定所述每帧图像的二值化图像的感兴趣区域,包括:确定所述每帧图像的处理后的二值化图像的感兴趣区域。
在上述实施例中,电子夜视控制装置根据各所述像素点的灰度值和预设灰度阈值,对所述每帧图像进行二值化分割,得到所述每帧图像的二值化图像之后,可以通过对每帧图像的二值化图像进行图像腐蚀处理和膨胀处理,例如:可以反复去除图形表面像素,将图形逐步缩小,以达到消去点状图形的效果,便于除去图像的噪声部分或将边缘的“毛刺”踢除掉,在进行腐蚀运算后,再将该图像进行膨胀处理,将图形表面不断扩散以达到支除小孔,使该图像的边缘扩大些或将边缘或者是内部的坑填掉。其中可以使用Matlab用imerode函数实现该图像腐蚀,本实施例中腐蚀和膨胀使用的算法不做限定。
在一些场景中,根据两个同类的物体之间的相似度比两个不同类的物体相似度高的原理,可以通过判断相似性达到预设阈值即可判断每帧图像的感兴趣区域中的对象为同一类别,在一个实施例中,如图5提供了一种基于远红外线的图像处理方法,本实施例涉及的是电子夜视控制装置确定所述每帧图像的目标感兴趣区域的目标类别的具体过程。如图5所示,该方法包括:
S401,提取所述每帧图像的目标感兴趣区域的方向梯度直方图特征。
本实施例中,基于上述实施例中确定的每帧图像的目标感兴趣区域,电子夜视控制装置可以提取该每帧图像的目标感兴趣区域中的方向梯度直方图特征,可以是通过计算和统计图像局部区域的梯度方向直方图来构成该特征,例如:首先将图像分成小的连通区域,这些连通区域被叫做细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图,最后把这些直方图组合起来,就可以构成特征描述符。可选地,还可以通过在在每帧图像中使用局部二值模式特征或者用方向梯度直方图特征+局部二值模式提取特征或者利用卷积神经网络进行提取特征。本实施例对该图像中特征的提取方式不做限定。
S402,采用预设的支持向量机,根据所述方向梯度直方图特征确定所述每帧图像的目标感兴趣区域的目标类别。
本实施例中,基于上述S401步骤中确定的方向梯度直方图特征,电子夜视控制装置通过预设的支持向量机对该每帧图像的目标感兴趣区域的目标类别,其中目标感兴趣区域的类别可以是行人,车辆,动物等。例如:判断该最终的目标感兴趣区域的目标类别是不是行人,可以用过判断最终的目标感兴趣区域和行人模板进行相似性比较来判断行人,其中该行人模板可以是根据实际情况预设的行人信息特征的集合。
可选地,上述S401步骤的一种可实现方式可以包括:采用所述支持向量机,根据所述方向梯度直方图特征确定各所述目标感兴趣区域中预测目标的概率值;将所述概率值最高的预测目标的类别确定为所述目标感兴趣区域的目标类别。在本实施例中,经过支持向量机对该每帧图像的目标感兴趣区域进行分类后,得到一个预测目标的概率值,其中该预测目标可以是上述步骤S302中所描述的行人,车辆,动物等,该预测目标的概率值可以是:行人,车辆,动物各自在目标感兴趣区域中的占比率。根据确定的各预测目标的概率值,该电子夜视控制装置将该概率值,即,占比率最高的预测目标确定为最终的目标类别。
本实施例提供的基于远红外线的图像处理方法,通过提取所述每帧图像的目标感兴趣区域的方向梯度直方图特征,并采用预设的支持向量机根据所述方向梯度直方图特征确定所述每帧图像的目标感兴趣区域的目标类别,经过支持向量机分类后,我们得到预测目标的一个概率值,通过里面概率值最大的确定为最终的目标类别,这样可以更加的细化前方目标具体的类别,大大增加了采集的图像检测结果的准确率。
由于本申请提供的基于远红外线的图像处理方法,可以应用于上述图1所示的车辆的夜视系统中,在经过本申请提供的基于远红外线的图像处理方法处理后的图像可以通过该夜视系统该结合车辆其他参数判断车辆行驶的安全性,例如可以在驾驶员注意力不集中时,或者由于速度快,转弯角度等原因,会撞到前方车辆或行人时,对车辆进行安全警醒。在一个实施例中,可选地,根据所述目标感兴趣区域的目标类别、车辆行驶速度及车辆角度对所述车辆进行预警处理。
其中,根据上述实施例中电子夜视控制装置确定的目标感兴趣区域的目标类别,该电子夜视装置获取该目标类别的信息,例如,该目标类别为行人时,该行人距离车辆的距离等,结合该车辆的行驶速度及车辆角度对该车辆进行预警处理。其中该车辆的行驶速度和车辆角度可以是通过在车辆上设置传感器,例如速度传感器和角度传感器获得,本实施例对车辆的行驶速度和角度的获取方式不做限定。其中上述对车辆进行预警处理,例如可以是:在行人离车辆的距离、车速、车的转变角度分别达到预设阈值时即表示达到预警状态,该预警状态可以是通过预警单元进行警醒,例如:蜂鸣器和液晶显示屏。其中液晶显示屏可以用标记显示给予视觉提醒,该标记显示可以是呈现人员轮廓、矩形框或闪烁红点显示等,根据预警状态的信息把识别到的行人呈现在液晶显示屏中。如若达到预设时长,驾驶员还未采取措施,蜂鸣器响起,蜂鸣器持续提醒驾驶员注意前方安全区域内有人员和动物,进行听觉提醒,另外,预警单元和广播声音开关连接,当蜂鸣器响起,声音通过开关自动关闭,在蜂鸣器响起时,车上的广播声音自动调低,以防对蜂鸣器干扰。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6为一实施例提供的一种基于远红外线的图像处理装置结构示意图,如图6所示,该装置包括:图像处理模块10、相似性处理模块11、完整性校正模块12。
图像处理模块10,用于对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域;所述红外图像序列为根据远红外线信号得到的图像序列;
相似性处理模块11,用于将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度;所述关联帧图像为所述当前帧图像之前的与所述当前帧图像相邻且连续的帧图像;
完整性校正模块12,用于根据所述相似度对所述每帧图像的目标感兴趣区域进行完整性校正。
上述实施例提供的基于远红外线的图像处理装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
可选地,上述完整性校正模块12具体用于若所述相似度小于预设阈值,则判断所述当前帧图像的目标感兴趣区域的数目是否小于所述关联帧图像的目标感兴趣区域的数目;若是,则根据所述关联帧图像的目标感兴趣区域对所述当前帧图像的目标感兴趣区域进行完整性校正。
在一个实施例中,如图7为一实施例提供的一种基于远红外线的图像处理装置结构示意图,如图7所示,上述图像处理模块10包括:获取单元101、确定单元102、过滤单元103。
获取单元101,用于采用预设的二值化处理方法,获取所述红外图像序列中每帧图像的二值化图像;
确定单元102,用于确定所述每帧图像的二值化图像的感兴趣区域;
过滤单元103,用于根据预设的过滤规则,从所述每帧图像的二值化图像的感兴趣区域中确定所述每帧图像的目标感兴趣区域。
上述实施例提供的基于远红外线的图像处理装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,上述获取单元101具体用于计算所述红外图像序列中每帧图像的各像素点的灰度值;根据各所述像素点的灰度值和预设灰度阈值,对所述每帧图像进行二值化分割,得到所述每帧图像的二值化图像。
在一个实施例中,上述过滤单元103具体用于判断所述每帧图像的二值化图像的各感兴趣区域是否满足所述过滤规则;所述过滤规则包括行人高宽比分布规律和行人最小高度限制规律;将满足所述过滤规则的感兴趣区域确定为对应帧图像的目标感兴趣区域。
在一个实施例中,在上述获取单元101根据各所述像素点的灰度值和预设灰度阈值,对所述每帧图像进行二值化分割,得到所述每帧图像的二值化图像之后,该装置还包括:腐蚀膨胀处理模块,用于对所述每帧图像的二值化图像进行图像腐蚀处理和膨胀处理,得到处理后的二值化图像;则上述确定单元102具体用于确定所述每帧图像的处理后的二值化图像的感兴趣区域。
上述实施例提供的基于远红外线的图像处理装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图8为一实施例提供的一种基于远红外线的图像处理装置结构示意图,如图8所示,该装置包括:提取模块13、确定模块14。
提取模块13,用于提取所述每帧图像的目标感兴趣区域的方向梯度直方图特征;
确定模块14,用于采用预设的支持向量机,根据所述方向梯度直方图特征确定所述每帧图像的目标感兴趣区域的目标类别。
上述实施例提供的基于远红外线的图像处理装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,上述确定模块14具体用于采用所述支持向量机,根据所述方向梯度直方图特征确定各所述目标感兴趣区域中预测目标的概率值;将所述概率值最高的预测目标的类别确定为所述目标感兴趣区域的目标类别。
在一个实施例中,该装置还包括预警模块,用于根据所述目标感兴趣区域的目标类别、车辆行驶速度及车辆角度对所述车辆进行预警处理。
上述实施例提供的基于远红外线的图像处理装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
关于基于远红外线的图像处理装置的具体限定可以参见上文中对于基于远红外线的图像处理方法的限定,在此不再赘述。上述基于远红外线的图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于远红外线的图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时用于实现以下的步骤:
对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域;所述红外图像序列为根据远红外线信号得到的图像序列;
将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度;所述关联帧图像为所述当前帧图像之前的与所述当前帧图像相邻且连续的帧图像;
根据所述相似度对所述每帧图像的目标感兴趣区域进行完整性校正。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域;所述红外图像序列为根据远红外线信号得到的图像序列;
将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度;所述关联帧图像为所述当前帧图像之前的与所述当前帧图像相邻且连续的帧图像;
根据所述相似度对所述每帧图像的目标感兴趣区域进行完整性校正。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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 (12)
1.一种基于远红外线的图像处理方法,其特征在于,所述方法包括:
对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域;所述红外图像序列为根据远红外线信号得到的图像序列;
将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度;所述关联帧图像为所述当前帧图像之前的与所述当前帧图像相邻且连续的帧图像;
根据所述相似度对所述每帧图像的目标感兴趣区域进行完整性校正。
2.根据权利要求1所述的方法,其特征在于,所述根据所述相似度对所述每帧图像的目标感兴趣区域进行完整性校正,包括:
若所述相似度小于预设阈值,则判断所述当前帧图像的目标感兴趣区域的数目是否小于所述关联帧图像的目标感兴趣区域的数目;
若是,则根据所述关联帧图像的目标感兴趣区域对所述当前帧图像的目标感兴趣区域进行完整性校正。
3.根据权利要求1或2所述的方法,其特征在于,所述对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域,包括:
采用预设的二值化处理方法,获取所述红外图像序列中每帧图像的二值化图像;
确定所述每帧图像的二值化图像的感兴趣区域;
根据预设的过滤规则,从所述每帧图像的二值化图像的感兴趣区域中确定所述每帧图像的目标感兴趣区域。
4.根据权利要求3所述的方法,其特征在于,所述采用预设的二值化处理方法,获取所述红外图像序列中每帧图像的二值化图像,包括:
计算所述红外图像序列中每帧图像的各像素点的灰度值;
根据各所述像素点的灰度值和预设灰度阈值,对所述每帧图像进行二值化分割,得到所述每帧图像的二值化图像。
5.根据权利要求4所述的方法,其特征在于,所述根据各所述像素点的灰度值和预设灰度阈值,对所述每帧图像进行二值化分割,得到所述每帧图像的二值化图像之后,所述方法还包括:
对所述每帧图像的二值化图像进行图像腐蚀处理和膨胀处理,得到处理后的二值化图像;
所述确定所述每帧图像的二值化图像的感兴趣区域,包括:
确定所述每帧图像的处理后的二值化图像的感兴趣区域。
6.根据权利要求3所述的方法,其特征在于,所述根据预设的过滤规则,从所述每帧图像的二值化图像的感兴趣区域中确定所述每帧图像的目标感兴趣区域,包括:
判断所述每帧图像的二值化图像的各感兴趣区域是否满足所述过滤规则;所述过滤规则包括行人高宽比分布规律和行人最小高度限制规律;
将满足所述过滤规则的感兴趣区域确定为对应帧图像的目标感兴趣区域。
7.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
提取所述每帧图像的目标感兴趣区域的方向梯度直方图特征;
采用预设的支持向量机,根据所述方向梯度直方图特征确定所述每帧图像的目标感兴趣区域的目标类别。
8.根据权利要求7所述的方法,其特征在于,所述采用预设的支持向量机,根据所述方向梯度直方图特征确定所述每帧图像的目标感兴趣区域的目标类别,包括:
采用所述支持向量机,根据所述方向梯度直方图特征确定各所述目标感兴趣区域中预测目标的概率值;
将所述概率值最高的预测目标的类别确定为所述目标感兴趣区域的目标类别。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
根据所述目标感兴趣区域的目标类别、车辆行驶速度及车辆角度对所述车辆进行预警处理。
10.一种基于远红外线的图像处理装置,其特征在于,所述装置包括:
图像处理模块,用于对红外图像序列进行图像处理,得到所述红外图像序列中每帧图像的目标感兴趣区域;所述红外图像序列为根据远红外线信号得到的图像序列;
相似性处理模块,用于将当前帧图像的目标感兴趣区域与关联帧图像的目标感兴趣区域进行相似性处理,得到相似度;所述关联帧图像为所述当前帧图像之前的与所述当前帧图像相邻且连续的帧图像;
完整性校正模块,用于根据所述相似度对所述每帧图像的目标感兴趣区域进行完整性校正。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811339288.XA CN109671090B (zh) | 2018-11-12 | 2018-11-12 | 基于远红外线的图像处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811339288.XA CN109671090B (zh) | 2018-11-12 | 2018-11-12 | 基于远红外线的图像处理方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109671090A true CN109671090A (zh) | 2019-04-23 |
CN109671090B CN109671090B (zh) | 2024-01-09 |
Family
ID=66142186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811339288.XA Active CN109671090B (zh) | 2018-11-12 | 2018-11-12 | 基于远红外线的图像处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109671090B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335285A (zh) * | 2019-07-08 | 2019-10-15 | 中国科学院自动化研究所 | 基于稀疏表示的sar图像目标标记方法、系统、装置 |
CN110442153A (zh) * | 2019-07-10 | 2019-11-12 | 佛山科学技术学院 | 一种被动式光学动捕系统摄像机校正控制方法及系统 |
CN110955243A (zh) * | 2019-11-28 | 2020-04-03 | 新石器慧通(北京)科技有限公司 | 行进控制方法、装置、设备、可读存储介质和移动装置 |
CN111145152A (zh) * | 2019-12-24 | 2020-05-12 | 上海联影智能医疗科技有限公司 | 图像检测方法、计算机设备和存储介质 |
CN111179302A (zh) * | 2019-12-27 | 2020-05-19 | 普联国际有限公司 | 一种运动目标检测方法、装置、存储介质及终端设备 |
CN112819988A (zh) * | 2020-12-25 | 2021-05-18 | 朗坤智慧科技股份有限公司 | 基于5g的无人机电站智能巡检方法、系统和网络侧服务端 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001357388A (ja) * | 2000-06-12 | 2001-12-26 | Oki Electric Ind Co Ltd | 道路監視装置 |
CN103198332A (zh) * | 2012-12-14 | 2013-07-10 | 华南理工大学 | 一种实时鲁棒的远红外车载行人检测方法 |
CN105574488A (zh) * | 2015-12-07 | 2016-05-11 | 北京航空航天大学 | 一种基于低空航拍红外图像的行人检测方法 |
CN106485733A (zh) * | 2016-09-22 | 2017-03-08 | 电子科技大学 | 一种在红外图像中跟踪感兴趣目标的方法 |
CN107657591A (zh) * | 2017-09-05 | 2018-02-02 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
CN108549864A (zh) * | 2018-04-12 | 2018-09-18 | 广州飒特红外股份有限公司 | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 |
-
2018
- 2018-11-12 CN CN201811339288.XA patent/CN109671090B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001357388A (ja) * | 2000-06-12 | 2001-12-26 | Oki Electric Ind Co Ltd | 道路監視装置 |
CN103198332A (zh) * | 2012-12-14 | 2013-07-10 | 华南理工大学 | 一种实时鲁棒的远红外车载行人检测方法 |
CN105574488A (zh) * | 2015-12-07 | 2016-05-11 | 北京航空航天大学 | 一种基于低空航拍红外图像的行人检测方法 |
CN106485733A (zh) * | 2016-09-22 | 2017-03-08 | 电子科技大学 | 一种在红外图像中跟踪感兴趣目标的方法 |
CN107657591A (zh) * | 2017-09-05 | 2018-02-02 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
CN108549864A (zh) * | 2018-04-12 | 2018-09-18 | 广州飒特红外股份有限公司 | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335285A (zh) * | 2019-07-08 | 2019-10-15 | 中国科学院自动化研究所 | 基于稀疏表示的sar图像目标标记方法、系统、装置 |
CN110442153A (zh) * | 2019-07-10 | 2019-11-12 | 佛山科学技术学院 | 一种被动式光学动捕系统摄像机校正控制方法及系统 |
CN110442153B (zh) * | 2019-07-10 | 2022-03-25 | 佛山科学技术学院 | 一种被动式光学动捕系统摄像机校正控制方法及系统 |
CN110955243A (zh) * | 2019-11-28 | 2020-04-03 | 新石器慧通(北京)科技有限公司 | 行进控制方法、装置、设备、可读存储介质和移动装置 |
CN110955243B (zh) * | 2019-11-28 | 2023-10-20 | 新石器慧通(北京)科技有限公司 | 行进控制方法、装置、设备、可读存储介质和移动装置 |
CN111145152A (zh) * | 2019-12-24 | 2020-05-12 | 上海联影智能医疗科技有限公司 | 图像检测方法、计算机设备和存储介质 |
CN111145152B (zh) * | 2019-12-24 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 图像检测方法、计算机设备和存储介质 |
CN111179302A (zh) * | 2019-12-27 | 2020-05-19 | 普联国际有限公司 | 一种运动目标检测方法、装置、存储介质及终端设备 |
CN111179302B (zh) * | 2019-12-27 | 2023-03-24 | 普联国际有限公司 | 一种运动目标检测方法、装置、存储介质及终端设备 |
CN112819988A (zh) * | 2020-12-25 | 2021-05-18 | 朗坤智慧科技股份有限公司 | 基于5g的无人机电站智能巡检方法、系统和网络侧服务端 |
Also Published As
Publication number | Publication date |
---|---|
CN109671090B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109671090A (zh) | 基于远红外线的图像处理方法、装置、设备和存储介质 | |
CN108460734B (zh) | 车辆驾驶员辅助模块进行图像呈现的系统和方法 | |
Hautière et al. | Towards fog-free in-vehicle vision systems through contrast restoration | |
CN104657735B (zh) | 车道线检测方法、系统、车道偏离预警方法及系统 | |
CN102197418B (zh) | 车辆周围监测装置 | |
CN107590470B (zh) | 一种车道线检测方法及装置 | |
KR102404149B1 (ko) | 물체 검출과 통지를 위한 운전자 보조 시스템 및 방법 | |
CN106980813A (zh) | 机器学习的注视生成 | |
US20100172543A1 (en) | Multiple object speed tracking system | |
CN107886034B (zh) | 行车提醒方法、装置及车辆 | |
JP2007288657A (ja) | 車両用表示装置、車両用表示装置の表示方法 | |
CN112364778A (zh) | 一种基于深度学习的电厂安全性行为信息自动检测方法 | |
JP2016196233A (ja) | 車両用道路標識認識装置 | |
JP2012027773A (ja) | 擬似濃淡画像生成装置及びプログラム | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN106778534A (zh) | 一种车辆行驶中周围环境灯光识别方法 | |
CN108873097B (zh) | 无人停车库中载车板停车时的安全检测方法及装置 | |
WO2016207749A1 (en) | A device and method of detecting potholes | |
JP4765113B2 (ja) | 車両周辺監視装置、車両、車両周辺監視用プログラム、車両周辺監視方法 | |
Gorintla et al. | Deep-learning-based intelligent PotholeEye+ detection pavement distress detection system | |
JPH0757200A (ja) | 走路認識装置および走路認識方法 | |
Li et al. | A fog level detection method based on grayscale features | |
JP4567072B2 (ja) | 車両周辺監視装置 | |
Guo et al. | Fast Defogging and Restoration Assessment Approach to Road Scene Images*. | |
TWI505706B (zh) | 應用近紅外線與遠紅外線之物體偵測方法、裝置以及其電腦可讀取記錄媒體 |
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 | ||
CB02 | Change of applicant information |
Address after: Floor 25, Block A, Zhongzhou Binhai Commercial Center Phase II, No. 9285, Binhe Boulevard, Shangsha Community, Shatou Street, Futian District, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Youjia Innovation Technology Co.,Ltd. Address before: 518051 410, Taibang science and technology building, Gaoxin South Sixth Road, Nanshan District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN MINIEYE INNOVATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |