CN109727274B - 视频处理方法 - Google Patents
视频处理方法 Download PDFInfo
- Publication number
- CN109727274B CN109727274B CN201811433589.9A CN201811433589A CN109727274B CN 109727274 B CN109727274 B CN 109727274B CN 201811433589 A CN201811433589 A CN 201811433589A CN 109727274 B CN109727274 B CN 109727274B
- Authority
- CN
- China
- Prior art keywords
- image
- differential
- signal
- gray
- processing method
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
公开了一种视频处理方法,用于提高动态目标在初始视频图像背景中的显著度,该方法包括:对初始视频中的第一图像集和第二图像集进行叠加差分运算得到差分图像;以及对差分图像进行连续的灰度变换迭代运算,当差分图像的信背比达到设定值时,停止迭代并输出结果图像,其中,差分图像包括信号区域和背景区域,动态目标位于信号区域内,信背比由信号区域的平均灰度值与背景区域的平均灰度值之比确定。对初始视频中的第一图像集和第二图像集进行叠加差分运算,得到平滑的差分图像以避免处理结果出现大量干扰像素点或虚假目标,对差分图像进行连续的灰度变换迭代运算,输出结果图像的目标信号及其显著,便于提取与识别的暗弱目标增强算法。
Description
技术领域
本发明涉及初始视频动态目标检测技术领域,特别涉及一种视频处理方法。
背景技术
随着计算机视觉研究的迅速发展,动态目标检测在智能交通、军事、刑侦等领域逐渐被广泛应用。传统的初始视频动态目标检测方法主要有帧间差分法、背景差分法和光流法。此外,众多学者提出了大量改进的初始视频动态目标检测方法,例如包括基于元胞自动机的动态背景动态目标检测算法、利用边缘信息的三帧差法与基于混合高斯模型的背景减法相结合的动态目标检测算法、基于帧差法的多波束前视声呐动态目标检测算法。然而上述初始视频动态目标检测方法所针对的目标大多为动态速度快、与背景对比度较高的大目标,当检测像元个数少、动态速度慢、与背景对比度低的暗弱目标时,利用上述检测方法的检测效果差,因此有必要进行目标增强处理。
目前常用的增强方法包括直方图均衡化、Retinex算法和同态滤波算法。然而,直方图均衡化是对整幅图像的像素点进行处理,增强目标的同时还增强了背景和噪声;Retinex算法计算量较大,容易出现光晕化现象,且噪声也会被放大;同态滤波算法计算量极大,且要针对不同场景设置不同的滤波器。因此,需要研究一种具有通用性、实时性的暗弱目标增强算法用于处理视频,来解决目前初始视频中的低速运动暗弱目标检测所存在的技术问题。
发明内容
鉴于上述问题,本发明的目的在于提供一种视频处理方法,从而解决上述技术问题。
根据本发明的一方面,提供一种视频处理方法,用于提高动态目标在初始视频图像背景中的显著度,包括:对所述初始视频中的第一图像集和第二图像集进行叠加差分运算得到差分图像;以及对所述差分图像进行连续的灰度变换迭代运算,当所述差分图像的信背比达到设定值时,停止迭代并输出结果图像,其中,所述差分图像包括信号区域和背景区域,所述动态目标位于所述信号区域内,所述信背比由所述信号区域的平均灰度值与所述背景区域的平均灰度值之比确定。
可选地,对所述第一图像集和第二图像集进行叠加差分运算得到差分图像的步骤包括:分别对所述第一图像集和所述第二图像集进行叠加平均处理,得到第一叠加图像和第二叠加图像;以及将所述第一叠加图像和所述第二叠加图像进行差分处理,得到所述差分图像。
可选地,分别对所述第一图像集和所述第二图像集进行叠加平均处理,得到第一叠加图像和第二叠加图像的步骤包括:在所述第一图像集中,将每个帧图像中对应像素点的灰度值累加之后除以所述第一图像集的图像帧数,得到所述第一叠加图像,在所述第二图像集中,将每个帧图像中对应像素点的灰度值累加之后除以所述第二图像集的图像帧数,得到所述第二叠加图像。
可选地,将所述第一叠加图像和所述第二叠加图像进行差分处理,得到所述差分图像的步骤包括:将所述第一叠加图像和所述第二叠加图像中对应像素点的灰度值相减并取绝对值得到所述差分图像。
可选地,所述初始视频包括可交叠的第一片段和第二片段,所述第一图像集选自所述第一片段,所述第二图像集选自所述第二片段,所述第一图像集和所述第二图像集包含的图像帧数相等。
可选地,视频处理方法还包括:选取多组所述第一图像集和所述第二图像集,并计算各组对应的所述差分图像的信背比;选择信背比最高的所述差分图像,并将其用于所述灰度变换迭代运算。
可选地,不同组的所述第一图像集和所述第二图像集所包含的图像帧数不同。
可选地,所述第一片段和所述第二片段分别包含s帧图像,选取多组所述第一图像集和所述第二图像集的步骤包括:选取s组所述第一图像集和所述第二图像集,在第i组中,所述第一图像集由所述第一片段中的第1至第i帧图像组成,所述第二图像集由所述第二片段中的第s至第s-i+1帧图像组成,其中s为非零自然数,i为非零且小于等于s的自然数。
可选地,所述第一图像集包括所述初始视频的连续帧图像,所述第二图像集包括所述初始视频的连续帧图像。
可选地,将所述差分图像进行连续的灰度变换迭代运算得到结果图像的步骤包括:对所述差分图像进行连续灰度变换迭代并计算图像灰度变换迭代后的信背比;根据所述设定值确定所述灰度变换迭代次数以得到所述结果图像。
可选地,所述灰度变换迭代运算包括:根据所述差分图像的最大灰度值对所述差分图像进行灰度拉伸;将所述灰度拉伸后的图像的灰度值减去所述灰度拉伸后图像的平均灰度值。
可选地,所述动态目标低速运动。
本发明提供的视频处理方法,首先对视频首尾的多帧图像进行叠加差分运算,得到平滑的差分图像以避免处理结果出现大量干扰像素点或虚假目标,然后进行灰度变换迭代,获得高信背比图像,所得结果的目标信号及其显著。因此本发明提出的通过连续多帧图像的叠加、差分及灰度变换迭代等手段,提高图像信背比、信噪比,增加目标信号显著程度,便于提取与识别的暗弱目标增强算法。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1a示出了初始视频中第1帧图像的示意图,图1b示出了初始视频中第n帧图像的示意图;
图2a示出现有技术中帧间差分法检测初始视频动态目标的检测结果示意图,图2b示出现有技术中背景差分法检测初始视频动态目标的检测结果示意图,图2c示出现有技术中光流法检测初始视频动态目标的检测结果示意图。
图3示出本发明实施例的视频处理方法的流程示意图。
图4a示出本发明实施例的视频处理方法中叠加差分步骤的流程示意图,图4b示出本发明实施例的视频处理方法中灰度变换迭代步骤的流程示意图。
图5a、5b示出本发明第一实施例的视频处理的运算结果示意图。
图6a、6b示出本发明第二实施例的视频处理的运算结果示意图。
图7a、7b示出本发明第三实施例的视频处理的运算结果示意图。
具体实施方式
以下将参照附图更详细地描述本发明的各种实施例。在各个附图中,相同的元件采用相同或类似的附图标记来表示。为了清楚起见,附图中的各个部分没有按比例绘制。
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
图1a示出了初始视频中第1帧图像的示意图,图1b示出了初始视频中第n帧图像的示意图。
如图1a、1b所示,分别示出一段初始视频起始帧图像和结束帧图像。该初始视频记录了低速运动暗弱目标的运动状态,该初始视频例如以墙体为背景,录制一段与墙体颜色基本相同的小球在空中进行低速移动的初始视频,以下所说的初始视频皆可以理解为该初始视频。该初始视频包括n(n为大于1的自然数)帧图像画面。图中所示低速运动的小球10在第1帧图像中的位置和在第n帧图像中的位置不同。
初始视频图像信号可以描述为:
f(x,y,k)=ft(x,y,k)+fb(x,y,k)+n(x,y,k) (1)
其中,常数k表示初始视频中的第k帧图像,f(x,y,k)表示第k帧图像中目标像素点(x,y)的灰度值,ft(x,y,k)、fb(x,y,k)和n(x,y,k)分别表示第k帧图像中该目标像素点的信号灰度值、背景灰度值和噪声灰度值。
在图像处理领域中,信噪比SNR可以表征图像的噪声状况,其计算方法为:
其中,μ1为信号灰度平均值,μ2为背景灰度平均值,σ为信号周围的噪声,σ一般采用灰度的标准差代替。
在图像处理领域,信背比SBR可以表征图像中目标所在区域的信号与背景的对比度状况,规定信背比SBR为目标的信号区域像素点的平均灰度值比上背景区域像素点的平均灰度值,其中信号区域像素点不含有背景灰度值,背景区域像素点不含有目标信号灰度值。
当目标像素点(x,y)属于信号区域时:
fS(x,y,k)=ft(x,y,k)+n(x,y,k) (3)
当目标像素点(x,y)属于背景区域时:
fB(x,y,k)=fb(x,y,k)+n(x,y,k) (4)
因此,信背比SBR的计算方法为:
与信噪比不同的是,由于灰度值的数值不代表绝对的大小,仅代表白色与黑色之间的灰度等级,因此信背比不存在正负之分,在进行计算时取其绝对值。当目标像素点的信号灰度值与背景灰度值相等时,信背比为0,信号与背景完全无法分辨。
其中,图中小球10与墙体颜色基本相同,因此根据上述表征图像中目标所在区域的信号与背景的对比度状况的信背比SBR的概念可知,图中小球(目标)10的信背比较低,小球(目标)10与墙体(背景)的对比度较低。其中经过计算,小球所在区域的信噪比SNR≈1.74,信背比SBR≈0.33。
针对如图1a、1b中示出的低信背比帧图像中的低速运动暗弱目标,如下为几种现有技术的检测方法对该初始视频中低速运动暗弱动态目标检测的结果和分析。
图2a示出现有技术中帧间差分法检测初始视频动态目标的检测结果示意图。图2b示出现有技术中背景差分法检测初始视频动态目标的检测结果示意图。图2c示出现有技术中光流法检测初始视频动态目标的检测结果示意图。
其中,表1示出几种现有技术的检测方法对图1初始视频中小球10的检测结果的信噪比和信背比的分布情况。
表1
帧间差分法 | 背景差分法 | 光流法 | |
SNR | 16.59 | 10.35 | 1.84 |
SBR | 1.12 | 3.73 | 0.38 |
如图2a所示,为帧间差分法的检测结果图像,其信噪比SNR≈16.59,信背比SBR≈1.12。由于小球运动速度缓慢,相邻两帧或者几十帧的图像都基本相同,各像素点的灰度值也基本相同,因此两帧图像作差后,所得图像为较为平滑的黑色图像,信噪比较高,然而两帧图像之间差分计算之后小球的信号也同样被消除,因此运动目标检测结果的信背比极低时,无法有效检测出图1中所示的低速运动暗弱目标信号。
如图2b所示,为背景差分法的检测结果图像,其信噪比SNR≈10.35,信背比SBR≈3.73。由于初始视频拍摄时受到颤振与光线变化的干扰,背景存在肉眼不可见的微弱变化,因此经计算得到的背景与图像中的背景存在一定差异,因此背景差分计算后所得图像背景与图2a相比不够平滑,信噪比稍低,而由于背景与目标信号灰度值差别极小,因此信背比较低,仍然无法有效检测出图1中所示的低速运动暗弱目标信号。
如图2c所示,为光流法的检测结果图像,其信噪比SNR≈1.84,信背比SBR≈0.38。在检测过程中,由于小球运动速度极慢,相邻帧图像难以检测到目标的光流变化,而背景区域中的像素点在某些时刻会发生微弱的灰度值变化,引起相邻帧图像的光流变化,导致某些时时刻出现大量虚假目标,因此该方法也无法有效检测出图1中所示的低速运动暗弱目标信号。
由此可见,现有技术中传统的初始视频动态目标检测方法在面对低速运动暗弱目标时,检测效果较差,往往无法检测到目标,或者检测到大量虚假目标。
当对图1中的低速运动暗弱目标进行检测时,使用传统的检测方法,往往无法检测到目标,或者检测到大量虚假目标,都没有达到很好的效果。因此本发明提出一种通过对多帧图像的叠加、差分及灰度变换迭代处理等手段,提高图像信背比、信噪比、增加目标信号与背景的对比度、便于提取与识别初始视频中低速运动暗弱目标的增强算法。
图3示出本发明实施例的视频处理方法的流程示意图。
如图3所示,本发明实施例提出的视频处理方法主要包括如下步骤:
步骤S10:对视频中的图像集进行叠加差分运算得到差分图像。具体地,图4a示出本发明实施例的视频处理方法中叠加差分步骤的流程示意图,该叠加差分步骤具体包括如下步骤:
步骤S11:截取原始视频的两个片段视频。该初始视频例如为图1中所提到的记录了小球低速运动状态的初始视频,其小球与背景基本相似,该初始视频中每帧图像的信背比极低。该初始视频包括连续的n帧图像,从原始视频中截取第一片段视频和第二片段视频,两个片段视频可以交叠或者不交叠。优选地,第一片段视频和第二片段视频的帧数均为s且二者不交叠,s为非零自然数,其中s小于等于n。
步骤S12:从两个片段视频中分别选取第一图像集和第二图像集。其中第一图像集和第二图像集的帧图像可以连续或者不连续,帧数可以相同或者不同。优选地,第一图像集和第二图像集的帧数均为m,其中m小于等于s,m为大于等于1的自然数。优选地,第一片段包括原始视频的前s帧图像,第二片段包括原始视频的后s帧图像,优选地,第一图像集例如包括初始视频中第1至第m帧图像,第二图像集例如包括初始视频中第(n-m+1)帧至第n帧图像。
以下视频处理的步骤皆以第一图像集包括初始视频中第1至第m帧图像,第二图像集例如包括初始视频中第(n-m+1)帧至第n帧图像为例进行说明,但是本发明的实施不限于此,即第一图像集和第二图像集帧数不同和/或帧数不连续的情况下,仍然可以按照下述视频处理步骤执行。
步骤S13:将第一图像集和第二图像集分别进行叠加平均,得到第一叠加图像和第二叠加图像。具体地,分别将第一图像集以及第二图像集中m帧图像中对应像素点的灰度值进行累加,然后除以m,得到第一叠加图像和第二叠加图像,第一叠加图像的灰度值和第二叠加图像的灰度值分别如下:
由于该初始视频的背景不变,且目标运动速度很慢,所以几十帧内可近似认为目标静止,仅存在颤振与光线变化。而灰度值只取整数,因此第一叠加图像和第二叠加图像更加平滑,并且减小了拍摄颤振与光线变化造成的影响。
步骤S14:将第一叠加图像和第二叠加图像进行差分处理得到差分图像。具体地,将第一叠加图像和第二叠加图像进行差分运算,即将两叠加图像中对应像素点的灰度值相减并取绝对值得到差分图像。差分图像的灰度值如下:
上述将该初始视频进行叠加差分运算之后获得差分图像。此时,两幅图像共有的背景区域几乎被完全削减,差分图像理论上仅存在目标在起始时刻和终止时刻的影像。但是由于拍摄颤振与光线变化造成的影响只能被减弱而不能完全消除,因此差分图像依旧可能存在大量干扰像素点,差分效果的好坏与叠加参数m有关,未得到加强效果最佳的结果图像,需要改变m的数值,获得信背比不同的差分图像,选择其中信背比最高的差分图像进行下一步操作。因此,优选地,可以在对差分图像进行灰度变换迭代之前得到信背比最高的差分图像。
执行步骤S15:计算差分图像的信背比。
步骤S16:判断叠加参数m是否等于s。执行该步骤以得到s组第一图像集和第二图像集,将其叠加差分运算之后得到对应的s组差分图像。
当m=n时,执行步骤S17:获取信背比最高的差分图像,并将其用于灰度变换迭代运算。在得到的所有差分图像中获取信背比最高的差分图像,该最优差分图像对应的m值为最优帧数。
当m≠n时,继续执行步骤S12。
步骤S20:将差分图像进行多次灰度变换迭代运算得到结果图像。具体地,图4b示出本发明实施例的视频处理方法中灰度交换迭代步骤的流程示意图,优选地,在得到最优差分图像时,对最优差分图像进行灰度交换迭代运算。
该灰度交换迭代步骤具体包括如下步骤:
步骤S21:对差分图像进行一次灰度变换迭代并计算图像灰度变换迭代后的信背比。
具体地,计算差分图像的最大灰度值Max,并根据最大灰度值将整幅差分图像进行灰度拉伸,拉伸后的图像的灰度值为:
由于背景区域被削减,其像素灰度值必小于目标区域像素灰度值,进而计算拉伸图像的平均灰度值Avg,并令所有像素点的灰度值减去拉伸图像的平均灰度值Avg,处理后的图像的灰度值为:
f(x,y)=fm(x,y)-Avg (10)
对差分图像进行上述拉伸和减去灰度平均值的处理之后,即完成了一次灰度变换迭代运算,计算经过灰度变换迭代处理之后的图像的信背比。
步骤S22:判断信背比是否达到设定值。该设定值可以是预先设定的期望的信背比值,该信背比例如可以有效的检测到初始视频中低速运动暗弱的目标。
当信背比达到设定值,则执行步骤S23:获得结果图像,该信背比对应的经过多次灰度变换迭代处理的图像即为本初始视频经过加强处理之后得到的结果图像。
当信背比未达到设定值,则继续进行灰度变换迭代处理。
该设定值的存在是为了在得到预期的结果图像之后可以及时暂停灰度变换迭代处理,降低了对视频处理时所需的时间,提高视频处理的效率。
本发明提出的视频处理方法,首先对视频首尾的多帧图像进行叠加差分运算,得到平滑的差分图像以避免处理结果出现大量干扰像素点或虚假目标,然后进行灰度变换迭代,获得高信背比图像,所得结果的目标信号及其显著。因此本发明提出的通过连续多帧图像的叠加、差分及灰度变换迭代等手段,提高图像信背比、信噪比,增加目标信号显著程度,便于提取与识别的暗弱目标增强算法。
图5a、5b示出本发明第一实施例的视频处理的运算结果示意图。图6a、6b示出本发明第二实施例的视频处理的运算结果示意图。图7a、7b示出本发明第三实施例的视频处理的运算结果示意图。
表2示出该初始视频中m取不同值时,各对应差分图像的信噪比和信背比分布状况。
表2
叠加差分参数 | m=1 | m=10 | m=35 | m=40 |
SNR | 9.82 | 7.79 | 8.97 | 12.96 |
SBR | 10.33 | 12.25 | 17.59 | 1.87 |
综上所述,对连续不同帧数图像的初始视频进行叠加差分运算,其得到的差分图像的信噪比相差不大且都能够令人满意,图像越平滑,信噪比越高。然而信噪比高的图像并不一定目标信号最为显著,因此,并不是选取的帧数m越大,处理效果越好,而是存在一个最优解,使差分图像的信背比最高。可以看出,本初始视频中35帧即为叠加差分处理时的最优解,超过35帧后差分图像的信背比反而会迅速减小。
其中上述三个实施例中,图a示出了初始视频中图像集经过叠加差分处理之后得到的差分图像,图b示出了将步骤一得到的差分图像进行多次灰度变换迭代处理之后得到的结果图像。
如图5a、5b所示,第一实施例中,在叠加差分运算时,叠加差分系数为35(该初始视频加强处理过程中的最优帧数),在灰度变换迭代运算时,迭代次数为20次。
如图6a、6b所示,第二实施例中,在叠加差分运算时,叠加差分系数为1,在灰度变换迭代运算时,迭代次数为20次。
如图7a、7b所示,第三实施例中,在叠加差分运算时,叠加差分系数为35(该初始视频加强处理过程中的最优帧数),在灰度变换迭代运算时,迭代次数为50次。
表3示出实施例一至三的结果图像的信噪比和信背比的分布。
表3
实施例一得到的结果图像的信噪比SNR≈9.18,信背比SBR≈19.44,目标信号显著,但背景同样存在少量干扰像素点。实施例二得到的结果图像的信噪比SNR≈13.05,信背比SBR≈23.01,目标信号显著,但是背景存在部分干扰像素点,干扰程度小于实施例一的结果图像。实施例三的信噪比SNR≈8.98,信背比SBR≈19.08,目标信号最为显著,然而背景存在干扰像素点,干扰程度大于第一实施例的结果图像。
虽然m=1得到的结果图像的信噪比与信背比都略高m=35(最优帧数)得到的结果图像,但是m=1得到的结果图像是在步骤一的结果中通过肉眼观察后根据经验选取出来的,实际操作中不可能每次都由人来进行此项工作。而m=35的结果图像是根据最高信背比选取出来的,其信噪比与信背比可以达到检测要求,更便于算法进行自主运算。
由于m=35(最优帧数)得到的结果图像存在较为明显的背景干扰像素点,可以看出,若不考虑背景干扰像素点的影响,差分图像的信背比越高、迭代次数越多,处理结果的局部信背比就越高,目标显著程度也越高,但消耗的时间会随迭代次数的增加而增加,因此在信背比达到设定值的前提下,应该尽量减少迭代次数以减少算法运行时间,提高算法的效率。
依照本发明的实施例如上文所述,这些实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施例。显然,根据以上描述,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (12)
2.根据权利要求1所述的视频处理方法,其特征在于,对所述第一图像集和第二图像集进行叠加差分运算得到差分图像的步骤包括:
分别对所述第一图像集和所述第二图像集进行叠加平均处理,得到第一叠加图像和第二叠加图像;以及
将所述第一叠加图像和所述第二叠加图像进行差分处理,得到所述差分图像。
3.根据权利要求2所述的视频处理方法,其特征在于,分别对所述第一图像集和所述第二图像集进行叠加平均处理,得到第一叠加图像和第二叠加图像的步骤包括:
在所述第一图像集中,将每个帧图像中对应像素点的灰度值累加之后除以所述第一图像集的图像帧数,得到所述第一叠加图像,
在所述第二图像集中,将每个帧图像中对应像素点的灰度值累加之后除以所述第二图像集的图像帧数,得到所述第二叠加图像。
4.根据权利要求2所述的视频处理方法,其特征在于,将所述第一叠加图像和所述第二叠加图像进行差分处理,得到所述差分图像的步骤包括:
将所述第一叠加图像和所述第二叠加图像中对应像素点的灰度值相减并取绝对值得到所述差分图像。
5.根据权利要求2所述的视频处理方法,其特征在于,所述初始视频包括可交叠的第一片段和第二片段,所述第一图像集选自所述第一片段,所述第二图像集选自所述第二片段,
所述第一图像集和所述第二图像集包含的图像帧数相等。
6.根据权利要求5所述的视频处理方法,其特征在于,还包括:
选取多组所述第一图像集和所述第二图像集,并计算各组对应的所述差分图像的信背比;
选择信背比最高的所述差分图像,并将其用于所述灰度变换迭代运算。
7.根据权利要求6所述的视频处理方法,其特征在于,不同组的所述第一图像集和所述第二图像集所包含的图像帧数不同。
8.根据权利要求7所述的视频处理方法,其特征在于,所述第一片段和所述第二片段分别包含s帧图像,
选取多组所述第一图像集和所述第二图像集的步骤包括:选取s组所述第一图像集和所述第二图像集,在第i组中,
所述第一图像集由所述第一片段中的第1至第i帧图像组成,
所述第二图像集由所述第二片段中的第s至第s-i+1帧图像组成,
其中s为非零自然数,i为非零且小于等于s的自然数。
9.根据权利要求1所述的视频处理方法,其特征在于,所述第一图像集包括所述初始视频的连续帧图像,所述第二图像集包括所述初始视频的连续帧图像。
10.根据权利要求1或6任一项所述的视频处理方法,其特征在于,将所述差分图像进行连续的灰度变换迭代运算得到结果图像的步骤包括:
对所述差分图像进行连续灰度变换迭代并计算图像灰度变换迭代后的信背比;
根据所述设定值确定所述灰度变换迭代次数以得到所述结果图像。
11.根据权利要求10所述的视频处理方法,其特征在于,所述灰度变换迭代运算包括:
根据所述差分图像的最大灰度值对所述差分图像进行灰度拉伸;
将所述灰度拉伸后的图像的灰度值减去所述灰度拉伸后图像的平均灰度值。
12.根据权利要求1所述的视频处理方法,其特征在于,所述动态目标低速运动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811433589.9A CN109727274B (zh) | 2018-11-28 | 2018-11-28 | 视频处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811433589.9A CN109727274B (zh) | 2018-11-28 | 2018-11-28 | 视频处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109727274A CN109727274A (zh) | 2019-05-07 |
CN109727274B true CN109727274B (zh) | 2023-04-28 |
Family
ID=66295155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811433589.9A Active CN109727274B (zh) | 2018-11-28 | 2018-11-28 | 视频处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109727274B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0493091A1 (en) * | 1990-12-27 | 1992-07-01 | Xerox Corporation | Method and system for embedding machine readable digital data in grayscale images |
CN101572820A (zh) * | 2009-05-11 | 2009-11-04 | 宁波海视智能系统有限公司 | 一种运动目标检测过程中的视频信号预处理方法 |
US7876947B2 (en) * | 2007-10-10 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for detecting tagged material using alpha matting |
CN101957309A (zh) * | 2010-08-17 | 2011-01-26 | 招商局重庆交通科研设计院有限公司 | 一种能见度的全天候视频测量方法 |
CN102184552A (zh) * | 2011-05-11 | 2011-09-14 | 上海理工大学 | 一种基于差分融合与图像边缘信息的运动目标检测方法 |
CN102480581A (zh) * | 2010-11-25 | 2012-05-30 | 夏普株式会社 | 图像处理装置、图像形成装置和图像处理方法 |
CN103903254A (zh) * | 2012-12-31 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种x光图像处理方法、系统及x光图像处理设备 |
CN104835178A (zh) * | 2015-02-02 | 2015-08-12 | 郑州轻工业学院 | 一种低信噪比运动小目标的跟踪与识别的方法 |
CN105447890A (zh) * | 2015-12-08 | 2016-03-30 | 南京航空航天大学 | 一种抗光照影响的运动车辆检测方法 |
CN107886086A (zh) * | 2017-12-01 | 2018-04-06 | 中国农业大学 | 一种基于图像视频的目标动物检测方法及装置 |
CN108171688A (zh) * | 2017-12-19 | 2018-06-15 | 浙江大学 | 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100574385C (zh) * | 2006-08-25 | 2009-12-23 | 比亚迪股份有限公司 | 一种cmos图像传感器的模拟图像信号处理方法及其电路 |
CN104103049B (zh) * | 2014-08-05 | 2017-02-22 | 成都信息工程学院 | 一种基于差分的弱小目标增强方法及装置 |
CN104700430A (zh) * | 2014-10-05 | 2015-06-10 | 安徽工程大学 | 机载显示器的运动检测方法 |
WO2017028029A1 (zh) * | 2015-08-14 | 2017-02-23 | 富士通株式会社 | 背景模型的提取方法、装置以及图像处理设备 |
CN105550999A (zh) * | 2015-12-09 | 2016-05-04 | 西安邮电大学 | 一种基于背景复用的视频图像增强处理方法 |
CN106600625A (zh) * | 2016-12-13 | 2017-04-26 | 广东沅朋网络科技有限公司 | 检测小型生物的图像处理方法及装置 |
CN106846359B (zh) * | 2017-01-17 | 2019-09-20 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
CN106991647B (zh) * | 2017-03-29 | 2019-07-19 | 华中科技大学 | 一种低信噪比图像重构方法和系统 |
CN107680076A (zh) * | 2017-08-23 | 2018-02-09 | 天津大学 | 基于显著性区域的立体图像舒适度对比度范围测量方法 |
CN108629792A (zh) * | 2017-08-23 | 2018-10-09 | 长安通信科技有限责任公司 | 基于背景建模与背景差分的激光目标检测方法和装置 |
CN108764358B (zh) * | 2018-05-31 | 2022-02-15 | 广东工业大学 | 一种太赫兹图像识别方法、装置、设备及可读存储介质 |
-
2018
- 2018-11-28 CN CN201811433589.9A patent/CN109727274B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0493091A1 (en) * | 1990-12-27 | 1992-07-01 | Xerox Corporation | Method and system for embedding machine readable digital data in grayscale images |
US7876947B2 (en) * | 2007-10-10 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for detecting tagged material using alpha matting |
CN101572820A (zh) * | 2009-05-11 | 2009-11-04 | 宁波海视智能系统有限公司 | 一种运动目标检测过程中的视频信号预处理方法 |
CN101957309A (zh) * | 2010-08-17 | 2011-01-26 | 招商局重庆交通科研设计院有限公司 | 一种能见度的全天候视频测量方法 |
CN102480581A (zh) * | 2010-11-25 | 2012-05-30 | 夏普株式会社 | 图像处理装置、图像形成装置和图像处理方法 |
CN102184552A (zh) * | 2011-05-11 | 2011-09-14 | 上海理工大学 | 一种基于差分融合与图像边缘信息的运动目标检测方法 |
CN103903254A (zh) * | 2012-12-31 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种x光图像处理方法、系统及x光图像处理设备 |
CN104835178A (zh) * | 2015-02-02 | 2015-08-12 | 郑州轻工业学院 | 一种低信噪比运动小目标的跟踪与识别的方法 |
CN105447890A (zh) * | 2015-12-08 | 2016-03-30 | 南京航空航天大学 | 一种抗光照影响的运动车辆检测方法 |
CN107886086A (zh) * | 2017-12-01 | 2018-04-06 | 中国农业大学 | 一种基于图像视频的目标动物检测方法及装置 |
CN108171688A (zh) * | 2017-12-19 | 2018-06-15 | 浙江大学 | 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
Lei Chen等.Nearly lossless HDR images compression by background image segmentation.《2016 IEEE International Conference on Signal and Image Processing (ICSIP)》.2017,第241-246页. * |
陆福星等.天基红外动目标检测系统的仿真和评估 .《红外技术》.2017,第451-456页,第462页. * |
Also Published As
Publication number | Publication date |
---|---|
CN109727274A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027395A (zh) | 手势识别方法、装置、终端设备及计算机可读存储介质 | |
CN104796582B (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
CN109977774B (zh) | 一种基于自适应卷积的快速目标检测方法 | |
CN108174057B (zh) | 一种利用视频图像帧间差异对画面快速降噪的方法及装置 | |
CN103955949B (zh) | 基于Mean-shift算法的运动目标检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN102281386A (zh) | 一种对视频图像进行自适应去噪的方法及装置 | |
CN105913455A (zh) | 基于局部图像增强的目标跟踪方法 | |
CN112508923B (zh) | 弱小目标检测方法 | |
CN107993254A (zh) | 基于关联帧差分法的运动目标检测方法 | |
CN108614998B (zh) | 一种单像素红外目标检测方法 | |
CN111260686B (zh) | 自适应余弦窗抗遮挡多特征融合的目标跟踪方法及系统 | |
CN115511907A (zh) | 一种用于led屏幕的划痕检测方法 | |
CN106780545A (zh) | 一种结合时空域的弱小目标能量累积增强方法 | |
CN109727274B (zh) | 视频处理方法 | |
CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 | |
Zhang et al. | Research on the License Plate Recognition based on MATLAB | |
Qin et al. | A shadow removal algorithm for ViBe in HSV color space | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
CN106951831B (zh) | 一种基于深度摄像机的行人检测跟踪方法 | |
CN113066077B (zh) | 火焰检测方法及装置 | |
Zhao et al. | An improved VIBE algorithm for fast suppression of ghosts and static objects | |
CN109033969B (zh) | 基于贝叶斯显著图计算模型的红外目标检测方法 | |
CN112926676A (zh) | 一种虚假目标识别方法、装置及计算机设备 | |
CN106952243A (zh) | Uuv近海面红外图像自适应归并直方图拉伸增强方法 |
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 |