CN109934296A - 一种基于红外和可见光图像多环境下水面人员识别方法 - Google Patents

一种基于红外和可见光图像多环境下水面人员识别方法 Download PDF

Info

Publication number
CN109934296A
CN109934296A CN201910205903.6A CN201910205903A CN109934296A CN 109934296 A CN109934296 A CN 109934296A CN 201910205903 A CN201910205903 A CN 201910205903A CN 109934296 A CN109934296 A CN 109934296A
Authority
CN
China
Prior art keywords
module
infrared
infrared image
visible images
visible light
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
Application number
CN201910205903.6A
Other languages
English (en)
Other versions
CN109934296B (zh
Inventor
陈浩
王思琪
王哲
李佳敏
杨晓飞
叶辉
朱志宇
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.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
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 Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN201910205903.6A priority Critical patent/CN109934296B/zh
Publication of CN109934296A publication Critical patent/CN109934296A/zh
Application granted granted Critical
Publication of CN109934296B publication Critical patent/CN109934296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及一种人员识别方法，具体地说，是一种基于红外和可见光图像多环境下水面人员识别方法。通过可见光图像预处理模块、可见光、红外图像切换模块、可见光图像识别模块、红外图像识别模块相结合，可见光图像预处理模块对可见光摄像机拍摄的图像进行分类，判断出识别环境，再由可见光、红外图像切换模块启动相匹配的图像识别模块，可见光图像识别可以很好的在视野开阔、清晰，无遮挡的环境下对水面人员进行识别；红外图像识别可以在大雾、大雨等恶劣环境下对水面人员进行识别，可见光和红外的结合使得识别环境的影响得到极大降低，而利用可见光、红外图像切换模块分工识别的方法极大的降低了对微处理器处理速度的要求。

Description

一种基于红外和可见光图像多环境下水面人员识别方法
技术领域
本发明涉及一种人员识别方法，具体地说，是一种基于红外和可见光图像多环境下水面人员识别方法。
背景技术
目前，水域人员失踪的情况是有发生，而常规管理部门或民间力量的搜索需要消耗大量的财力物力且搜索效率相对较低。而本发明涉及的一种基于红外和可见光图像多环境下水面人员识别方法可以运用到搜索无人机上，可以极大的提高人员搜索效率。
目前尚未有将红外和可见光结合的水面人员识别的专利发表，但很多专利利用图像融合的方法来进行识别，这种方法不仅复杂、实现难度大，而且对微处理器的要求很高。
雾、雨等恶劣天气对可见光图像识别产生的影响很大，而红外图像对比度相对较低，分辨细节能力较差，且无法实现较远距离的监控。
发明内容
为了解决上述技术问题，本发明通过可见光图像预处理模块、可见光、红外图像切换模块、可见光图像识别模块、红外图像识别模块相结合，可见光图像预处理模块对可见光摄像机拍摄的图像进行分类，判断出识别环境，再由可见光、红外图像切换模块启动相匹配的图像识别模块能有效识别出水中人员。
为了实现上述目的，本发明采用的具体技术方案如下：
一种基于红外和可见光图像多环境下水面人员识别方法，主要包括可见光图像预处理模块、可见光、红外图像切换模块、可见光图像识别模块、红外图像识别模块，所述可见光图像预处理模块利用ID3算法对可见光摄像机拍摄的图像进行分类，并将分类结果对应的指令传给所述可见光、红外图像切换模块，所述可见光、红外图像切换模块接收指令后启动所述可见光图像识别模块或所述红外图像识别模块，所述可见光图像识别模块或所述红外图像识别模块再利用K-means聚类分析的方法进行水面人员识别。
本发明进一步改进，所述ID3算法进行的分类过程为：
首先计算此分类系统的熵为：
类别S是变量，n是类别的总数，n的取值是C1，C2，…Cn，每一个类别出现的概率分别为P(C1)，P(C2)，…，P(Cn)；
然后利用多环境下的特征属性T来分类，从而得到特征属性T带来的信息增益为：
IG(T)＝Entropy(S)-Entropy(S/T)
Entropy(S/T)代表在特征属性T的条件下样本的条件熵；
从而得到分类系统的信息增益，其计算公式为：
其中S为全部样本集合，value(T)是属性T所有取值的集合，v是T的其中一个属性值，Sv是S中属性T的值为v的样例集合，|Sv|为Sv中所含样例数。
最后对算法迭代多次后信息增益最大的属性进行划分，实现图像的分类。
本发明进一步改进，所述可见光、红外图像切换模块，根据接收到可见光预处理模块发送的指令启动可见光识别模块或红外识别模块；若可见光预处理模块发送类别一所对应的指令，可见光、红外图像切换模块则启动可见光图像识别模块，若可见光预处理模块发送类别二所对应的指令，可见光、红外图像切换模块则启动红外图像识别模块。
本发明进一步改进，所述可见光图像识别模块、红外图像识别模块利用K-means聚类分析的方法对水面人员进行识别，其识别过程为：
1)根据实验结果提前设置SSE阈值；
2)随机选取K＝2个中心点；
3)对图像进行灰度处理；
4)遍历所有数据，将每个数据划分到最近的中心点中；
5)通过迭代重新计算中心点，当重新计算的中心点的位置变化不大(SSE小于设置的阈值时)时，得到水面有人员的结果，算法终止。
K-means聚类分析的原理公式为：
μi是第k个类的中心位置。
所述SSE是一个坐标下降的过程。设目标函数SSE如下：
SSE(c1，c2，…，ck)＝∑(x-c)2
采用欧式距离作为变量之间的聚类函数，每次朝一个变量ci的方向寻找最优解(求偏倒数)，然后令目标函数SSE(c1，c2，…，ck)＝∑(x-c)2＝0，可解得 其中m是ci所在的簇的元素的个数。求得的聚类的均值为当前方向的最优解(最小值)，与k-means的每一次迭代过程相同，这保证了SSE每一次迭代时，都会减小，最终收敛。
本发明的有益效果：通过可见光图像预处理模块、可见光、红外图像切换模块、可见光图像识别模块、红外图像识别模块相结合，可见光图像预处理模块对可见光摄像机拍摄的图像进行分类，判断出识别环境，再由可见光、红外图像切换模块启动相匹配的图像识别模块，可见光图像识别可以很好的在视野开阔、清晰，无遮挡的环境下对水面人员进行识别；红外图像识别可以在大雾、大雨等恶劣环境下对水面人员进行识别，可见光和红外的结合使得识别环境的影响得到极大降低，而利用可见光、红外图像切换模块分工识别的方法极大的降低了对微处理器处理速度的要求。
附图说明
图1是本发明的方法实现框图；
图2是K-means聚类分析方法的实现框图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
如图1所示，通过计算机建立可见光图像预处理模块、可见光、红外图像切换模块、可见光图像识别模块、红外图像识别模块进行人员识别；可见光图像预处理模块利用ID3算法对可见光摄像机拍摄的图像进行分类，并将分类结果对应的指令传给可见光、红外图像切换模块，若指令为类别一所指，则可见光、红外图像切换模块启动可见光识别模块，若指令为类别二所指，则可见光、红外图像切换模块启动红外识别模块，对应图形识别模块再利用K-means聚类分析的方法进行水面人员识别。
本实施例中，利用ID3算法进行分类的过程为：
首先计算此分类系统的熵为：
类别S是变量，n是类别的总数，n的取值是C1，C2，…Cn，每一个类别出现的概率分别为P(C1)，P(C2)，…，P(Cn)；
然后利用多环境下的特征属性T来分类，从而得到特征属性T带来的信息增益为：
IG(T)＝Entropy(S)-Entropy(S/T)
Entropy(S/T)代表在特征属性T的条件下样本的条件熵；
从而得到分类系统的信息增益，其计算公式为：
其中S为全部样本集合，value(T)是属性T所有取值的集合，v是T的其中一个属性值，Sv是S中属性T的值为v的样例集合，|Sv|为Sv中所含样例数。
最后对算法迭代多次后信息增益最大的属性进行划分，实现图像的分类。
如图2所示，本实施例中，利用K-means聚类分析方法进行水面人员识别过程为：
1)根据实验结果提前设置SSE阈值；
2)随机选取K＝2个中心点；
3)对图像进行灰度处理；
4)遍历所有数据，将每个数据划分到最近的中心点中；
5)通过迭代重新计算中心点，当重新计算的中心点的位置变化不大(SSE小于设置的阈值时)时，得到水面有人员的结果，算法终止。K-means聚类分析的原理公式为：
μi是第k个类的中心位置。
所述SSE是一个坐标下降的过程。设目标函数SSE如下：
SSE(c1，c2，…，ck)＝∑(x-c)2
采用欧式距离作为变量之间的聚类函数，每次朝一个变量ci的方向寻找最优解(求偏倒数)，然后令目标函数SSE(c1，c2，…，ck)＝∑(x-c)2＝0，可解得 其中m是ci所在的簇的元素的个数。求得的聚类的均值为当前方向的最优解(最小值)，与k-means的每一次迭代过程相同，这保证了SSE每一次迭代时，都会减小，最终收敛。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化状态改进，这些变化和改进都在要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于红外和可见光图像多环境下水面人员识别方法，其特征在于，主要包括可见光图像预处理模块、可见光、红外图像切换模块、可见光图像识别模块、红外图像识别模块，所述可见光图像预处理模块利用ID3算法对可见光摄像机拍摄的图像进行分类，并将分类结果对应的指令传给所述可见光、红外图像切换模块，所述可见光、红外图像切换模块接收指令后启动所述可见光图像识别模块或所述红外图像识别模块，所述可见光图像识别模块或所述红外图像识别模块再利用K-means聚类分析的方法进行水面人员识别。
2.根据权利要求1所述的一种基于红外和可见光图像多环境下水面人员识别方法，其特征在于，所述ID3算法进行的分类过程为：
首先计算此分类系统的熵为：
类别S是变量，n是类别的总数，n的取值是C1，C2，…Cn，每一个类别出现的概率分别为P(C1)，P(C2)，…，P(Cn)；
然后利用多环境下的特征属性T来分类，从而得到特征属性T带来的信息增益为：
IG(T)＝Entropy(S)–Entropy(S|T)
Entropy(S|T)代表在特征属性T的条件下样本的条件熵；
从而得到分类系统的信息增益，其计算公式为：
其中S为全部样本集合，value(T)是属性T所有取值的集合，v是T的其中一个属性值，Sv是S中属性T的值为v的样例集合，|Sv|为Sv中所含样例数。
最后对算法迭代多次后信息增益最大的属性进行划分，实现图像的分类。
3.根据权利要求1所述的一种基于红外和可见光图像多环境下水面人员识别方法，其特征在于，所述可见光、红外图像切换模块，根据接收到可见光预处理模块发送的指令启动可见光识别模块或红外识别模块；若可见光预处理模块发送类别一所对应的指令，可见光、红外图像切换模块则启动可见光图像识别模块，若可见光预处理模块发送类别二所对应的指令，可见光、红外图像切换模块则启动红外图像识别模块。
4.根据权利要求1所述的一种基于红外和可见光图像多环境下水面人员识别方法，其特征在于，所述可见光图像识别模块、红外图像识别模块利用K-means聚类分析的方法对水面人员进行识别，其识别过程为：
1)根据实验结果提前设置SSE阈值；
2)随机选取K＝2个中心点；
3)对图像进行灰度处理；
4)遍历所有数据，将每个数据划分到最近的中心点中；
5)通过迭代重新计算中心点，当重新计算的中心点的位置变化不大(SSE小于设置的阈值时)时，得到水面有人员的结果，算法终止。
K-means聚类分析的原理公式为：
μi是第k个类的中心位置。
5.根据权利要求4所述的一种基于红外和可见光图像多环境下水面人员识别方法，其特征是：所述SSE是一个坐标下降的过程。设目标函数SSE如下：
SSE(c1，c2，…，ck)＝∑(x-c)2
采用欧式距离作为变量之间的聚类函数，每次朝一个变量ci的方向寻找最优解(求偏倒数)，然后令目标函数SSE(c1，c2，…，ck)＝∑(x-c)2＝0，可解得 其中m是ci所在的簇的元素的个数。求得的聚类的均值为当前方向的最优解(最小值)，与k-means的每一次迭代过程相同，这保证了SSE每一次迭代时，都会减小，最终收敛。
CN201910205903.6A 2019-03-18 2019-03-18 一种基于红外和可见光图像多环境下水面人员识别方法 Active CN109934296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910205903.6A CN109934296B (zh) 2019-03-18 2019-03-18 一种基于红外和可见光图像多环境下水面人员识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910205903.6A CN109934296B (zh) 2019-03-18 2019-03-18 一种基于红外和可见光图像多环境下水面人员识别方法

Publications (2)

Publication Number Publication Date
CN109934296A true CN109934296A (zh) 2019-06-25
CN109934296B CN109934296B (zh) 2023-04-07

Family

ID=66987588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910205903.6A Active CN109934296B (zh) 2019-03-18 2019-03-18 一种基于红外和可见光图像多环境下水面人员识别方法

Country Status (1)

Country Link
CN (1) CN109934296B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831379A (zh) * 2011-06-14 2012-12-19 汉王科技股份有限公司 人脸图像识别方法及装置
CN104239845A (zh) * 2013-06-15 2014-12-24 广州飒特红外股份有限公司 基于红外热成像技术的双视智能图像识别和目标定位方法
CN105913040A (zh) * 2016-04-27 2016-08-31 重庆邮电大学 暗视觉条件下的双摄像头实时行人检测系统
CN105975929A (zh) * 2016-05-04 2016-09-28 北京大学深圳研究生院 一种基于聚合通道特征的快速行人检测方法
CN106682684A (zh) * 2016-11-23 2017-05-17 天津津航计算技术研究所 一种基于k均值聚类的目标识别方法
CN107464252A (zh) * 2017-06-30 2017-12-12 南京航空航天大学 一种基于混合特征的可见光与红外异源图像识别方法
CN108197225A (zh) * 2017-12-28 2018-06-22 广东欧珀移动通信有限公司 图像的分类方法、装置、存储介质及电子设备
CN108364003A (zh) * 2018-04-28 2018-08-03 国网河南省电力公司郑州供电公司 基于无人机可见光及红外图像融合的电力巡检方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831379A (zh) * 2011-06-14 2012-12-19 汉王科技股份有限公司 人脸图像识别方法及装置
CN104239845A (zh) * 2013-06-15 2014-12-24 广州飒特红外股份有限公司 基于红外热成像技术的双视智能图像识别和目标定位方法
CN105913040A (zh) * 2016-04-27 2016-08-31 重庆邮电大学 暗视觉条件下的双摄像头实时行人检测系统
CN105975929A (zh) * 2016-05-04 2016-09-28 北京大学深圳研究生院 一种基于聚合通道特征的快速行人检测方法
CN106682684A (zh) * 2016-11-23 2017-05-17 天津津航计算技术研究所 一种基于k均值聚类的目标识别方法
CN107464252A (zh) * 2017-06-30 2017-12-12 南京航空航天大学 一种基于混合特征的可见光与红外异源图像识别方法
CN108197225A (zh) * 2017-12-28 2018-06-22 广东欧珀移动通信有限公司 图像的分类方法、装置、存储介质及电子设备
CN108364003A (zh) * 2018-04-28 2018-08-03 国网河南省电力公司郑州供电公司 基于无人机可见光及红外图像融合的电力巡检方法及装置

Also Published As

Publication number Publication date
CN109934296B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN107153817B (zh) 行人重识别数据标注方法和装置
CN111626371B (zh) 一种图像分类方法、装置、设备及可读存储介质
Rao et al. Multi-pose facial expression recognition based on SURF boosting
CN106951856A (zh) 表情包提取方法及装置
CN109145742A (zh) 一种行人识别方法及系统
CN105718889A (zh) 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法
CN108764096B (zh) 一种行人重识别系统和方法
Kortli et al. A novel face detection approach using local binary pattern histogram and support vector machine
Yang et al. Single shot multibox detector with kalman filter for online pedestrian detection in video
CN112613480A (zh) 一种人脸识别方法、系统、电子设备及存储介质
Ma et al. Random projection-based partial feature extraction for robust face recognition
Yuen et al. On looking at faces in an automobile: Issues, algorithms and evaluation on naturalistic driving dataset
Mady et al. Efficient real time attendance system based on face detection case study “MEDIU staff”
CN113887494A (zh) 用于嵌入式平台的实时高精度人脸检测识别系统
CN116386118B (zh) 一种基于人像识别的粤剧匹配化妆系统及其方法
CN114663985A (zh) 人脸静默活体检测方法、装置、可读存储介质及设备
CN115601791B (zh) 基于Multiformer及离群样本重分配的无监督行人重识别方法
CN109934296A (zh) 一种基于红外和可见光图像多环境下水面人员识别方法
Vázquez et al. A new image division for LBP method to improve face recognition under varying lighting conditions
CN115457595A (zh) 人脸与人体的关联方法、电子设备以及存储介质
CN114266713A (zh) 基于NonshadowGAN的无人机铁路扣件图像阴影去除方法及系统
Paczolay et al. Wlab of university of szeged at lifeclef 2014 plant identification task
CN111209863B (zh) 一种活体模型训练和人脸活体检测方法、装置和电子设备
Quraishi et al. A novel approach for face detection using artificial neural network
CN113850166A (zh) 一种基于卷积神经网络的船舶图像识别方法及系统

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Yang Xiaofei

Inventor after: Chen Hao

Inventor after: Wang Siqi

Inventor after: Wang Zhe

Inventor after: Li Jiamin

Inventor after: Ye Hui

Inventor after: Zhu Zhiyu

Inventor before: Chen Hao

Inventor before: Wang Siqi

Inventor before: Wang Zhe

Inventor before: Li Jiamin

Inventor before: Yang Xiaofei

Inventor before: Ye Hui

Inventor before: Zhu Zhiyu

GR01 Patent grant
GR01 Patent grant