CN110033425A - 干扰区域检测装置及方法、电子设备 - Google Patents
干扰区域检测装置及方法、电子设备 Download PDFInfo
- Publication number
- CN110033425A CN110033425A CN201810021654.0A CN201810021654A CN110033425A CN 110033425 A CN110033425 A CN 110033425A CN 201810021654 A CN201810021654 A CN 201810021654A CN 110033425 A CN110033425 A CN 110033425A
- Authority
- CN
- China
- Prior art keywords
- pixel
- score
- present frame
- frame
- value
- 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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种干扰区域检测装置及方法、电子设备,根据监控图像规定区域内的灰度值分布确定灰度参考值并根据该灰度参考值对像素进行评分,根据评分的结果确定干扰区域,能够在监控场景发生变化或监控摄像头发生抖动的情况下,实时且准确的检测干扰区域,与现有的事件检测系统具有良好的兼容性,能够辅助用于各种事件的检测,且计算量小。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种干扰区域检测装置及方法、电子设备。
背景技术
随着城市交通状况的复杂化,对交通状况的监视和控制需求日益普遍。在视频监控领域,对于遗留物的检测是很多事件检测应用的基础,例如,违法停车检测、掉落物体检测、道路侵入检测等。大部分遗留物检测的算法基于不同的背景模型。然而,现实场景的变化将导致误检测,尤其在例如道路标志、电线杆、广告牌、道路边界这些干扰区域,误检测的程度更为严重。
现有的道路检测算法可以分为两种:基于特征的算法和基于模型的算法,其中,基于特征的算法基于颜色特征、宽度和边缘,将每个像素标记为线条区域或非线条区域;基于模型的算法基于模型检测线条,其首先提取图像块特征,然后与预先定义的模型进行匹配,该方法对于噪声不敏感。
应该注意,上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明,并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
发明人发现,上述现有的道路检测方法中,基于特征的算法要求参考图像足够清晰且道路中没有其他物体,而基于模型的算法,其模型一般只包含直线模型和曲线模型,对于具有各种形状的道路标志等干扰区域,其检测效果较差。并且,这些算法一般只在监控开始的阶段进行检测,当监控视频的图像不清晰时,其检测效果较差,另外,当监控场景发生变化或监控摄像头发生抖动时,道路检测结果不可靠。而如果实时进行该道路检测,将在很大程度上增加系统处理的时间和负担。
本发明实施例提供一种干扰区域检测装置及方法、电子设备,根据监控图像规定区域内的灰度值分布确定灰度参考值并根据该灰度参考值对像素进行评分,根据评分的结果确定干扰区域,能够在监控场景发生变化或监控摄像头发生抖动的情况下,实时且准确的检测干扰区域,与现有的事件检测系统具有良好的兼容性,能够辅助用于各种事件的检测,且计算量小。
根据本发明实施例的第一方面,提供一种干扰区域检测装置,所述装置包括:第一确定单元,其用于确定监控视频的当前帧的前景区域;第二确定单元,其用于根据所述当前帧中规定区域内的灰度值分布确定参考灰度值;更新单元,其用于对于在所述规定区域内且不属于前景点的每个像素,根据所述像素的灰度值与所述参考灰度值的差值以及所述像素在所述当前帧的前一帧的分数,更新所述像素在当前帧的分数;第三确定单元,其用于根据所述当前帧中各个像素在当前帧的分数,确定干扰区域。
根据本发明实施例的第二方面,提供一种电子设备,包括根据本发明实施例的第一方面所述的干扰区域检测装置。
根据本发明实施例的第三方面,提供一种干扰区域检测方法,所述方法包括:确定监控视频的当前帧的前景区域;根据所述当前帧中规定区域内的灰度值分布确定参考灰度值;对于在所述规定区域内且不属于前景点的每个像素,根据所述像素的灰度值与所述参考灰度值的差值以及所述像素在所述当前帧的前一帧的分数,更新所述像素在当前帧的分数;根据所述当前帧中各个像素在当前帧的分数,确定干扰区域。
本发明的有益效果在于:根据监控图像规定区域内的灰度值分布确定灰度参考值并根据该灰度参考值对像素进行评分,根据评分的结果确定干扰区域,能够在监控场景发生变化或监控摄像头发生抖动的情况下,实时且准确的检测干扰区域,与现有的事件检测系统具有良好的兼容性,能够辅助用于各种事件的检测,且计算量小。
参照后文的说明和附图,详细公开了本发明的特定实施方式,指明了本发明的原理可以被采用的方式。应该理解,本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内,本发明的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在,但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解,其构成了说明书的一部分,用于例示本发明的实施方式,并与文字描述一起来阐释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1本发明实施例1的干扰区域检测方法的示意图;
图2是本发明实施例1的确定参考灰度值的方法的示意图;
图3是本发明实施例1的当前帧的示意图;
图4是本发明实施例1的规定区域内的前景区域以外区域的灰度值的直方图;
图5是本发明实施例1的对于在该规定区域内且不属于前景点的每个像素确定其分数的方法的示意图;
图6是本发明实施例1的场景1的当前帧的示意图;
图7是图6所示图像的检测结果图像;
图8是本发明实施例1的场景2的当前帧的示意图;
图9是图8所示图像的检测结果图像;
图10是本发明实施例1的场景3的当前帧的示意图;
图11是图10所示图像的检测结果图像;
图12是本发明实施例2的误检测去除方法的示意图;
图13是与图8为同一监控视频的不同帧的示意图;
图14是图13所示图像的检测结果图像;
图15是图13中候选区域4的第一梯度图像和第二梯度图像重合的示意图;
图16是本发明实施例2的道路标志检测方法的示意图;
图17是本发明实施例4的干扰区域检测装置的示意图;
图18是本发明实施例4的第二确定单元1702的示意图;
图19是本发明实施例4的更新单元1703的示意图;
图20是本发明实施例4的第三确定单元1704的示意图;
图21是本发明实施例5的电子设备的示意图;
图22是本发明实施例5的电子设备的系统构成的一示意框图。
具体实施方式
参照附图,通过下面的说明书,本发明的前述以及其它特征将变得明显。在说明书和附图中,具体公开了本发明的特定实施方式,其表明了其中可以采用本发明的原则的部分实施方式,应了解的是,本发明不限于所描述的实施方式,相反,本发明包括落入所附权利要求的范围内的全部修改、变型以及等同物。
实施例1
本发明实施例提供一种干扰区域检测方法。图1本发明实施例1的干扰区域检测方法的示意图。如图1所示,该方法包括:
步骤101:确定监控视频的当前帧的前景区域;
步骤102:根据该当前帧中规定区域内的灰度值分布确定参考灰度值;
步骤103:对于在该规定区域内且不属于前景点的每个像素,根据该像素的灰度值与该参考灰度值的差值以及该像素在当前帧的前一帧的分数,更新该像素在当前帧的分数;
步骤104:根据该当前帧中各个像素在当前帧的分数,确定干扰区域。
由上述实施例可知,根据监控图像规定区域内的灰度值分布确定灰度参考值并根据该灰度参考值对像素进行评分,根据评分的结果确定干扰区域,能够在监控场景发生变化或监控摄像头发生抖动的情况下,实时且准确的检测干扰区域,与现有的事件检测系统具有良好的兼容性,能够辅助用于各种事件的检测,且计算量小。
在本实施例中,该监控视频可以通过安装在需要监测区域上方的摄像头获得。
在本实施例中,该监控视频可以具有与时间相关的连续的多个帧,对多个帧逐个进行检测。
在步骤101中,确定监控视频的当前帧的前景区域可以使用现有方法,例如,高斯背景模型法,维伯(Vibe)算法、帧差异算法等。在本实施例中,使用彩色背景模型法来同时检测运动前景和遗留前景。
在本实施例中,前景区域内的像素点可以称为前景点。
在步骤102中,根据该当前帧中规定区域内的灰度值分布确定参考灰度值。
在本实施例中,该规定区域可以是感兴趣区域(Region of Interest,ROI),例如,ROI区域为道路所在的区域。
在本实施例中,该参考灰度值可以是底色的灰度值,例如,是路面颜色的灰度值。
下面对本实施例获得该参考灰度值的方法进行示例性的说明。
图2是本发明实施例1的确定参考灰度值的方法的示意图。如图2所示,该方法包括:
步骤201:获取该规定区域内的前景区域以外区域的灰度值的直方图;
步骤202:按照预设步长对该直方图的每个窗口内的像素进行计数;
步骤203:确定具有最大数量像素的窗口;
步骤204:将该具有最大数量像素的窗口内的像素数量最大的点所对应的灰度值作为该参考灰度值。
在本实施例中,该预设步长小于窗口的宽度,该预设步长和窗口的宽度可以根据实际情况而设定。
图3是本发明实施例1的当前帧的示意图。如图3所示,区域1表示ROI区域,区域2表示前景区域。
图4是本发明实施例1的规定区域内的前景区域以外区域的灰度值的直方图。如图4所示,横坐标为灰度值(0~255),纵坐标为具有该灰度值的像素数量。按照预定的步长step对每个窗口win 1,win 2,……,win n中的像素进行计数,确定具有最大数量像素的窗口win max,该窗口win max内的像素数量最大的点(纵坐标上的最高点)对应的灰度值即为参考灰度值thres。
这样,通过上述步骤201~204,能够保证参考灰度值的准确性。
在步骤103中,对于在该规定区域内且不属于前景点的每个像素,根据该像素的灰度值与该参考灰度值的差值以及该像素在当前帧的前一帧的分数,更新该像素在当前帧的分数。
在本实施例中,当处理监控视频的第一帧图像之前,对于各个像素可以设置一个初始的分数,例如,初始的分数是0。
例如,当该差值大于等于0且小于等于该灰度参考值时,将该像素在当前帧的前一帧的分数减去预设的分数,获得该像素在当前帧的分数;当该差值大于该参考灰度值且小于等于255时,将该像素在当前帧的前一帧的分数加上预设的分数,获得该像素在当前帧的分数。
在本实施例中,该预设的分数可以根据实际情况而设定。例如,
当该差值是0至第一阈值t1之间的数值时,将该述像素在当前帧的前一帧的分数减去2,获得该像素在当前帧的分数;
当该差值是第一阈值t1至该参考灰度值thres之间的数值时,将该像素在当前帧的前一帧的分数减去1,获得该像素在当前帧的分数;
当该差值是该参考灰度值thres至第二阈值t2之间的数值时,将该像素在当前帧的前一帧的分数加上1,获得该像素在当前帧的分数;
当该差值是第二阈值t2至255之间的数值时,将该像素在当前帧的前一帧的分数加上2,获得该像素在当前帧的分数。
在本实施例中,各个像素灰度值的最大范围是0~255,第一阈值t1为0~thres的数值,第二阈值t2为thres~255的数值,其具体数值可以根据实际情况而设定。
例如,可以根据以下的公式(1)计算在该规定区域内且不属于前景点的每个像素的分数:
其中,(x,y)表示该规定区域内且不属于前景点的像素P(x,y)所在的位置,SCORE(x,y)表示该像素P(x,y)在当前帧的分数,score(x,y)表示该像素P(x,y)在前一帧的分数,D表示该像素P(x,y)的灰度值与参考灰度值thres的差值,t1表示第一阈值,t2表示第二阈值。
图5是本发明实施例1的对于在该规定区域内且不属于前景点的每个像素确定其分数的方法的示意图。如图5所示,该方法包括:
步骤501:计算该像素的灰度值与参考灰度值的差值的绝对值D;
步骤502:判断是否|D|∈[0,t1],当判断结果为“是”时,进入步骤503,当判断结果为“否”时,进入步骤504;
步骤503:SCORE(x,y)=score(x,y)-2;
步骤504:判断是否|D|∈(t1,thres],当判断结果为“是”时,进入步骤505,当判断结果为“否”时,进入步骤506;
步骤505:SCORE(x,y)=score(x,y)-1;
步骤506:判断是否|D|∈(thres,t2),当判断结果为“是”时,进入步骤507,当判断结果为“否”时,进入步骤508;
步骤507:SCORE(x,y)=score(x,y)+1;
步骤508:判断是否|D|∈[t2,255],当判断结果为“是”时,进入步骤509,当判断结果为“否”时,进入步骤510;
步骤509:SCORE(x,y)=score(x,y)+2;
步骤510:输出SCORE(x,y)。
在本实施例中,对于在该规定区域内且不属于前景点的每个像素都重复上述步骤501~510,从而获得在该规定区域内且不属于前景点的所有像素的分数。
在步骤104中,根据该当前帧中各个像素在当前帧的分数,确定干扰区域。
例如,对于当前帧中的各个像素,在该规定区域内且不属于前景点的像素的分数经过了更新,而其他像素的分数没有经过更新,即仍然保持该像素在前一帧的分数。假设当前帧的尺寸为m×n,m,n分别为当前帧长度和宽度上的像素数量,则当前帧所有像素在当前帧的分数构成一个m×n的分数矩阵。
然后,将当前帧中各个像素在当前帧的分数作为各个像素的灰度值,构成当前帧的检测结果图像。
在本实施例中,对监控视频的多个连续的帧逐个进行干扰区域检测,对于每个帧的检测都将更新该分数矩阵。因此,即使监控的场景发生变化,也能够快速的针对新的场景更新各个像素的分数,保证了检测结果的准确性。
图6是本发明实施例1的场景1的当前帧的示意图,图7是图6所示图像的检测结果图像。如图6和图7所示,对于晴天有影子的场景,经过干扰区域检测后,道路标志(道路分隔线、箭头)、道路边界、栏杆以及树木的影子等干扰区域被准确的检测出来。
图8是本发明实施例1的场景2的当前帧的示意图,图9是图8所示图像的检测结果图像。如图8和图9所示,对于正常的场景,经过干扰区域检测后,道路标志(道路分隔线、箭头)、道路边界、电线杆等干扰区域被准确的检测出来。
图10是本发明实施例1的场景3的当前帧的示意图,图11是图10所示图像的检测结果图像。如图10和图11所示,对于雨夜的场景,经过干扰区域检测后,道路标志(道路分隔线、箭头)、反光的路面积水等干扰区域被准确的检测出来。
由上述实施例可知,根据监控图像规定区域内的灰度值分布确定灰度参考值并根据该灰度参考值对像素进行评分,根据评分的结果确定干扰区域,能够在监控场景发生变化或监控摄像头发生抖动的情况下,实时且准确的检测干扰区域,与现有的事件检测系统具有良好的兼容性,能够辅助用于各种事件的检测,且计算量小。
实施例2
本发明实施例还提供一种误检测去除方法,图12是本发明实施例2的误检测去除方法的示意图,如图12所示,该方法包括:
步骤1201:获得监控视频的当前帧的干扰区域检测结果图像;
步骤1202:获得当前帧的候选区域的灰度图像的第一梯度图像;
步骤1203:获得当前帧的干扰区域检测结果图像中对应于该候选区域所在区域的第二梯度图像;
步骤1204:当第一梯度图像和第二梯度图像重叠部分的面积占第一梯度图像面积的比例大于预设阈值时,将该候选区域去除。
在本实施例中,获得干扰区域检测结果图像的方法可以参考实施例1,此处不再重复。
在本实施例中,获得梯度图像的方法可以参考现有技术,此处不再赘述。
在本实施例中,该候选区域可以是事件检测的目标物体的候选区域,例如,该目标物体可以是移动的车辆或遗留在道路上的遗留物。
在本实施例中,该预设阈值可以根据实际情况而设置。
图13是与图8为同一监控视频的不同帧的示意图,图14是图13所示图像的检测结果图像。如图13所示,其具有候选区域3和候选区域4。对于候选区域4执行上述步骤1202~1204。
图15是图13中候选区域4的第一梯度图像和第二梯度图像重合的示意图。如图15所示,重合区域5的面积所占的比例大于预设阈值,则将候选区域4从目标物体中排除。
由上述实施例可知,通过将检测出的干扰区域用于排除候选区域,能够有效的去除误检测,提高事件检测的准确性。
实施例3
本发明实施例还提供一种道路标志检测方法,图16是本发明实施例2的道路标志检测方法的示意图,如图16所示,该方法包括:
步骤1601:获得监控视频的当前帧的干扰区域检测结果图像;
步骤1602:使用道路标志分类器对该区域检测结果图像进行检测,获得道路标志。
在本实施例中,获得干扰区域检测结果图像的方法可以参考实施例1,此处不再重复。
在本实施例中,该道路标志分类器可以通过现有的方法训练而得到。
由上述实施例可知,由于使用道路标志分类器直接对干扰区域检测结果图像进行检测,极大的提高了检测效率,并且,即使由于刮风等原因导致摄像头移动从而导致监控图像中道路标志位置的变化,由于干扰区域检测结果图像能够实时准确的反映包括道路标志在内的干扰区域,因此能够保证道路标志检测结果的准确性和稳定性。
实施例4
本发明实施例还提供一种干扰区域检测装置,其对应于实施例1所述的干扰区域检测方法,因此该干扰区域检测装置具体的实施可以参照实施例1的干扰区域检测方法的实施,重复之处不再赘述。
图17是本发明实施例4的干扰区域检测装置的示意图。如图17所示,干扰区域检测装置1700包括:
第一确定单元1701,其用于确定监控视频的当前帧的前景区域;
第二确定单元1702,其用于根据当前帧中规定区域内的灰度值分布确定参考灰度值;
更新单元1703,其用于对于在该规定区域内且不属于前景点的每个像素,根据该像素的灰度值与该参考灰度值的差值以及该像素在当前帧的前一帧的分数,更新该像素在当前帧的分数;
第三确定单元1704,其用于根据该当前帧中各个像素在当前帧的分数,确定干扰区域。
图18是本发明实施例4的第二确定单元1702的示意图。如图18所示,第二确定单元1702包括:
获取单元1801,其用于获取该规定区域内的前景区域以外区域的灰度值的直方图;
计数单元1802,其用于按照预设步长对该直方图的每个窗口内的像素进行计数;
第四确定单元1803,其用于确定具有最大数量像素的窗口;
第五确定单元1804,其用于将该具有最大数量像素的窗口内的像素数量最大的点所对应的灰度值作为该参考灰度值。
图19是本发明实施例4的更新单元1703的示意图。如图19所示,更新单元1703包括:
第一更新单元1901,其用于当该差值大于等于0且小于等于该灰度参考值时,将该像素在当前帧的前一帧的分数减去预设的分数,获得该像素在当前帧的分数;
第二更新单元1902,其用于当该差值大于该参考灰度值且小于等于255时,将该像素在当前帧的前一帧的分数加上预设的分数,获得该像素在当前帧的分数。
例如,第一更新单元1901用于当该差值大于等于0且小于等于第一阈值时,将该像素在当前帧的前一帧的分数减去2,获得该像素在当前帧的分数;当该差值大于第一阈值且小于等于该参考灰度值时,将该像素在当前帧的前一帧的分数减去1,获得该像素在当前帧的分数;
第二更新单元1902用于当该差值大于该参考灰度值且小于第二阈值时,将该像素在当前帧的前一帧的分数加上1,获得该像素在当前帧的分数;当该差值大于等于第二阈值且小于等于255时,将该像素在=当前帧的前一帧的分数加上2,获得像素在当前帧的分数。
图20是本发明实施例4的第三确定单元1704的示意图。如图20所示,第三确定单元1704包括:
构图单元2001,其用于将当前帧中各个像素在当前帧的分数作为各个像素的灰度值,构成当前帧的检测结果图像。
由上述实施例可知,由于使用道路标志分类器直接对干扰区域检测结果图像进行检测,极大的提高了检测效率,并且,即使由于刮风等原因导致摄像头移动从而导致监控图像中道路标志位置的变化,由于干扰区域检测结果图像能够实时准确的反映包括道路标志在内的干扰区域,因此能够保证道路标志检测结果的准确性和稳定性。
实施例5
本发明实施例还提供了一种电子设备,图21是本发明实施例5的电子设备的示意图。如图21所示,电子设备2100包括干扰区域检测装置2101,该干扰区域检测装置2101的结构和功能与实施例4中的记载相同,此处不再赘述。
图22是本发明实施例5的电子设备的系统构成的一示意框图。如图22所示,电子设备2200可以包括中央处理器2201和存储器2202;该存储器2202耦合到该中央处理器2201。该图是示例性的;还可以使用其它类型的结构,来补充或代替该结构,以实现电信功能或其它功能。
如图22所示,该电子设备2200还可以包括:输入单元2203、显示器2204、电源2205。
在一个实施方式中,实施例4所述的干扰区域检测装置的功能可以被集成到该中央处理器2201中。其中,该中央处理器2201可以被配置为:确定监控视频的当前帧的前景区域;根据所述当前帧中规定区域内的灰度值分布确定参考灰度值;对于在所述规定区域内且不属于前景点的每个像素,根据所述像素的灰度值与所述参考灰度值的差值以及所述像素在所述当前帧的前一帧的分数,更新所述像素在当前帧的分数;根据所述当前帧中各个像素在当前帧的分数,确定干扰区域。
例如,所述根据所述当前帧中规定区域内的灰度值分布确定参考灰度值,包括:获取所述规定区域内的前景区域以外区域的灰度值的直方图;按照预设步长对所述直方图的每个窗口内的像素进行计数;确定具有最大数量像素的窗口;将所述具有最大数量像素的窗口内的最高点所对应的灰度值作为所述参考灰度值。
例如,所述根据所述像素的灰度值与所述参考灰度值的差值以及所述像素在所述当前帧的前一帧的分数,确定所述像素在当前帧的分数,包括:当所述差值大于等于0且小于等于所述灰度参考值时,将所述像素在所述当前帧的前一帧的分数减去预设的分数,获得所述像素在当前帧的分数;当所述差值大于所述参考灰度值且小于等于255时,将所述像素在所述当前帧的前一帧的分数加上预设的分数,获得所述像素在当前帧的分数。
例如,所述当所述差值大于等于0且小于等于所述灰度参考值时,将所述像素在所述当前帧的前一帧的分数减去预设的分数,获得所述像素在当前帧的分数,包括:当所述差值大于等于0且小于等于第一阈值时,将所述像素在所述当前帧的前一帧的分数减去2,获得所述像素在当前帧的分数;当所述差值大于所述第一阈值且小于等于所述参考灰度值时,将所述像素在所述当前帧的前一帧的分数减去1,获得所述像素在当前帧的分数;所述当所述差值大于所述参考灰度值且小于等于255时,将所述像素在所述当前帧的前一帧的分数加上预设的分数,获得所述像素在当前帧的分数,包括:当所述差值大于所述参考灰度值且小于第二阈值时,将所述像素在所述当前帧的前一帧的分数加上1,获得所述像素在当前帧的分数;当所述差值大于等于所述第二阈值且小于等于255时,将所述像素在所述当前帧的前一帧的分数加上2,获得所述像素在当前帧的分数。
例如,所述根据在所述规定区域内且不属于前景点的像素在当前帧的分数,确定干扰区域,包括:将所述当前帧中的所述规定区域内且不属于前景点的像素以外的其他像素的分数确定为0;将所述当前帧中各个像素在当前帧的分数作为各个像素的灰度值,构成所述当前帧的检测结果图像。
在另一个实施方式中,实施例4所述的干扰区域检测装置可以与该中央处理器2201分开配置,例如可以将该干扰区域检测装置配置为与该中央处理器2201连接的芯片,通过该中央处理器2201的控制来实现该干扰区域检测装置的功能。
在本实施例中该电子设备2200也并不是必须要包括图22中所示的所有部件。
如图22所示,该中央处理器2201有时也称为控制器或操作控件,可以包括微处理器或其它处理器装置和/或逻辑装置,该中央处理器2201接收输入并控制该电子设备2200的各个部件的操作。
该存储器2202,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。并且该中央处理器2201可执行该存储器2202存储的该程序,以实现信息存储或处理等。其它部件的功能与现有类似,此处不再赘述。该电子设备2200的各部件可以通过专用硬件、固件、软件或其结合来实现,而不偏离本发明的范围。
由上述实施例可知,由于使用道路标志分类器直接对干扰区域检测结果图像进行检测,极大的提高了检测效率,并且,即使由于刮风等原因导致摄像头移动从而导致监控图像中道路标志位置的变化,由于干扰区域检测结果图像能够实时准确的反映包括道路标志在内的干扰区域,因此能够保证道路标志检测结果的准确性和稳定性。
本发明实施例还提供一种计算机可读程序,其中当在干扰区域检测装置或电子设备中执行所述程序时,所述程序使得计算机在干扰区域检测装置或电子设备中执行实施例1所述的干扰区域检测方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质,其中所述计算机可读程序使得计算机在干扰区域检测装置或电子设备中执行实施例1所述的干扰区域检测方法。
结合本发明实施例描述的在干扰区域检测装置或电子设备中执行干扰区域检测方法可直接体现为硬件、由处理器执行的软件模块或二者组合。例如,图17中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合,既可以对应于计算机程序流程的各个软件模块,亦可以对应于各个硬件模块。这些软件模块,可以分别对应于图1所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(FPGA)将这些软件模块固化而实现。
软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息;或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该软件模块可以存储在移动终端的存储器中,也可以存储在可插入移动终端的存储卡中。例如,如果电子设备采用的是较大容量的MEGA-SIM卡或者大容量的闪存装置,则该软件模块可存储在该MEGA-SIM卡或者大容量的闪存装置中。
针对图17描述的功能框图中的一个或多个和/或功能框图的一个或多个组合,可以实现为用于执行本申请所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑器件、分立硬件组件、或者其任意适当组合。针对图17描述的功能框图中的一个或多个和/或功能框图的一个或多个组合,还可以实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、与DSP通信结合的一个或多个微处理器或者任何其它这种配置。
以上结合具体的实施方式对本发明进行了描述,但本领域技术人员应该清楚,这些描述都是示例性的,并不是对本发明保护范围的限制。本领域技术人员可以根据本发明的精神和原理对本发明做出各种变型和修改,这些变型和修改也在本发明的范围内。
Claims (10)
1.一种干扰区域检测装置,所述装置包括:
第一确定单元,其用于确定监控视频的当前帧的前景区域;
第二确定单元,其用于根据所述当前帧中规定区域内的灰度值分布确定参考灰度值;
更新单元,其用于对于在所述规定区域内且不属于前景点的每个像素,根据所述像素的灰度值与所述参考灰度值的差值以及所述像素在所述当前帧的前一帧的分数,更新所述像素在当前帧的分数;
第三确定单元,其用于根据所述当前帧中各个像素在当前帧的分数,确定干扰区域。
2.根据权利要求1所述的装置,其中,所述第二确定单元包括:
获取单元,其用于获取所述规定区域内的前景区域以外区域的灰度值的直方图;
计数单元,其用于按照预设步长对所述直方图的每个窗口内的像素进行计数;
第四确定单元,其用于确定具有最大数量像素的窗口;
第五确定单元,其用于将所述具有最大数量像素的窗口内的像素数量最大的点所对应的灰度值作为所述参考灰度值。
3.根据权利要求1所述的装置,其中,所述更新单元包括:
第一更新单元,其用于当所述差值大于等于0且小于等于所述灰度参考值时,将所述像素在所述当前帧的前一帧的分数减去预设的分数,获得所述像素在当前帧的分数;
第二更新单元,其用于当所述差值大于所述参考灰度值且小于等于255时,将所述像素在所述当前帧的前一帧的分数加上预设的分数,获得所述像素在当前帧的分数。
4.根据权利要求3所述的装置,其中,
所述第一更新单元用于当所述差值大于等于0且小于等于第一阈值时,将所述像素在所述当前帧的前一帧的分数减去2,获得所述像素在当前帧的分数;当所述差值大于所述第一阈值且小于等于所述参考灰度值时,将所述像素在所述当前帧的前一帧的分数减去1,获得所述像素在当前帧的分数;
所述第二更新单元用于当所述差值大于所述参考灰度值且小于第二阈值时,将所述像素在所述当前帧的前一帧的分数加上1,获得所述像素在当前帧的分数;当所述差值大于等于所述第二阈值且小于等于255时,将所述像素在所述当前帧的前一帧的分数加上2,获得所述像素在当前帧的分数。
5.根据权利要求1所述的装置,其中,所述第三确定单元包括:
构图单元,其用于将所述当前帧中各个像素在当前帧的分数作为各个像素的灰度值,构成所述当前帧的检测结果图像。
6.一种电子设备,所述电子设备包括根据权利要求1-5中的任一项所述的干扰区域检测装置。
7.一种干扰区域检测方法,所述方法包括:
确定监控视频的当前帧的前景区域;
根据所述当前帧中规定区域内的灰度值分布确定参考灰度值;
对于在所述规定区域内且不属于前景点的每个像素,根据所述像素的灰度值与所述参考灰度值的差值以及所述像素在所述当前帧的前一帧的分数,更新所述像素在当前帧的分数;
根据所述当前帧中各个像素在当前帧的分数,确定干扰区域。
8.根据权利要求7所述的方法,其中,所述根据所述当前帧中规定区域内的灰度值分布确定参考灰度值,包括:
获取所述规定区域内的前景区域以外区域的灰度值的直方图;
按照预设步长对所述直方图的每个窗口内的像素进行计数;
确定具有最大数量像素的窗口;
将所述具有最大数量像素的窗口内的像素数量最大的点所对应的灰度值作为所述参考灰度值。
9.根据权利要求7所述的方法,其中,所述根据所述像素的灰度值与所述参考灰度值的差值以及所述像素在所述当前帧的前一帧的分数,确定所述像素在当前帧的分数,包括:
当所述差值大于等于0且小于等于所述灰度参考值时,将所述像素在所述当前帧的前一帧的分数减去预设的分数,获得所述像素在当前帧的分数;
当所述差值大于所述参考灰度值且小于等于255时,将所述像素在所述当前帧的前一帧的分数加上预设的分数,获得所述像素在当前帧的分数。
10.根据权利要求9所述的方法,其中,
所述当所述差值大于等于0且小于等于所述灰度参考值时,将所述像素在所述当前帧的前一帧的分数减去预设的分数,获得所述像素在当前帧的分数,包括:
当所述差值大于等于0且小于等于第一阈值时,将所述像素在所述当前帧的前一帧的分数减去2,获得所述像素在当前帧的分数;
当所述差值大于所述第一阈值且小于等于所述参考灰度值时,将所述像素在所述当前帧的前一帧的分数减去1,获得所述像素在当前帧的分数;
所述当所述差值大于所述参考灰度值且小于等于255时,将所述像素在所述当前帧的前一帧的分数加上预设的分数,获得所述像素在当前帧的分数,包括:
当所述差值大于所述参考灰度值且小于第二阈值时,将所述像素在所述当前帧的前一帧的分数加上1,获得所述像素在当前帧的分数;
当所述差值大于等于所述第二阈值且小于等于255时,将所述像素在所述当前帧的前一帧的分数加上2,获得所述像素在当前帧的分数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810021654.0A CN110033425B (zh) | 2018-01-10 | 2018-01-10 | 干扰区域检测装置及方法、电子设备 |
JP2018200562A JP7163718B2 (ja) | 2018-01-10 | 2018-10-25 | 干渉領域検出装置と方法及び電子機器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810021654.0A CN110033425B (zh) | 2018-01-10 | 2018-01-10 | 干扰区域检测装置及方法、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110033425A true CN110033425A (zh) | 2019-07-19 |
CN110033425B CN110033425B (zh) | 2023-03-28 |
Family
ID=67234171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810021654.0A Active CN110033425B (zh) | 2018-01-10 | 2018-01-10 | 干扰区域检测装置及方法、电子设备 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7163718B2 (zh) |
CN (1) | CN110033425B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569840A (zh) * | 2019-08-13 | 2019-12-13 | 浙江大华技术股份有限公司 | 目标检测方法及相关装置 |
CN115063323A (zh) * | 2022-08-16 | 2022-09-16 | 威海凯思信息科技有限公司 | 一种基于自适应网络的图像处理方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782501B (zh) * | 2019-09-09 | 2024-02-23 | 西安万像电子科技有限公司 | 图像处理方法及装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1216933A (en) * | 1984-06-01 | 1987-01-20 | George F. Blackwell | Gray scale image processor |
US20070195993A1 (en) * | 2006-02-22 | 2007-08-23 | Chao-Ho Chen | Method for video object segmentation |
CN101051223A (zh) * | 2007-04-29 | 2007-10-10 | 浙江工业大学 | 基于全方位计算机视觉的空调节能控制装置 |
US20070279494A1 (en) * | 2004-04-16 | 2007-12-06 | Aman James A | Automatic Event Videoing, Tracking And Content Generation |
GB0801830D0 (en) * | 2008-01-31 | 2008-03-05 | Siemens Ag | Video based monitoring system and method |
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101630363A (zh) * | 2009-07-13 | 2010-01-20 | 中国船舶重工集团公司第七○九研究所 | 复杂背景下彩色图像人脸的快速检测方法 |
US20110244919A1 (en) * | 2010-03-19 | 2011-10-06 | Aller Joshua V | Methods and Systems for Determining Image Processing Operations Relevant to Particular Imagery |
US20140052555A1 (en) * | 2011-08-30 | 2014-02-20 | Digimarc Corporation | Methods and arrangements for identifying objects |
US20140132786A1 (en) * | 2012-11-12 | 2014-05-15 | Behavioral Recognition Systems, Inc. | Image stabilization techniques for video surveillance systems |
US20160034778A1 (en) * | 2013-12-17 | 2016-02-04 | Cloud Computing Center Chinese Academy Of Sciences | Method for detecting traffic violation |
US20160125255A1 (en) * | 2014-10-29 | 2016-05-05 | Behavioral Recognition Systems, Inc. | Dynamic absorption window for foreground background detector |
US20160125621A1 (en) * | 2014-10-29 | 2016-05-05 | Behavioral Recognition Systems, Inc. | Incremental update for background model thresholds |
WO2016069902A2 (en) * | 2014-10-29 | 2016-05-06 | Behavioral Recognition Systems, Inc. | Background foreground model with dynamic absorbtion window and incremental update for background model thresholds |
WO2017028047A1 (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 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008293325A (ja) | 2007-05-25 | 2008-12-04 | Noritsu Koki Co Ltd | 顔画像解析システム |
JP6501257B2 (ja) | 2015-05-18 | 2019-04-17 | シャープ株式会社 | 画像処理装置、画像処理方法、及びプログラム |
JP2017030380A (ja) | 2015-07-29 | 2017-02-09 | 株式会社京三製作所 | 列車検知システムおよび列車検知方法 |
-
2018
- 2018-01-10 CN CN201810021654.0A patent/CN110033425B/zh active Active
- 2018-10-25 JP JP2018200562A patent/JP7163718B2/ja active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1216933A (en) * | 1984-06-01 | 1987-01-20 | George F. Blackwell | Gray scale image processor |
US20070279494A1 (en) * | 2004-04-16 | 2007-12-06 | Aman James A | Automatic Event Videoing, Tracking And Content Generation |
US20070195993A1 (en) * | 2006-02-22 | 2007-08-23 | Chao-Ho Chen | Method for video object segmentation |
CN101051223A (zh) * | 2007-04-29 | 2007-10-10 | 浙江工业大学 | 基于全方位计算机视觉的空调节能控制装置 |
GB0801830D0 (en) * | 2008-01-31 | 2008-03-05 | Siemens Ag | Video based monitoring system and method |
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101630363A (zh) * | 2009-07-13 | 2010-01-20 | 中国船舶重工集团公司第七○九研究所 | 复杂背景下彩色图像人脸的快速检测方法 |
US20110244919A1 (en) * | 2010-03-19 | 2011-10-06 | Aller Joshua V | Methods and Systems for Determining Image Processing Operations Relevant to Particular Imagery |
US20140052555A1 (en) * | 2011-08-30 | 2014-02-20 | Digimarc Corporation | Methods and arrangements for identifying objects |
US20140132786A1 (en) * | 2012-11-12 | 2014-05-15 | Behavioral Recognition Systems, Inc. | Image stabilization techniques for video surveillance systems |
US20160034778A1 (en) * | 2013-12-17 | 2016-02-04 | Cloud Computing Center Chinese Academy Of Sciences | Method for detecting traffic violation |
US20160125255A1 (en) * | 2014-10-29 | 2016-05-05 | Behavioral Recognition Systems, Inc. | Dynamic absorption window for foreground background detector |
US20160125621A1 (en) * | 2014-10-29 | 2016-05-05 | Behavioral Recognition Systems, Inc. | Incremental update for background model thresholds |
WO2016069902A2 (en) * | 2014-10-29 | 2016-05-06 | Behavioral Recognition Systems, Inc. | Background foreground model with dynamic absorbtion window and incremental update for background model thresholds |
WO2017028047A1 (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 |
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 |
Non-Patent Citations (1)
Title |
---|
W.E.L GRIMSON: "Adaptive background mixture models for real-time tracking", 《IEEE》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569840A (zh) * | 2019-08-13 | 2019-12-13 | 浙江大华技术股份有限公司 | 目标检测方法及相关装置 |
CN115063323A (zh) * | 2022-08-16 | 2022-09-16 | 威海凯思信息科技有限公司 | 一种基于自适应网络的图像处理方法及装置 |
CN115063323B (zh) * | 2022-08-16 | 2022-11-15 | 威海凯思信息科技有限公司 | 一种基于自适应网络的图像处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110033425B (zh) | 2023-03-28 |
JP7163718B2 (ja) | 2022-11-01 |
JP2019121356A (ja) | 2019-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5476955B2 (ja) | 画像処理装置および画像処理方法、並びにプログラム | |
US9002055B2 (en) | Methods and systems for matching keypoints and tracking regions between frames of video data | |
CN109389135B (zh) | 一种图像筛选方法及装置 | |
US8055016B2 (en) | Apparatus and method for normalizing face image used for detecting drowsy driving | |
CN111104867A (zh) | 基于部件分割的识别模型训练、车辆重识别方法及装置 | |
CN107240124A (zh) | 基于时空约束的跨镜头多目标跟踪方法及装置 | |
US10255804B2 (en) | Method for generating a digital record and roadside unit of a road toll system implementing the method | |
CN110033425A (zh) | 干扰区域检测装置及方法、电子设备 | |
CN109670421B (zh) | 一种疲劳状态检测方法和装置 | |
CN110570435B (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
CN113112480B (zh) | 视频场景变换检测方法、存储介质和电子设备 | |
CN107948517A (zh) | 预览画面虚化处理方法、装置及设备 | |
CN110723432A (zh) | 垃圾分类的方法及增强现实设备 | |
WO2019228040A1 (zh) | 一种面部图像评分方法及摄像机 | |
JP4185545B2 (ja) | 道路景観解析装置及び方法 | |
CN103888680A (zh) | 一种摄像头曝光时间的调节方法 | |
WO2006129442A1 (ja) | 画像処理装置及び対象領域追跡プログラム | |
US20220270266A1 (en) | Foreground image acquisition method, foreground image acquisition apparatus, and electronic device | |
CN109729256A (zh) | 车辆中双摄像装置的控制方法和装置 | |
CN109977862B (zh) | 一种车位限位器的识别方法 | |
CN104700384B (zh) | 基于增强现实技术的展示系统及展示方法 | |
JP2002342762A (ja) | 物体追跡方法 | |
CN108830785A (zh) | 背景虚化方法及装置、电子装置、计算机设备和存储介质 | |
JP2008033818A (ja) | 物体追跡装置およびその制御方法、物体追跡システム、物体追跡プログラム、ならびに該プログラムを記録した記録媒体 | |
CN112329665B (zh) | 一种人脸抓拍系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |