CN110519527A - 一种基于图像大数据的相机自动曝光参数生成方法 - Google Patents
一种基于图像大数据的相机自动曝光参数生成方法 Download PDFInfo
- Publication number
- CN110519527A CN110519527A CN201910887071.0A CN201910887071A CN110519527A CN 110519527 A CN110519527 A CN 110519527A CN 201910887071 A CN201910887071 A CN 201910887071A CN 110519527 A CN110519527 A CN 110519527A
- Authority
- CN
- China
- Prior art keywords
- image
- big data
- picture
- auto exposure
- data set
- 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
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/741—Circuitry for compensating brightness variation in the scene by increasing the dynamic range of the image compared to the dynamic range of the electronic image sensors
-
- 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
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明提供了一种基于图像大数据的相机自动曝光参数生成方法,包括以下步骤:图像大数据整理;对图像大数据分类,并记录图像亮度和信息熵;进行自动曝光参数迭代;迭代收敛后,得出自动曝光参数。本发明有益效果:能够有效解决了传统AE方法中出现的场景适应性问题,无论是处理宽动态、高对比度还是细节丰富的场景,均能得到较好的结果,充分满足了当前智能安防行业视频监控领域的需要。
Description
技术领域
本发明属于智能安防行业视频监控领域,尤其是涉及一种基于图像大数据的相机自动曝光参数生成方法。
背景技术
对于相机的自动曝光(Auto-Exposure,AE)相关参数的确定,传统的基于少量图像统计信息推导或通过试验确定曝光公式参数的方法,具有一定的算法适应性缺陷,难以在各种光照条件、气候和动态范围下都达到较好的图像效果。针对该问题,本发明的一种基于图像大数据的相机自动曝光参数生成方法,开创性地将大数据应用于自动曝光参数的确定上,有效增加了AE系统的适应性,对于图像效果的提升具有重要作用。
发明内容
有鉴于此,本发明旨在提出一种基于图像大数据的相机自动曝光参数生成方法,以解决上述问题的不足之处。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于图像大数据的相机自动曝光参数生成方法,包括以下步骤:
A.图像大数据整理;
B.对步骤A中得到的图像大数据分类,并记录图像亮度和信息熵;
C.进行自动曝光参数迭代;
D.迭代收敛后,得出自动曝光参数。
进一步的,所述步骤A中从全国各个智能监控点位收集各个亮度、环境、气候的图片,同时记录相应的抓拍时间和抓拍设备的抓拍效果以及图片抓拍的默认亮度,形成大数据集合。
进一步的,所述步骤B中,将步骤A得到的图像大数据按照设备特性和效果评价分为数据集A和数据集B,其中,数据集A是图像效果最好时间段抓拍的图片,数据集B为图像大数据集合中非数据集A的图片,同时记录每张图片的图像亮度和信息熵。
进一步的,所述步骤B中对每张图片信息熵的计算过程如下:
由图像亮度直方图hist,求得第i阶直方图hist(i)的概率p(i)为,
p(i)=hist(i)/(h*w),
其中,i为图像直方图h的灰阶数量,在8位数字图像系统中,i的取值范围为0到255,h和w分别为图像的高和宽,
再根据信息熵计算公式求得该帧图像的信息熵E,
进一步的,所述步骤C中,利用目标亮度计算公式,
Ltar=Lin-lunit*max(0,floor(E-Eth)/Euint),
其中,Lin为相机的默认目标亮度,在图片收集时默认亮度为60,lunit为目标亮度补偿的权重,Euint为图像信息熵计算单位,Eth为图像信息熵阈值,floor为向下取整,
在给定Lin的前提下,在大数据处理过程中,通过图像信息熵E,来动态调整曝光目标亮度公式中的参数lunit、Eth和Euint,通过迭代的方式产生适合图像大数据集的参数。
进一步的,步骤C的具体方法包括:
C1.对数据集A图片信息进行分析整理,求出图像的平均信息熵Eavg,
其中n为图像序号,N为A集合的图片张数,En为第n张图片的信息熵;
C2.通过步骤B得出的每张图片的信息熵E,在数据集B中,根据如下自动曝光系统的目标亮度公式,
Ltar=Lin-lunit*max(0,floor(E-Eth)/Euint),
将所述步骤C1获得的Eavg,作为Eth的初始值代入到目标亮度公式中,并为其余两个参数设置初始值,这里取Euint初始值为5000,lunit初始值为1;
根据如下参数偏差函数,
ΔC=lunit*max(0,floor(E-Eth)/Euint),
计算ΔC最小时的参数lunit和Euint;
C3.在数据集A中,将步骤C2中求得的参数带入Ltar,求取新的Eth,再将3个新的参数Eth、lunit和Euint的结果代入目标亮度公式,用于数据集A中,验证是否引起了数据集A目标亮度的变化,变化率小于1%为正常,若大于1%,重复步骤C2,求取3个参数Eth、lunit和Euint的另一组值;
C4.重复步骤C2到C3的过程,直至每轮迭代中Eth、lunit和Euint3个参数的变化率均小于0.1%,且对数据集A中的目标亮度影响小于1%,则该系统的最终自动曝光参数已经生成完毕。
相对于现有技术,本发明所述的基于图像大数据的相机自动曝光参数生成方法具有以下优势:
本发明所述的基于图像大数据的相机自动曝光参数生成方法能够有效解决了传统AF方法中出现的场景适应性问题,无论是处理宽动态、高对比度还是细节丰富的场景,均能得到较好的结果,充分满足了当前智能安防行业视频监控领域的需要。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的基于图像大数据的相机自动曝光参数生成方法的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,一种基于图像大数据的相机自动曝光参数生成方法,包括以下步骤:
A.图像大数据整理;
B.对步骤A中得到的图像大数据分类,并记录图像亮度和信息熵;
C.进行自动曝光参数迭代;
D.迭代收敛后,得出自动曝光参数。
所述步骤A中从全国各个智能监控点位收集各个亮度、环境、气候的图片,同时记录相应的抓拍时间和抓拍设备的抓拍效果以及图片抓拍的默认亮度,形成大数据集合,本实施例中,采集3000万张图片作为大数据集合,由于每一台摄像机抓拍图片的效果都随时间段发生变化,即每台设备都存在抓拍效果最好的时间段,所以图像大数据的集合中还包含相应的时间段信息。
所述步骤B中,将步骤A得到的图像大数据按照设备特性和效果评价分为数据集A和数据集B,其中,数据集A是图像效果最好时间段抓拍的图片,数据集B为图像大数据集合中非数据集A的图片,同时记录每张图片的图像亮度和信息熵。
所述步骤B中对每张图片信息熵的计算过程如下:
由图像亮度直方图hist,求得第i阶直方图hist(i)的概率p(i)为,
p(i)=hist(i)/(h*w),
其中,i为图像直方图h的灰阶数量,在8位数字图像系统中,i的取值范围为0到255,h和w分别为图像的高和宽,
再根据信息熵计算公式求得该帧图像的信息熵E,
所述步骤C中,利用目标亮度计算公式,
Ltar=Lin-lunit*max(0,floor(E-Eth)/Euint),
其中,Lin为相机的默认目标亮度,在图片收集时默认亮度为60,lunit为目标亮度补偿的权重,Euint为图像信息熵计算单位,Eth为图像信息熵阈值,floor为向下取整,
在给定Lin的前提下,在大数据处理过程中,通过图像信息熵E,来动态调整曝光目标亮度公式中的参数lunit、Eth和Euint,通过迭代的方式产生适合图像大数据集的参数。
步骤C的具体方法包括:
C1.对数据集A图片信息进行分析整理,求出图像的平均信息熵Eavg,
其中n为图像序号,N为A集合的图片张数,En为第n张图片的信息熵;
C2.通过步骤B得出的每张图片的信息熵E,在数据集B中,根据如下自动曝光系统的目标亮度公式,
Ltar=Lin-lunit*max(0,floor(E-Eth)/Euint),
将所述步骤C1获得的Eavg,作为Eth的初始值代入到目标亮度公式中,并为其余两个参数设置初始值,这里取Euint初始值为5000,lunit初始值为1;
根据如下参数偏差函数,
ΔC=lunit*max(0,floor(E-Eth)/Euint),
计算ΔC最小时的参数lunit和Euint;
C3.在数据集A中,将步骤C2中求得的参数带入Ltar,求取新的Eth,再将3个新的参数Eth、lunit和Euint的结果代入目标亮度公式,用于数据集A中,验证是否引起了数据集A目标亮度的变化,变化率小于1%为正常,若大于1%,重复步骤C2,求取3个参数Eth、lunit和Euint的另一组值;
C4.重复步骤C2到C3的过程,直至每轮迭代中Eth、lunit和Euint3个参数的变化率均小于0.1%,且对数据集A中的目标亮度影响小于1%,则该系统的最终自动曝光参数已经生成完毕。
相对于传统的基于少量图像统计信息推导或试验曝光公式参数的方法,本实施例引入了图像大数据这一蕴含极大信息量的宝贵资源。通过收集全国各地智能安防前端采集设备的抓拍图片,形成了3000万张图片的大数据集合。基于图像大数据生成参数的自动曝光系统,能够全面覆盖各种环境、气候、光照条件、动态范围等,对于相机曝光系统的适应性和图像效果的提升具有非常重要的作用;该方案有效解决了传统AF方法中出现的场景适应性问题,无论是处理宽动态、高对比度还是细节丰富的场景,均能得到较好的结果,充分满足了当前智能安防行业视频监控领域的需要。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于图像大数据的相机自动曝光参数生成方法,其特征在于,包括以下步骤:
A.图像大数据整理;
B.对步骤A中得到的图像大数据分类,并记录图像亮度和信息熵;
C.进行自动曝光参数迭代;
D.迭代收敛后,得出自动曝光参数。
2.根据权利要求1所述的一种基于图像大数据的相机自动曝光参数生成方法,其特征在于:所述步骤A中从全国各个智能监控点位收集各个亮度、环境、气候的图片,同时记录相应的抓拍时间和抓拍设备的抓拍效果以及图片抓拍的默认亮度,形成图像大数据集合。
3.根据权利要求1所述的一种基于图像大数据的相机自动曝光参数生成方法,其特征在于:所述步骤B中,将步骤A得到的图像大数据按照设备特性和效果评价分为数据集A和数据集B,其中,数据集A是图像效果最好时间段抓拍的图片,数据集B为图像大数据集合中非数据集A的图片,同时记录每张图片的图像亮度和信息熵。
4.根据权利要求3所述的一种基于图像大数据的相机自动曝光参数生成方法,其特征在于,所述步骤B中对每张图片信息熵的计算过程如下:
通过图像亮度直方图hist,求得第i阶直方图hist(i)的概率p(i)为,
p(i)=hist(i)/(h*w),
其中,i为图像直方图h的灰阶数量,在8位数字图像系统中,i的取值范围为0到255,h和w分别为图像的高和宽;
再根据信息熵计算公式求得该帧图像的信息熵E,
5.根据权利要求4所述的一种基于图像大数据的相机自动曝光参数生成方法,其特征在于:所述步骤C中,利用目标亮度计算公式,
Ltar=Lin-lunit*max(0,floor(E-Eth)/Euint),
其中,Lin为相机的默认目标亮度,在图片收集时默认亮度为60,lunit为目标亮度补偿的权重,Euint为图像信息熵计算单位,Eth为图像信息熵阈值,floor为向下取整,
在给定Lin的前提下,在大数据处理过程中,通过图像信息熵E,来动态调整曝光目标亮度公式中的参数lunit、Eth和Euint,通过迭代的方式产生适合图像大数据集的参数。
6.根据权利要求5所述的一种基于图像大数据的相机自动曝光参数生成方法,其特征在于,所述步骤C的具体方法包括:
C1.对数据集A图片信息进行分析整理,求出图像的平均信息熵Eavg,
其中n为图像序号,N为A集合的图片张数,En为第n张图片的信息熵;
C2.通过步骤B得出的每张图片的信息熵E,在数据集B中,根据如下自动曝光系统的目标亮度公式,
Ltar=Lin-lunit*max(0,floor(E-Eth)/Euint),
将所述步骤C1获得的Eavg,作为Eth的初始值代入到目标亮度公式中,并为其余两个参数设置初始值,这里取Euint初始值为5000,lunit初始值为1;
根据如下参数偏差函数,
ΔC=lunit*max(0,floor(E-Eth)/Euint),
计算ΔC最小时的参数lunit和Euint;
C3.在数据集A中,将步骤C2中求得的参数带入Ltar,求取新的Eth,再将3个新的参数Eth、lunit和Euint的结果代入目标亮度公式,用于数据集A中,验证是否引起了数据集A目标亮度的变化,变化率小于1%为正常,若大于1%,则重复步骤C2,求取3个参数Eth、lunit和Euint的另一组值;
C4.重复步骤C2到C3的过程,直至每轮迭代中Eth、lunit和Euint3个参数的变化率均小于0.1%,且对数据集A中的目标亮度影响小于1%,则该系统的最终自动曝光参数已经生成完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910887071.0A CN110519527A (zh) | 2019-09-19 | 2019-09-19 | 一种基于图像大数据的相机自动曝光参数生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910887071.0A CN110519527A (zh) | 2019-09-19 | 2019-09-19 | 一种基于图像大数据的相机自动曝光参数生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110519527A true CN110519527A (zh) | 2019-11-29 |
Family
ID=68631520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910887071.0A Pending CN110519527A (zh) | 2019-09-19 | 2019-09-19 | 一种基于图像大数据的相机自动曝光参数生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110519527A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103237175A (zh) * | 2013-04-17 | 2013-08-07 | 中国科学院西安光学精密机械研究所 | 基于人眼视觉特性的数字相机自动曝光方法 |
CN103472501A (zh) * | 2013-09-06 | 2013-12-25 | 中国气象科学研究院 | 云检测及全天空总云量检测方法和系统 |
WO2014133381A1 (en) * | 2013-02-28 | 2014-09-04 | Fugro N.V. | Offshore positioning system and method |
CN104568971A (zh) * | 2015-02-05 | 2015-04-29 | 昆山软龙格自动化技术有限公司 | 一种基于数据统计数据挖掘的图像检测装置 |
US20160019427A1 (en) * | 2013-03-11 | 2016-01-21 | Michael Scott Martin | Video surveillence system for detecting firearms |
CN107833184A (zh) * | 2017-10-12 | 2018-03-23 | 北京大学深圳研究生院 | 一种基于多曝光生成再融合框架的图像增强方法 |
CN108109166A (zh) * | 2017-12-08 | 2018-06-01 | 上海集成电路研发中心有限公司 | 用于自动曝光中图像熵值的计算方法及装置 |
US20180220061A1 (en) * | 2017-01-28 | 2018-08-02 | Microsoft Technology Licensing, Llc | Real-time semantic-aware camera exposure control |
CN108401154A (zh) * | 2018-05-25 | 2018-08-14 | 同济大学 | 一种图像曝光度无参考质量评价方法 |
CN108769544A (zh) * | 2018-06-07 | 2018-11-06 | 深圳市亿联智能有限公司 | 一种视频监控设备自适应曝光调试方法 |
CN108742663A (zh) * | 2018-04-03 | 2018-11-06 | 深圳蓝韵医学影像有限公司 | 曝光剂量评价方法、装置及计算机可读存储介质 |
-
2019
- 2019-09-19 CN CN201910887071.0A patent/CN110519527A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014133381A1 (en) * | 2013-02-28 | 2014-09-04 | Fugro N.V. | Offshore positioning system and method |
US20160019427A1 (en) * | 2013-03-11 | 2016-01-21 | Michael Scott Martin | Video surveillence system for detecting firearms |
CN103237175A (zh) * | 2013-04-17 | 2013-08-07 | 中国科学院西安光学精密机械研究所 | 基于人眼视觉特性的数字相机自动曝光方法 |
CN103472501A (zh) * | 2013-09-06 | 2013-12-25 | 中国气象科学研究院 | 云检测及全天空总云量检测方法和系统 |
CN104568971A (zh) * | 2015-02-05 | 2015-04-29 | 昆山软龙格自动化技术有限公司 | 一种基于数据统计数据挖掘的图像检测装置 |
US20180220061A1 (en) * | 2017-01-28 | 2018-08-02 | Microsoft Technology Licensing, Llc | Real-time semantic-aware camera exposure control |
CN110249622A (zh) * | 2017-01-28 | 2019-09-17 | 微软技术许可有限责任公司 | 实时的语义感知的相机曝光控制 |
CN107833184A (zh) * | 2017-10-12 | 2018-03-23 | 北京大学深圳研究生院 | 一种基于多曝光生成再融合框架的图像增强方法 |
CN108109166A (zh) * | 2017-12-08 | 2018-06-01 | 上海集成电路研发中心有限公司 | 用于自动曝光中图像熵值的计算方法及装置 |
CN108742663A (zh) * | 2018-04-03 | 2018-11-06 | 深圳蓝韵医学影像有限公司 | 曝光剂量评价方法、装置及计算机可读存储介质 |
CN108401154A (zh) * | 2018-05-25 | 2018-08-14 | 同济大学 | 一种图像曝光度无参考质量评价方法 |
CN108769544A (zh) * | 2018-06-07 | 2018-11-06 | 深圳市亿联智能有限公司 | 一种视频监控设备自适应曝光调试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346426B (zh) | 一种基于摄像机人脸识别的人脸信息收集方法 | |
CN109636754B (zh) | 基于生成对抗网络的极低照度图像增强方法 | |
AU2017250159B2 (en) | Video recording method, server, system, and storage medium | |
CN101246541B (zh) | 图像处理设备和方法、图像拾取设备 | |
CN108174185B (zh) | 一种拍照方法、装置及终端 | |
US20110310273A1 (en) | Resolution adjusting method | |
CN101416219A (zh) | 数字图像中的前景/背景分割 | |
CN108600649A (zh) | 一种智能家居照明亮度采集与控制方法 | |
CN111008651A (zh) | 一种基于多特征融合的图像翻拍检测方法 | |
CN104380710A (zh) | 闪烁减少装置、拍摄装置以及闪烁减少方法 | |
CN114022823A (zh) | 一种遮挡驱动的行人再识别方法、系统及可存储介质 | |
CN116456061A (zh) | 基于动态目标检测的智能社区监控管理方法、系统及介质 | |
CN112560734B (zh) | 基于深度学习的重获取视频检测方法、系统、设备及介质 | |
WO2020168515A1 (zh) | 一种图像处理方法、装置、图像拍摄和处理系统及载体 | |
CN111985527B (zh) | 一种逆光图像自动检测方法 | |
CN110519527A (zh) | 一种基于图像大数据的相机自动曝光参数生成方法 | |
CN114866705B (zh) | 自动曝光方法、存储介质及电子设备 | |
CN106446904A (zh) | 基于全局二值化的图像识别方法 | |
CN116128766A (zh) | 一种基于改进Retinex-Net的电力设备红外图像增强方法 | |
McCloskey | Confidence weighting for sensor fingerprinting | |
CN105654494A (zh) | 视频图像中烟雾检测方法 | |
CN113807327B (zh) | 一种基于光线补偿的深度学习侧脸图像处理方法及系统 | |
CN109784187B (zh) | 人脸识别的优化方法及装置 | |
CN108734144A (zh) | 一种基于人脸识别的主讲人身份认证方法 | |
CN108650455A (zh) | 一种智能家居照明数据采集终端 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |
|
RJ01 | Rejection of invention patent application after publication |