CN111027398A - 行车记录仪视频遮挡检测方法 - Google Patents
行车记录仪视频遮挡检测方法 Download PDFInfo
- Publication number
- CN111027398A CN111027398A CN201911114424.XA CN201911114424A CN111027398A CN 111027398 A CN111027398 A CN 111027398A CN 201911114424 A CN201911114424 A CN 201911114424A CN 111027398 A CN111027398 A CN 111027398A
- Authority
- CN
- China
- Prior art keywords
- image
- video
- video frame
- sub
- similarity
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种行车记录仪视频遮挡检测方法,该方法包括基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程,基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程用于判断被采样的图像序列是否被持续遮挡,从而判定视频是否被持续遮挡。通过统计被遮挡的子块的总数来判断整幅图像是否被遮挡,降低了图像遮挡误判率;通过计算和比较视频图像序列前后视频帧图像之间的相似度指标来判定视频在一个时间段内是否被遮挡,避免了瞬间的遮挡引起报警,同时降低因图像遮挡误判而引起的错误报警,准确度高,鲁棒性好。
Description
技术领域
本发明涉及数字视频图像处理技术领域,具体涉及一种行车记录仪视频遮挡检测方法。
背景技术
汽车行驶记录仪用于采集车内监控摄像头的实时视频,将视频编码为数字视频存储到硬盘中。无论是对于存储的数字视频图像的后期研判分析、实时分析,还是网络转发传输,数字视频图像的有效性都至关重要,如果摄像头被遮挡,存储的数字视频图像为被遮挡住的模糊的图像,则被遮挡住的视频都是要被排除掉的无用数据。
因此,有必要判断监控摄像头有没有被遮挡住,当监控摄像头被遮挡住时通过产生遮挡报警使得视频遮挡故障能被及时排除,保证存储到硬盘中的视频为汽车内真实有效的视频图像。
由于汽车内人群密度时大时小,车内人体经常发生移动,汽车内部的背景图像大多数时候被人体等前景目标遮挡住,因此无法使用背景比较的方法判断摄像头是否被遮挡。
当摄像头被距离镜头很近的物体遮挡住时,整体视频图像纹理边缘比较模糊,通过图像边缘纹理特征可以判断图像是否被遮挡,但是受视频图像的纹波和椒盐噪声影响较大,并且仅通过分析一帧视频图像的边缘模糊度来判断摄像头是否被遮挡的方法不能判断视频的连续遮挡状态,容易产生误报警。
发明内容
有鉴于此,有必要提供一种可以分析图像序列是否被遮挡来判断视频是否被遮挡的行车记录仪视频遮挡检测方法,降低图像遮挡误判率。
一种行车记录仪视频遮挡检测方法,其包括基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程,所述基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程用于判断被采样的图像序列是否被持续遮挡,从而判定视频是否被持续遮挡;所述基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程包括如下步骤:
S201,采集视频帧图像,对视频帧图像进行遮挡检测,以判定视频帧图像是否处于被遮挡的状态;
S202,计算前后图像帧之间的相似度指标:通过步骤S201连续采样得到连续多个视频帧图像,通过SSIM结构相似性算法计算第二视频帧和第一视频帧的相似度指标;
S203,计算连续的相似度指标大于相似度阈值的次数:通过步骤S202得到第一相似度指标并将所述第一相似度指标与预设的相似度阈值比较,当所述第一相似度指标大于预设的相似度阈值时,相似次数增加1,重复步骤S202计算第三视频帧和第二视频帧的第二相似度指标,并比较所述第二相似度指标是否大于预设的相似度阈值,若所述第二相似度指标也大于预设的相似度阈值,则相似次数继续增加1,重复步骤S202,继续计算和比较接下来连续采样的视频帧前后两帧的相似度指标,直到连续多个视频帧的前后两帧的相似度指标或出现一个相似度指标不大于预设的相似度阈值时,停止相似度指标的计算和比较过程,并将后一个视频帧标记为新的第一视频帧,重新开始步骤S202;
S204,持续的相似次数与最大比较次数对比:若前后两帧之间相似度指标持续大于相似度阈值,则持续的相似次数达到最大比较次数后停止比较并将持续的相似次数与最大比较次数进行比较;
S205,判定视频被遮挡:如果持续的相似次数的值等于最大比较次数,则被采样的图像序列是被持续遮挡的,从而判定视频也是被持续遮挡,则重新进入步骤S201采集视频帧图像,进行新一轮视频帧图像的遮挡判断;
S206,判定视频没有被遮挡:如果持续的相似次数的值小于最大比较次数,则前后两帧之间的相似度指标计算和比较过程出现了中断,则被采样的图像序列出现错误,图像序列的遮挡状态发生了变化,无法确定被采样的图像序列是被持续遮挡,从而判定视频不是被持续遮挡的,则重新进入步骤S201采集视频帧图像,进行新一轮视频帧图像的遮挡判断;
S207,视频遮挡报警:如果视频被判定被持续遮挡,则使用所述检测方法的检测系统向汽车行车记录仪中的主程序发送视频遮挡报警信息。
优选地,所述步骤S201采集视频帧图像包括以下步骤:
S101,抓取视频流:通过视频输入单元程序抓取至少一个监控摄像头输入的编码后的数字视频流;
S102,采样视频帧图像:解码视频流并采样一帧视频帧图像;
S103,图像分块:将视频帧图像划分为多个子块,将每个所述子块作为所述视频帧图像的一个ROI区域,以将每个所述子块作为一个单独的子图像;
S104,通过图像的纹理边缘数量判断每个子图像是否被遮挡:对每个所述子块使用Marr-Hildreth边缘算子计算所述子图像的纹理边缘数量,当所述纹理边缘数量小于预设的边缘数量阈值时,判定所述子块处于被遮挡的状态;
S105,计算被遮挡的子图像的数目:通过步骤S104计算出被遮挡的子块数量,并将被遮挡的子块数量与预设的子块遮挡数量阈值相比,当被遮挡的所述子块数量超过预设的子块遮挡数量阈值时,判定所述视频帧图像处于被遮挡的状态。
优选地,所述步骤S101,抓取视频流的抓取方法为将模拟摄像头拍摄的模拟视频输入至行车记录仪中,在行车记录仪内将模拟视频经过A/D变换和数字编码转变成数字视频,输入所述视频输入单元程序中,通过所述视频输入单元程序抓取至少一个数字视频。
优选地,所述采样视频帧图像包括视频解码和图像编码,所述视频解码用于从压缩视频流中还原一帧图像,所述图像编码用于将视频帧图像编码为方便计算机处理的RGB三通道数字图像。
优选地,所述通过图像的纹理边缘数量判断每个子图像是否被遮挡的具体步骤如下:
将所述子图像转变为灰度图像;
将灰度子图像的像素值归一化为0≤c(i,j)≤1,所述c(i,j)为所述子图像第i行、第j列像素的值;
生成高斯核矩阵;
利用高斯核矩阵对归一化后的灰度子图像进行卷积运算;
对卷积运算后的子图像进行锐化滤波;
对滤波后的子图像进行零交叉查找,在进行零交叉查找时统计白色像素的个数,如果白色像素的个数小于预先设定的边缘数量阈值,则判定子图像处于被遮挡的状态。
优选地,所述边缘数量阈值和子块遮挡数量阈值在检测流程启动前分别由算法初始化程序预先设定,所述边缘数量阈值范围为0%≤边缘数量阈值≤100%,所述子块遮挡数量阈值最小为1,最大不超过子图像的总数量。
优选地,通过所述步骤S201采集视频帧图像检测到一个被遮挡的视频帧图像时,停止视频帧图像遮挡的判定过程,并将所述被遮挡的视频帧图像标记为第一视频帧,将继续采样的视频帧图像依次标记为第二视频帧、第三视频帧、第四视频帧……、第N视频帧,从而得到连续多个视频帧图像,并进入所述基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程。
优选地,所述相似度阈值在检测流程启动前由算法初始化程序预先设定。
优选地,所述最大比较次数在检测流程启动前由算法初始化程序预先设定,最小为1。
优选地,通过所述SSIM结构相似性算法得到的所述相似度指标为0%≤相似度指标≤100%。
上述行车记录仪视频遮挡检测方法中,通过计算和比较由多个视频帧图像组成的图像序列前后视频帧图像之间的相似度指标来判定视频在一个时间段内是否被遮挡,避免了某些瞬间的遮挡引起报警,同时也降低了因图像遮挡误判而引起的错误报警,准确度高,鲁棒性好;使用SSIM结构相似性算法计算两帧图像之间的相似度,不用计算图像差,计算简单,有效提高了大噪声下判断的准确率,具有广泛的应用前景。
附图说明
图1是本发明实施例的基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程步骤示意图。
图2是本发明实施例的S201采集视频帧图像步骤示意图。
具体实施方式
以下将结合具体实施例和附图对本发明进行详细说明。
请参阅图1和图2,示出本发明实施例的一种行车记录仪视频遮挡检测方法,其包括基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程200,所述基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程200用于判断被采样的图像序列是否被持续遮挡,从而判定视频是否被持续遮挡;所述基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程200包括如下步骤:
S201,采集视频帧图像,对视频帧图像进行遮挡检测,以判定视频帧图像是否处于被遮挡的状态;
S202,计算前后图像帧之间的相似度指标:通过步骤S201连续采样得到连续多个视频帧图像,通过SSIM结构相似性算法计算第二视频帧和第一视频帧的相似度指标,通过SSIM结构相似性算法计算第二视频帧和第一视频帧的相似度指标,使视频纹波和椒盐噪声对相似度判断的影响较小,提高了噪声适应性;
优选地,通过所述SSIM结构相似性算法得到的所述相似度指标为0%≤相似度指标≤100%。
S203,计算连续的相似度指标大于相似度阈值的次数:通过步骤S202得到第一相似度指标并将所述第一相似度指标与预设的相似度阈值比较,当所述第一相似度指标大于预设的相似度阈值时,相似次数增加1,重复步骤S202计算第三视频帧和第二视频帧的第二相似度指标,并比较所述第二相似度指标是否大于预设的相似度阈值,若所述第二相似度指标也大于预设的相似度阈值,则相似次数继续增加1,重复步骤S202,继续计算和比较接下来连续采样的视频帧前后两帧的相似度指标,直到连续多个视频帧的前后两帧的相似度指标或出现一个相似度指标不大于预设的相似度阈值时,停止相似度指标的计算和比较过程,并将后一个视频帧标记为新的第一视频帧,重新开始步骤S202;
优选地,所述相似度阈值在检测流程启动前由算法初始化程序预先设定。进一步地,本发明实施例中,所述相似度阈值的取值范围为50%≤相似度阈值≤100%,所述相似度阈值的值更大,则前后两帧图像之间更微小的变化就可以中断步骤S202相似度指标计算和比较过程。
S204,持续的相似次数与最大比较次数对比:若前后两帧之间相似度指标持续大于相似度阈值,则持续的相似次数达到最大比较次数后停止比较并将持续的相似次数与最大比较次数进行比较;
优选地,所述最大比较次数在检测流程启动前由算法初始化程序预先设定,最小为1。进一步地,本发明实施例中,将最大比较次数设定为M,将视频帧图像序列的采样周期设为T,则视频的最小持续遮挡时间为T*M。
S205,判定视频被遮挡:如果持续的相似次数的值等于最大比较次数,则被采样的图像序列在T*M这段时间内是被持续遮挡的,从而判定在T*M这段时间内视频也是被持续遮挡,则重新进入步骤S201采集视频帧图像,开始新一轮视频帧图像的遮挡判断;本发明实施例中,重新进入S201采集视频帧图像的步骤S102;
S206,判定视频没有被遮挡:如果持续的相似次数的值小于最大比较次数,则前后两帧之间的相似度指标计算和比较过程出现了中断,说明被采样的图像序列出现了较大变化,图像序列的遮挡状态发生了变化,无法确定被采样的图像序列在T*M这段时间内是被持续遮挡的,从而判定在T*M这段时间内视频不是被持续遮挡的,则重新进入S201采集视频帧图像,开始新一轮视频帧图像的遮挡判断;本发明实施例中,重新进入S201采集视频帧图像的步骤S102;
S207,视频遮挡报警:如果视频被判定被持续遮挡,则使用所述检测方法的检测系统向汽车行车记录仪中的主程序发送视频遮挡报警信息。
进一步地,S208,重新判断后续帧图像是否被遮挡:无论判定视频是否被遮挡,都回到步骤S102,开始新的一轮视频帧图像遮挡判断,以保证视频遮挡检测的持续性和实时性。
优选地,所述步骤S201采集视频帧图像包括以下步骤:
S101,抓取视频流:通过视频输入单元程序抓取至少一个监控摄像头输入的编码后的数字视频流;
S102,采样视频帧图像:解码视频流并采样一帧视频帧图像;
S103,图像分块:将视频帧图像划分为多个子块,将每个所述子块作为所述视频帧图像的一个ROI区域,以将每个所述子块作为一个单独的子图像;进一步地,本发明实施例中,经过步骤S102得到视频帧图像的长宽比例为16:9,将视频帧图像划分为4*4一共16个子块,每一个子块的分辨率为320*180。
S104,通过图像的纹理边缘数量判断每个子图像是否被遮挡:对每个所述子块使用Marr-Hildreth边缘算子计算所述子图像的纹理边缘数量,当所述纹理边缘数量小于预设的边缘数量阈值时,判定所述子块处于被遮挡的状态;
S105,计算被遮挡的子图像的数目:通过步骤S104计算出被遮挡的子块数量,并将被遮挡的子块数量与预设的子块遮挡数量阈值相比,当被遮挡的所述子块数量超过预设的子块遮挡数量阈值时,判定所述视频帧图像处于被遮挡的状态。进一步地,本发明实施例中,使用步骤S104的方法遍历计算16个子图像的遮挡情况,如果将某个子图像判定为被遮挡,则将被遮挡的子图像的数量增加1,16个子图像计算完后,获得被遮挡的子图像的总数。
进一步地,所述边缘数量为白色像素数占子图像像素总数的百分比,所述边缘数量阈值取值范围为0%≤边缘数量阈值≤100%,所述边缘数量阈值越小,则子图像被判定为遮挡时被遮挡的像素面积比率越大。本发明实施例中,所述边缘数量阈值优选为10%≤边缘数量阈值≤40%。
优选地,所述子块遮挡数量阈值在检测流程启动前由算法初始化程序预先设定,所述子块遮挡数量阈值最小为1,最大不超过子图像的总数量。本发明实施例中,子块遮挡数量阈值最大为16。
进一步地,S106,判断被遮挡的子图像的数目是否大于子块遮挡数量阈值:使用被遮挡的子块数量与子块遮挡数量阈值进行比较。进一步地,子块遮挡数量阈值的值越大,图像被判定为遮挡时整幅图像中被遮挡的面积越大。
进一步地,S107,判定图像没有被遮挡:当被遮挡的子块数目小于预设的子块遮挡数量阈值时,视频帧图像被遮挡的面积较小,判定视频帧图像没有处于被遮挡的状态。进一步地,将被遮挡的子块数目标记为Oc,由被遮挡的子块数目推算整幅视频帧图像被遮挡的面积比例为Oc/16*100%。
进一步地,S108,继续视频帧图像检测:通过步骤S107,若判定视频帧图像没有被遮挡时,继续进行视频帧图像检测。
进一步地,S109,判定图像被遮挡:通过步骤S107,若判定视频帧图像被遮挡,则停止视频帧图像的遮挡判定过程,退出所述步骤S201,进入所述步骤S202计算前后图像帧之间的相似度指标。
优选地,所述步骤S101,抓取视频流的抓取方法为将模拟摄像头拍摄的模拟视频输入至行车记录仪中,在行车记录仪内将模拟视频经过A/D变换和数字编码转变成数字视频,输入所述视频输入单元程序中,通过所述视频输入单元程序抓取至少一个数字视频。进一步地,本发明实施例中,视频像素格式为YUV420-NV12,视频图像分辨率为1280*720,视频帧率为每秒25帧。进一步地,如果监控摄像头的数量超过一个,则每个监控摄像头都会输入一个视频流,在所述视频输入单元程序中启动多个线程,每个线程单独处理一个视频流。
优选地,所述采样视频帧图像包括视频解码和图像编码,所述视频解码用于从压缩视频流中还原一帧图像,所述图像编码用于将视频帧图像编码为方便计算机处理的RGB三通道数字图像,将视频遮挡检测的问题转变为数字图像遮挡检测的问题。
优选地,所述步骤S104,通过图像的纹理边缘数量判断每个子图像是否被遮挡的具体步骤如下:
将所述子图像转变为灰度图像;
将灰度子图像的像素值归一化为0≤c(i,j)≤1,所述c(i,j)为所述子图像第i行、第j列像素的值;
生成高斯核矩阵;
利用高斯核矩阵对归一化后的灰度子图像进行卷积运算;
对卷积运算后的子图像进行锐化滤波;
对滤波后的子图像进行零交叉查找,在进行零交叉查找时统计白色像素的个数,如果白色像素的个数小于预先设定的边缘数量阈值,则判定子图像处于被遮挡的状态。
优选地,通过所述采集视频帧图像检测到一个被遮挡的视频帧图像时,停止视频帧图像遮挡的判定过程,并将所述被遮挡的视频帧图像标记为第一视频帧,将继续采样的视频帧图像依次标记为第二视频帧、第三视频帧、第四视频帧……、第N视频帧,从而得到连续多个视频帧图像,并进入所述基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程200。
上述行车记录仪视频遮挡检测方法,使用Marr-Hildreth边缘算子计算子图像的纹理边缘数量,当图像的纹波和椒盐噪声较大、图像信噪比较低时,通过统计白色像素的个数降低了对噪声的敏感度,即使在图像的信噪比较低、光照不足和红外夜视环境下依然准确判断图像是否被遮挡;通过计算单个视频帧图像的边缘数量来判断一帧图像是否被遮挡,无需划分图像的前景和背景,适用于汽车行驶记录仪视频图像背景不明显,前景复杂多变的特点;S201采集视频帧图像步骤中将单个视频帧一共划分多个子块,单独判断每一个子块的遮挡情况,通过统计被遮挡的子块的总数来判断整幅图像是否被遮挡,结合了图像局部遮挡的情况,提高了算法的适应性,降低了图像遮挡误判率,准确度高,鲁棒性好。
需要说明的是,本发明并不局限于上述实施方式,根据本发明的创造精神,本领域技术人员还可以做出其他变化,这些依据本发明的创造精神所做的变化,都应包含在本发明所要求保护的范围之内。
Claims (10)
1.一种行车记录仪视频遮挡检测方法,其特征在于,包括基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程,所述基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程用于判断被采样的图像序列是否被持续遮挡,从而判定视频是否被持续遮挡;所述基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程包括如下步骤:
S201,采集视频帧图像,对视频帧图像进行遮挡检测,以判定视频帧图像是否处于被遮挡的状态;
S202,计算前后图像帧之间的相似度指标:通过步骤S201连续采样并进行标号得到连续多个视频帧图像,通过SSIM结构相似性算法计算第二视频帧和第一视频帧的相似度指标;
S203,计算连续的相似度指标大于相似度阈值的次数:通过步骤S202得到第一相似度指标并将所述第一相似度指标与预设的相似度阈值比较,当所述第一相似度指标大于预设的相似度阈值时,相似次数增加1,重复步骤S202计算第三视频帧和第二视频帧的第二相似度指标,并比较所述第二相似度指标是否大于预设的相似度阈值,若所述第二相似度指标也大于预设的相似度阈值,则相似次数继续增加1,重复步骤S202,继续计算和比较接下来连续采样的视频帧前后两帧的相似度指标,直到连续多个视频帧的前后两帧的相似度指标或出现一个相似度指标不大于预设的相似度阈值时,停止相似度指标的计算和比较过程,并将后一个视频帧标记为新的第一视频帧,重新开始步骤S202;
S204,持续的相似次数与最大比较次数对比:若前后两帧之间相似度指标持续大于相似度阈值,则持续的相似次数达到最大比较次数后停止比较并将持续的相似次数与最大比较次数进行比较;
S205,判定视频被遮挡:如果持续的相似次数的值等于最大比较次数,则被采样的图像序列是被持续遮挡的,从而判定视频也是被持续遮挡,则重新进入步骤S201采集视频帧图像,进行新一轮视频帧图像的遮挡判断;
S206,判定视频没有被遮挡:如果持续的相似次数的值小于最大比较次数,则前后两帧之间的相似度指标计算和比较过程出现了中断,则被采样的图像序列出现错误,图像序列的遮挡状态发生了变化,无法确定被采样的图像序列是被持续遮挡,从而判定视频不是被持续遮挡的,则重新进入S201采集视频帧图像,进行新一轮视频帧图像的遮挡判断;
S207,视频遮挡报警:如果视频被判定被持续遮挡,则使用所述检测方法的检测系统向汽车行车记录仪中的主程序发送视频遮挡报警信息。
2.如权利要求1所述的行车记录仪视频遮挡检测方法,其特征在于,所述步骤S201采集视频帧图像包括以下步骤:
S101,抓取视频流:通过视频输入单元程序抓取至少一个监控摄像头输入的编码后的数字视频流;
S102,采样视频帧图像:解码视频流并采样一帧视频帧图像;
S103,图像分块:将视频帧图像划分为多个子块,将每个所述子块作为所述视频帧图像的一个ROI区域,以将每个所述子块作为一个单独的子图像;
S104,通过图像的纹理边缘数量判断每个子图像是否被遮挡:对每个所述子块使用Marr-Hildreth边缘算子计算所述子图像的纹理边缘数量,当所述纹理边缘数量小于预设的边缘数量阈值时,判定所述子块处于被遮挡的状态;
S105,计算被遮挡的子图像的数目:通过步骤S104计算出被遮挡的子块数量,并将被遮挡的子块数量与预设的子块遮挡数量阈值相比,当被遮挡的所述子块数量超过预设的子块遮挡数量阈值时,判定所述视频帧图像处于被遮挡的状态。
3.如权利要求2所述的行车记录仪视频遮挡检测方法,其特征在于,所述步骤S101,抓取视频流的抓取方法为将模拟摄像头拍摄的模拟视频输入至行车记录仪中,在行车记录仪内将模拟视频经过A/D变换和数字编码转变成数字视频,输入所述视频输入单元程序中,通过所述视频输入单元程序抓取至少一个数字视频。
4.如权利要求2所述的行车记录仪视频遮挡检测方法,其特征在于,所述采样视频帧图像包括视频解码和图像编码,所述视频解码用于从压缩视频流中还原一帧图像,所述图像编码用于将视频帧图像编码为方便计算机处理的RGB三通道数字图像。
5.如权利要求2所述的行车记录仪视频遮挡检测方法,其特征在于,所述通过图像的纹理边缘数量判断每个子图像是否被遮挡的具体步骤如下:
将所述子图像转变为灰度图像;
将灰度子图像的像素值归一化为0≤c(i,j)≤1,所述c(i,j)为所述子图像第i行、第j列像素的值;
生成高斯核矩阵;
利用高斯核矩阵对归一化后的灰度子图像进行卷积运算;
对卷积运算后的子图像进行锐化滤波;
对滤波后的子图像进行零交叉查找,在进行零交叉查找时统计白色像素的个数,如果白色像素的个数小于预先设定的边缘数量阈值,则判定子图像处于被遮挡的状态。
6.如权利要求2所述的行车记录仪视频遮挡检测方法,其特征在于,所述边缘数量阈值和子块遮挡数量阈值在检测流程启动前分别由算法初始化程序预先设定,所述边缘数量阈值范围为0%≤边缘数量阈值≤100%,所述子块遮挡数量阈值最小为1,最大不超过子图像的总数量。
7.如权利要求2所述的行车记录仪视频遮挡检测方法,其特征在于,通过所述步骤S201采集视频帧图像检测到一个被遮挡的视频帧图像时,停止视频帧图像遮挡的判定过程,并将所述被遮挡的视频帧图像标记为第一视频帧,将继续采样的视频帧图像依次标记为第二视频帧、第三视频帧、第四视频帧……、第N视频帧,从而得到所述连续多个视频帧图像,并进入所述基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程。
8.如权利要求1所述的基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程,其特征在于,所述相似度阈值在检测流程启动前由算法初始化程序预先设定。
9.如权利要求1所述的基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程,其特征在于,所述最大比较次数在检测流程启动前由算法初始化程序预先设定。
10.如权利要求1所述的基于连续采样得到多个视频帧图像组成的图像序列的遮挡检测流程,其特征在于,通过所述SSIM结构相似性算法得到的所述相似度指标为0%≤相似度指标≤100%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911114424.XA CN111027398A (zh) | 2019-11-14 | 2019-11-14 | 行车记录仪视频遮挡检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911114424.XA CN111027398A (zh) | 2019-11-14 | 2019-11-14 | 行车记录仪视频遮挡检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027398A true CN111027398A (zh) | 2020-04-17 |
Family
ID=70205709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911114424.XA Pending CN111027398A (zh) | 2019-11-14 | 2019-11-14 | 行车记录仪视频遮挡检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027398A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723644A (zh) * | 2020-04-20 | 2020-09-29 | 北京邮电大学 | 一种监控视频遮挡检测方法及系统 |
CN112215794A (zh) * | 2020-09-01 | 2021-01-12 | 北京中科慧眼科技有限公司 | 一种双目adas摄像头脏污检测的方法及装置 |
CN112597952A (zh) * | 2020-12-28 | 2021-04-02 | 深圳市捷顺科技实业股份有限公司 | 一种摄像机监控状态的识别方法、装置、系统及存储介质 |
CN112634313A (zh) * | 2021-01-08 | 2021-04-09 | 云从科技集团股份有限公司 | 目标遮挡评估方法、系统、介质及装置 |
CN113645405A (zh) * | 2021-07-30 | 2021-11-12 | 深圳法翼软件技术有限公司 | 一种用于人员监管的服务记录仪、管理平台系统及方法 |
CN114998317A (zh) * | 2022-07-18 | 2022-09-02 | 福思(杭州)智能科技有限公司 | 镜头遮挡检测方法、装置、摄像装置和存储介质 |
CN115190329A (zh) * | 2022-06-29 | 2022-10-14 | 杭州拓深科技有限公司 | 数据样本过滤比对法对实时视频流的推流优化方法 |
CN116071724A (zh) * | 2023-03-03 | 2023-05-05 | 安徽蔚来智驾科技有限公司 | 车载相机遮挡场景识别方法、电子设备、存储介质及车辆 |
WO2023103298A1 (zh) * | 2021-12-08 | 2023-06-15 | 上海商汤智能科技有限公司 | 遮挡检测方法及装置、电子设备、存储介质及计算机程序产品 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240235A (zh) * | 2014-08-26 | 2014-12-24 | 北京君正集成电路股份有限公司 | 一种检测摄像头被遮挡的方法及系统 |
CN104637068A (zh) * | 2013-11-14 | 2015-05-20 | 华为技术有限公司 | 视频帧及视频画面遮挡检测方法及装置 |
US20150279018A1 (en) * | 2014-03-31 | 2015-10-01 | Continental Automotive France | Method for determining a state of obstruction of at least one camera installed in a stereoscopic system |
CN105427276A (zh) * | 2015-10-29 | 2016-03-23 | 重庆电信系统集成有限公司 | 一种基于图像局部边缘特征的摄像头检测方法 |
CN105744268A (zh) * | 2016-05-04 | 2016-07-06 | 深圳众思科技有限公司 | 摄像头遮挡检测方法及装置 |
CN108174198A (zh) * | 2018-03-07 | 2018-06-15 | 江苏中软智能系统有限公司 | 一种视频图像质量诊断分析检测设备及应用系统 |
CN109242884A (zh) * | 2018-08-14 | 2019-01-18 | 西安电子科技大学 | 基于JCFNet网络的遥感视频目标跟踪方法 |
-
2019
- 2019-11-14 CN CN201911114424.XA patent/CN111027398A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637068A (zh) * | 2013-11-14 | 2015-05-20 | 华为技术有限公司 | 视频帧及视频画面遮挡检测方法及装置 |
US20150279018A1 (en) * | 2014-03-31 | 2015-10-01 | Continental Automotive France | Method for determining a state of obstruction of at least one camera installed in a stereoscopic system |
CN104240235A (zh) * | 2014-08-26 | 2014-12-24 | 北京君正集成电路股份有限公司 | 一种检测摄像头被遮挡的方法及系统 |
CN105427276A (zh) * | 2015-10-29 | 2016-03-23 | 重庆电信系统集成有限公司 | 一种基于图像局部边缘特征的摄像头检测方法 |
CN105744268A (zh) * | 2016-05-04 | 2016-07-06 | 深圳众思科技有限公司 | 摄像头遮挡检测方法及装置 |
CN108174198A (zh) * | 2018-03-07 | 2018-06-15 | 江苏中软智能系统有限公司 | 一种视频图像质量诊断分析检测设备及应用系统 |
CN109242884A (zh) * | 2018-08-14 | 2019-01-18 | 西安电子科技大学 | 基于JCFNet网络的遥感视频目标跟踪方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723644A (zh) * | 2020-04-20 | 2020-09-29 | 北京邮电大学 | 一种监控视频遮挡检测方法及系统 |
CN112215794A (zh) * | 2020-09-01 | 2021-01-12 | 北京中科慧眼科技有限公司 | 一种双目adas摄像头脏污检测的方法及装置 |
CN112215794B (zh) * | 2020-09-01 | 2022-09-20 | 北京中科慧眼科技有限公司 | 一种双目adas摄像头脏污检测的方法及装置 |
CN112597952A (zh) * | 2020-12-28 | 2021-04-02 | 深圳市捷顺科技实业股份有限公司 | 一种摄像机监控状态的识别方法、装置、系统及存储介质 |
CN112634313A (zh) * | 2021-01-08 | 2021-04-09 | 云从科技集团股份有限公司 | 目标遮挡评估方法、系统、介质及装置 |
CN112634313B (zh) * | 2021-01-08 | 2021-10-29 | 云从科技集团股份有限公司 | 目标遮挡评估方法、系统、介质及装置 |
CN113645405B (zh) * | 2021-07-30 | 2022-12-02 | 深圳警翼软件技术有限公司 | 一种用于人员监管的服务记录仪、管理平台系统及方法 |
CN113645405A (zh) * | 2021-07-30 | 2021-11-12 | 深圳法翼软件技术有限公司 | 一种用于人员监管的服务记录仪、管理平台系统及方法 |
WO2023103298A1 (zh) * | 2021-12-08 | 2023-06-15 | 上海商汤智能科技有限公司 | 遮挡检测方法及装置、电子设备、存储介质及计算机程序产品 |
CN115190329A (zh) * | 2022-06-29 | 2022-10-14 | 杭州拓深科技有限公司 | 数据样本过滤比对法对实时视频流的推流优化方法 |
CN114998317A (zh) * | 2022-07-18 | 2022-09-02 | 福思(杭州)智能科技有限公司 | 镜头遮挡检测方法、装置、摄像装置和存储介质 |
CN114998317B (zh) * | 2022-07-18 | 2022-11-04 | 福思(杭州)智能科技有限公司 | 镜头遮挡检测方法、装置、摄像装置和存储介质 |
CN116071724A (zh) * | 2023-03-03 | 2023-05-05 | 安徽蔚来智驾科技有限公司 | 车载相机遮挡场景识别方法、电子设备、存储介质及车辆 |
CN116071724B (zh) * | 2023-03-03 | 2023-08-04 | 安徽蔚来智驾科技有限公司 | 车载相机遮挡场景识别方法、电子设备、存储介质及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027398A (zh) | 行车记录仪视频遮挡检测方法 | |
CN112800860B (zh) | 一种事件相机和视觉相机协同的高速抛撒物检测方法和系统 | |
CN111027370A (zh) | 一种多目标跟踪及行为分析检测方法 | |
CN114298948A (zh) | 基于PSPNet-RCNN的球机监控异常检测方法 | |
KR20130072073A (ko) | 영상 윤곽선 추출 장치 및 방법 | |
CN114140656B (zh) | 一种基于事件相机的海上船舶目标识别方法 | |
CN110853077B (zh) | 一种基于形态变化估计的自适应红外动态帧特征提取方法 | |
CN116402852A (zh) | 基于事件相机的动态高速目标追踪方法及装置 | |
KR101581162B1 (ko) | 실시간 영상 기반의 화염, 연기 및 물체 움직임 자동 감지 방법, 장치 및 시스템 | |
CN104299234B (zh) | 视频数据中雨场去除的方法和系统 | |
CN113112479A (zh) | 基于关键区块提取的渐进式目标检测方法和装置 | |
CN116721145A (zh) | 一种液体介质泄露检测方法、装置、电子设备及存储介质 | |
CN111242051A (zh) | 一种车辆识别优化方法、装置及存储介质 | |
CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
JP3797499B2 (ja) | 水路流出入物監視装置 | |
Chaiyawatana et al. | Robust object detection on video surveillance | |
CN109886133B (zh) | 一种基于光学遥感图像的船只检测方法及系统 | |
Abdusalomov et al. | Robust shadow removal technique for improving image enhancement based on segmentation method | |
TWI599222B (zh) | Photographic device anomaly detection method | |
CN112307916A (zh) | 一种基于可见光摄像机的报警监控方法 | |
KR101430257B1 (ko) | 디지털 감시 카메라 시스템을 위한 적응적 임계값을 사용하는 자동 장면 전환 검출 장치 | |
CN112926676B (zh) | 一种虚假目标识别方法、装置及计算机设备 | |
US11386656B2 (en) | Device and method of handling video content analysis | |
Zhang et al. | Study Based on the Edge Detection Algorithm Improved by Canny | |
Singh et al. | Multi-level threshold based edge detector using logical operations |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |