CN111402301A - 积水检测方法及装置、存储介质及电子装置 - Google Patents
积水检测方法及装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN111402301A CN111402301A CN202010188160.9A CN202010188160A CN111402301A CN 111402301 A CN111402301 A CN 111402301A CN 202010188160 A CN202010188160 A CN 202010188160A CN 111402301 A CN111402301 A CN 111402301A
- Authority
- CN
- China
- Prior art keywords
- frame difference
- target
- picture sequence
- difference picture
- binarization
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种积水检测方法及装置、存储介质及电子装置,其中,该方法包括:对预定数量帧目标图片中相邻两帧图片做差值处理,以得到帧差图片序列,其中,所述目标图片中包括有目标区域的图像信息;对所述帧差图片序列做二值化处理,以得到二值化帧差图片序列;基于所述二值化帧差图片序列中包括的二值化帧差图片的像素值确定所述目标区域中的积水状态。通过本发明,解决了相关技术中存在的积水检测复杂,无法有效判断区域中是否存在积水的问题,进而实现了能够有效确定区域中的积水情况,确保了行人、车辆、财产等的安全。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种积水检测方法及装置、存储介质及电子装置。
背景技术
为了缓解交通压力和保证出行的畅通,许多城市建设了不少的立交桥和下穿隧道。近年来,由强降雨引起的城市下穿隧道及立交桥下低洼处存在大量积水的现象时有发生,且有愈演愈烈的趋势。在我国很多城市,一场暴雨积水有可能会高达一米以上,且可能会存在长时间不能及时排走的问题,由此给人们的出行带来了很大的不便,若无法及时发现积水区域,可能会导致危害人们生命财产安全的问题。
在相关技术中,普遍使用传统物联网技术来检测积水情况,例如,利用液位传感器加上窄带物联网通讯协议的方式来检测积水,但是该检测方式对环境要求高,成本高,安装繁琐。
针对相关技术中存在的上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种积水检测方法及装置、存储介质及电子装置,以至少解决相关技术中存在的积水检测复杂,无法有效判断区域中是否存在积水的问题。
根据本发明的一个实施例,提供了一种积水检测方法,包括:对预定数量帧目标图片中相邻两帧图片做差值处理,以得到帧差图片序列,其中,所述目标图片中包括有目标区域的图像信息;对所述帧差图片序列做二值化处理,以得到二值化帧差图片序列;基于所述二值化帧差图片序列中包括的二值化帧差图片的像素值确定所述目标区域中的积水状态。
根据本发明的一个实施例,一种积水检测装置,包括:第一处理模块,用于对预定数量帧目标图片中相邻两帧图片做差值处理,以得到帧差图片序列,其中,所述目标图片中包括有目标区域的图像信息;第二处理模块,用于对所述帧差图片序列做二值化处理,以得到二值化帧差图片序列;确定模块,用于基于所述二值化帧差图片序列中包括的二值化帧差图片的像素值确定所述目标区域中的积水状态。
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,在获取预定数量帧包括目标区域的图像信息的目标图片后,对相邻两帧目标图片做差值处理,得到帧差图片序列,然后将得到的帧差图片序列做二值化处理,得到二值化帧差图片序列,并通过分析二值化帧差图片的像素来确定出目标区域是否存在积水,即,可以仅通过拍摄的图片来确定目标区域中是否存在积水,无需采用常规的液位传感器等设备,有效解决了相关技术中存在的积水检测复杂,无法有效判断区域中是否存在积水的问题,进而实现了能够有效确定区域中的积水情况,确保了行人、车辆、财产等的安全。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,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是本发明实施例的一种积水检测方法的移动终端的硬件结构框图;
图2是根据本发明实施例的积水检测方法的流程图;
图3是根据本发明可选实施例的直方图规范化前后图像对比图;
图4是根据本发明可选实施例的水波纹DBSCAN聚类中心图;
图5是根据本发明具体实施例的积水检测流程图;
图6是根据本发明实施例的积水检测装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种积水检测方法的移动终端的硬件结构框图。如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的积水检测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于积水检测的方法,图2是根据本发明实施例的积水检测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,对预定数量帧目标图片中相邻两帧图片做差值处理,以得到帧差图片序列,其中,所述目标图片中包括有目标区域的图像信息;
步骤S204,对所述帧差图片序列做二值化处理,以得到二值化帧差图片序列;
步骤S206,基于所述二值化帧差图片序列中包括的二值化帧差图片的像素值确定所述目标区域中的积水状态。
在上述实施例中,可以采用帧间差分法与二值化进行积水的水波纹检测;其中,对相邻两帧图片做差值处理可以采用帧间差分法,帧间差分法的作用是检测运动物体轮廓,适合用于检测积水区域(例如,积水路面)的水波纹。帧间差分法实现简单,时间复杂度低,能够保证算法的实时性。
可选地,上述步骤的执行主体可以是后台处理器,或者其他的具备类似处理能力的设备,还可以是至少集成有图像获取设备以及数据处理设备的机器,其中,图像获取设备可以包括摄像头等图形采集模块,数据处理设备可以包括计算机、手机等终端,但不限于此。
通过本发明,在获取预定数量帧包括目标区域的图像信息的目标图片后,对相邻两帧目标图片做差值处理,得到帧差图片序列,然后将得到的帧差图片序列做二值化处理,得到二值化帧差图片序列,并通过分析二值化帧差图片的像素来确定出目标区域是否存在积水,即,可以仅通过拍摄的图片来确定目标区域中是否存在积水,无需采用常规的液位传感器等设备,有效解决了相关技术中存在的解决了相关技术中存在的积水检测复杂,无法有效判断区域中是否存在积水的问题,进而实现了能够有效确定区域中的积水情况,确保了行人、车辆、财产等的安全。
在一个可选的实施例中,在对预定数量帧目标图片中相邻两帧图片做差值处理,以得到帧差图片序列之前,所述方法还包括:对目标区域进行拍摄以得到包括预定数量帧图片的原始图片序列;对所述原始图片序列做灰度化处理,以得到灰度图片序列;对所述灰度图片序列做直方图规范化处理,以得到所述预定数量帧目标图片。在本实施例中,在实际场景下,视频相邻两帧图片之间的亮度变化往往非常大,如果直接使用原图做帧差,则会引入很大的环境噪声,不利于后续算法处理。直方图规范化的作用是取消亮度变化对图像的影响,使得相邻帧之间具有相同的统计特征,进而得到更为准确的计算结果。其中,直方图规范化前后图像对比图见附图3。
在一个可选的实施例中,对所述帧差图片序列做二值化处理,以得到二值化帧差图片序列包括:对于所述帧差图片序列中包括的每个帧差图片均执行以下处理:确定所述帧差图片的平均像素值;以所述平均像素值为基准对所述帧差图片做二值化处理,以得到二值化帧差图片;将各二值化帧差图片组合成所述二值化帧差图片序列。在本实施例中,可以对每帧图片都单独进行二值化处理。针对每帧图片来说,可以以该图片的像素均值作为阈值,图片中像素大小小于阈值的像素调成0,大于阈值的像素调成255。需要说明的是,上述的确定阈值的方式是一种可选的方式,在实际应用中还可以采用其他的方式确定阈值,例如,直接指定一个像素值作为该阈值,或者将通过其他计算方式确定出的像素值作为阈值。
在一个可选的实施例中,基于所述二值化帧差图片序列中包括的二值化帧差图片的像素值确定所述目标区域中的积水状态包括:判断所述二值化帧差图片序列中是否存在像素值均值大于预定阈值的二值化帧差图片;在确定不存在的情况下,确定所述目标区域中不存在积水;在确定存在的情况下,基于所述二值化帧差图片序列中像素值均值大于预定阈值的目标二值化帧差图片确定所述目标区域中的积水状态。在本实施例中,若二值化帧差图片序列中存在图片像素均值大于预定阈值的图片时,则说明目标区域中可能是存在积水的,但是由于实际情况中会存在一些干扰因素(例如,树叶干扰等)因此,具体是否存在积水还需要进行进一步的判断,下面会对该进一步的判断进行说明。
在一个可选的实施例中,基于像素值均值大于预定阈值的二值化帧差图片确定所述目标区域中的积水状态包括:对所述目标二值化帧差图片中像素为255的像素点做密度聚类,以得到多个聚类中心;对所述目标二值化帧差图片中所包括的聚类中心做集成估计,以确定是否存在满足预定条件的目标聚类中心;在确定存在满足所述预定条件的所述目标聚类中心的情况下,确定所述目标区域中存在积水;在确定不存在满足所述预定条件的所述目标聚类中心的情况下,确定所述目标区域中不存在积水。在本实施例中,预定条件可以包括聚类中心的中心点位置变化较小,或仅在一定范围内变化(例如,位置偏移小于20cm,或者小于50cm,或者小于1m等);若检测到聚类中心的中心点呈某种轨迹偏移(例如,呈一条直线偏移)时,则可认定该聚类中心并非是积水区域,可能是随风晃动的树木群。在本实施例中,进行密度聚类时可以采用聚类方法DBSCAN,在积水检测的场景下,基于密度的聚类方法DBSCAN,与常见的基于划分的聚类算法(例如K-means)相比具有以下优势:1.DBSCAN无需提前指定聚类中心的个数K,会自动计算聚类中心个数K。2.基于划分的聚类适用于样本簇状分布,而基于密度的聚类对任何样本分布情况都适用。3.DBSCAN可以识别噪声点。可选地,积水中的水波纹DBSCAN聚类中心图可见附图4。在上述实施例中,在积水检测的场景中,使用了集成学习的思想,对多帧检测的结果进行结果融合,采用集成学习的思想,统计多帧帧间信息,极大的提高检测的准确率。
在一个可选的实施例中,所述预定条件包括:聚类中心的中心点的位置偏移小于预定偏移阈值。在本实施例中,预定偏移阈值可以设置为20cm(该取值仅是一种可实现方式,本发明对预定偏移阈值不做限制,预定偏移阈值可以根据应用的场景、环境等的不同设置不同的值,例如,还可以设置为50cm、1m等)。
在一个可选的实施例中,在确定所述目标区域中存在积水的情况下,将满足所述预定条件的所述目标聚类中心的坐标确定为所述积水的中心的坐标。在本实施例中,实际上是使用了加权平均的方法计算积水中的水波纹坐标。可选地,加权平均计算规则可以如下所示:由于视频连续性的特性,过去的信息可以对当前的决策产生影响,越早的信息对当前的影响越小,所以权重设定为:
W0=1
Wk=γk*W0 (k>0)
其中:Wk表示当前帧之前第k帧的坐标权重,γ代表权重衰减系数。
下面结合具体实施例对如何检测积水进行说明:
图5是根据本发明具体实施例的积水检测流程图,如图5所示,本发明具体实施例中的积水检测流程包括如下步骤:
步骤S502,取预定连续数量帧的图片,进行灰度化,得到灰度图片序列。例如,可以每30s取20帧连续图片,进行灰度化,得到灰度图片序列。
步骤S504,将序列中的图片进行直方图规范化,以消除亮度突然变化造成的影响。
步骤S506,将序列中的相邻的前后两帧图片作为一个图片对,对所有图片对中的图片做差值,保存差值的绝对值,得到帧差图片序列。将帧差图片的均值作为阈值进行二值化处理,得到二值化帧差图片。
步骤S508,判断二值帧差图片的像素均值是否大于设定的阈值,在判断结果为否的情况下,确定没有检测出水波纹,转至步骤S514;在确定结果为是的情况下,转至步骤S510。
步骤S510,将二值化帧差图片的像素为255(水波纹位置)的坐标取出做DBSCAN密度聚类,得到水波纹密度较为集中的多个聚类中心。
步骤S512,通过19个帧差二值图片对水波纹进行集成估计,对有无水波纹进行投票,判断是否存在水波纹,在确定不存在水波纹时,转至步骤S514;在确定存在的情况下,转至步骤S516。
步骤S514,认为图像中无水波纹。
步骤S516,确定目标区域中积水的中心坐标。
在前述实施例中,使用轻量级算法,摄像头采集数据后可以直接在本地进行数据计算,并将计算结果返回到控制中心,从而极大的减少传输带宽,能够保证处理的实时性,并且软件拓展性强,便于算法迭代升级。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种积水检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例的积水检测装置的结构框图,如图6所示,该装置包括:
第一处理模块62,用于对预定数量帧目标图片中相邻两帧图片做差值处理,以得到帧差图片序列,其中,所述目标图片中包括有目标区域的图像信息;
第二处理模块64,用于对所述帧差图片序列做二值化处理,以得到二值化帧差图片序列;
确定模块66,用于基于所述二值化帧差图片序列中包括的二值化帧差图片的像素值确定所述目标区域中的积水状态。
在一个可选的实施例中,所述装置还用于在对预定数量帧目标图片中相邻两帧图片做差值处理,以得到帧差图片序列之前,对目标区域进行拍摄以得到包括预定数量帧图片的原始图片序列;对所述原始图片序列做灰度化处理,以得到灰度图片序列;对所述灰度图片序列做直方图规范化处理,以得到所述预定数量帧目标图片。
在一个可选的实施例中,所述第二处理模块64可以通过以下方式对所述帧差图片序列做二值化处理,以得到二值化帧差图片序列:对于所述帧差图片序列中包括的每个帧差图片均执行以下处理:确定所述帧差图片的平均像素值;以所述平均像素值为基准对所述帧差图片做二值化处理,以得到二值化帧差图片;将各二值化帧差图片组合成所述二值化帧差图片序列。
在一个可选的实施例中,所述确定模块66可以通过以下方式判断基于所述二值化帧差图片序列中包括的二值化帧差图片的像素值确定所述目标区域中的积水状态:判断所述二值化帧差图片序列中是否存在像素值均值大于预定阈值的二值化帧差图片;在确定不存在的情况下,确定所述目标区域中不存在积水;在确定存在的情况下,基于所述二值化帧差图片序列中像素值均值大于预定阈值的目标二值化帧差图片确定所述目标区域中的积水状态。
在一个可选的实施例中,所述确定模块66可以通过以下方式基于像素值均值大于预定阈值的二值化帧差图片确定所述目标区域中的积水状态:对所述目标二值化帧差图片中像素为255的像素点做密度聚类,以得到多个聚类中心;对所述目标二值化帧差图片中所包括的聚类中心做集成估计,以确定是否存在满足预定条件的目标聚类中心;在确定存在满足所述预定条件的所述目标聚类中心的情况下,确定所述目标区域中存在积水;在确定不存在满足所述预定条件的所述目标聚类中心的情况下,确定所述目标区域中不存在积水。
在一个可选的实施例中,所述预定条件包括:聚类中心的中心点的位置偏移小于预定偏移阈值。
在一个可选的实施例中,所述装置还用于在确定所述目标区域中存在积水的情况下,将满足所述预定条件的所述目标聚类中心的坐标确定为所述积水的中心的坐标。
在上述实施例中,可以利用放置在可能存在积水的区域中(例如,交叉路口)的一台球机(对应于上述的积水检测装置)同时对多条道路的积水进行检测,并能对积水位置进行准确定位。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,对预定数量帧目标图片中相邻两帧图片做差值处理,以得到帧差图片序列,其中,所述目标图片中包括有目标区域的图像信息;
S2,对所述帧差图片序列做二值化处理,以得到二值化帧差图片序列;
S3,基于所述二值化帧差图片序列中包括的二值化帧差图片的像素值确定所述目标区域中的积水状态。
可选地,在本实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,对预定数量帧目标图片中相邻两帧图片做差值处理,以得到帧差图片序列,其中,所述目标图片中包括有目标区域的图像信息;
S2,对所述帧差图片序列做二值化处理,以得到二值化帧差图片序列;
S3,基于所述二值化帧差图片序列中包括的二值化帧差图片的像素值确定所述目标区域中的积水状态。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,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 (10)
1.一种积水检测方法,其特征在于,包括:
对预定数量帧目标图片中相邻两帧图片做差值处理,以得到帧差图片序列,其中,所述目标图片中包括有目标区域的图像信息;
对所述帧差图片序列做二值化处理,以得到二值化帧差图片序列;
基于所述二值化帧差图片序列中包括的二值化帧差图片的像素值确定所述目标区域中的积水状态。
2.根据权利要求1所述的方法,其特征在于,在对预定数量帧目标图片中相邻两帧图片做差值处理,以得到帧差图片序列之前,所述方法还包括:
对目标区域进行拍摄以得到包括预定数量帧图片的原始图片序列;
对所述原始图片序列做灰度化处理,以得到灰度图片序列;
对所述灰度图片序列做直方图规范化处理,以得到所述预定数量帧目标图片。
3.根据权利要求1所述的方法,其特征在于,对所述帧差图片序列做二值化处理,以得到二值化帧差图片序列包括:
对于所述帧差图片序列中包括的每个帧差图片均执行以下处理:确定所述帧差图片的平均像素值;以所述平均像素值为基准对所述帧差图片做二值化处理,以得到二值化帧差图片;
将各二值化帧差图片组合成所述二值化帧差图片序列。
4.根据权利要求1所述的方法,其特征在于,基于所述二值化帧差图片序列中包括的二值化帧差图片的像素值确定所述目标区域中的积水状态包括:
判断所述二值化帧差图片序列中是否存在像素值均值大于预定阈值的二值化帧差图片;
在确定不存在的情况下,确定所述目标区域中不存在积水;
在确定存在的情况下,基于所述二值化帧差图片序列中像素值均值大于预定阈值的目标二值化帧差图片确定所述目标区域中的积水状态。
5.根据权利要求4所述的方法,其特征在于,基于像素值均值大于预定阈值的二值化帧差图片确定所述目标区域中的积水状态包括:
对所述目标二值化帧差图片中像素为255的像素点做密度聚类,以得到多个聚类中心;
对所述目标二值化帧差图片中所包括的聚类中心做集成估计,以确定是否存在满足预定条件的目标聚类中心;
在确定存在满足所述预定条件的所述目标聚类中心的情况下,确定所述目标区域中存在积水;
在确定不存在满足所述预定条件的所述目标聚类中心的情况下,确定所述目标区域中不存在积水。
6.根据权利要求5所述的方法,其特征在于,所述预定条件包括:
聚类中心的中心点的位置偏移小于预定偏移阈值。
7.根据权利要求5所述的方法,其特征在于,在确定所述目标区域中存在积水的情况下,将满足所述预定条件的所述目标聚类中心的坐标确定为所述积水的中心的坐标。
8.一种积水检测装置,其特征在于,包括:
第一处理模块,用于对预定数量帧目标图片中相邻两帧图片做差值处理,以得到帧差图片序列,其中,所述目标图片中包括有目标区域的图像信息;
第二处理模块,用于对所述帧差图片序列做二值化处理,以得到二值化帧差图片序列;
确定模块,用于基于所述二值化帧差图片序列中包括的二值化帧差图片的像素值确定所述目标区域中的积水状态。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188160.9A CN111402301B (zh) | 2020-03-17 | 2020-03-17 | 积水检测方法及装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188160.9A CN111402301B (zh) | 2020-03-17 | 2020-03-17 | 积水检测方法及装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111402301A true CN111402301A (zh) | 2020-07-10 |
CN111402301B CN111402301B (zh) | 2023-06-13 |
Family
ID=71434289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010188160.9A Active CN111402301B (zh) | 2020-03-17 | 2020-03-17 | 积水检测方法及装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402301B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113060125A (zh) * | 2020-08-31 | 2021-07-02 | 惠州华阳通用电子有限公司 | 一种泊车辅助方法及装置 |
CN113191331A (zh) * | 2021-05-27 | 2021-07-30 | 中国原子能科学研究院 | 脉冲萃取柱中空气脉冲条件实时监测装置及其方法 |
CN116740577A (zh) * | 2023-08-10 | 2023-09-12 | 瞳见科技有限公司 | 道路积水识别方法、系统、终端及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101026685A (zh) * | 2007-03-23 | 2007-08-29 | 北京中星微电子有限公司 | 一种静止物体检测的方法及系统 |
WO2010084902A1 (ja) * | 2009-01-22 | 2010-07-29 | 株式会社日立国際電気 | 侵入警報ビデオ処理装置 |
CN103871253A (zh) * | 2014-03-03 | 2014-06-18 | 杭州电子科技大学 | 一种基于自适应背景差分的车流量检测方法 |
CN103955949A (zh) * | 2014-04-04 | 2014-07-30 | 哈尔滨工程大学 | 基于Mean-shift算法的运动目标检测方法 |
US20150063651A1 (en) * | 2013-08-28 | 2015-03-05 | Fujitsu Limited | Image processing apparatus and image processing method |
CN106127807A (zh) * | 2016-06-21 | 2016-11-16 | 中国石油大学(华东) | 一种实时的视频多类多目标跟踪方法 |
CN106488133A (zh) * | 2016-11-17 | 2017-03-08 | 维沃移动通信有限公司 | 一种运动对象的检测方法及移动终端 |
CN109543691A (zh) * | 2018-12-27 | 2019-03-29 | 斑马网络技术有限公司 | 积水识别方法、装置以及存储介质 |
CN109785363A (zh) * | 2018-12-29 | 2019-05-21 | 中国电子科技集团公司第五十二研究所 | 一种无人机航拍视频运动小目标实时检测与跟踪方法 |
CN110580741A (zh) * | 2019-09-05 | 2019-12-17 | 深圳市赛为智能股份有限公司 | 婴幼儿吐奶行为检测方法、装置、计算机设备及存储介质 |
CN110599516A (zh) * | 2019-08-22 | 2019-12-20 | 普联技术有限公司 | 一种运动目标检测方法、装置、存储介质及终端设备 |
CN110874598A (zh) * | 2019-11-05 | 2020-03-10 | 西南交通大学 | 一种基于深度学习的高速公路水痕检测方法 |
-
2020
- 2020-03-17 CN CN202010188160.9A patent/CN111402301B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101026685A (zh) * | 2007-03-23 | 2007-08-29 | 北京中星微电子有限公司 | 一种静止物体检测的方法及系统 |
WO2010084902A1 (ja) * | 2009-01-22 | 2010-07-29 | 株式会社日立国際電気 | 侵入警報ビデオ処理装置 |
US20150063651A1 (en) * | 2013-08-28 | 2015-03-05 | Fujitsu Limited | Image processing apparatus and image processing method |
CN103871253A (zh) * | 2014-03-03 | 2014-06-18 | 杭州电子科技大学 | 一种基于自适应背景差分的车流量检测方法 |
CN103955949A (zh) * | 2014-04-04 | 2014-07-30 | 哈尔滨工程大学 | 基于Mean-shift算法的运动目标检测方法 |
CN106127807A (zh) * | 2016-06-21 | 2016-11-16 | 中国石油大学(华东) | 一种实时的视频多类多目标跟踪方法 |
CN106488133A (zh) * | 2016-11-17 | 2017-03-08 | 维沃移动通信有限公司 | 一种运动对象的检测方法及移动终端 |
CN109543691A (zh) * | 2018-12-27 | 2019-03-29 | 斑马网络技术有限公司 | 积水识别方法、装置以及存储介质 |
CN109785363A (zh) * | 2018-12-29 | 2019-05-21 | 中国电子科技集团公司第五十二研究所 | 一种无人机航拍视频运动小目标实时检测与跟踪方法 |
CN110599516A (zh) * | 2019-08-22 | 2019-12-20 | 普联技术有限公司 | 一种运动目标检测方法、装置、存储介质及终端设备 |
CN110580741A (zh) * | 2019-09-05 | 2019-12-17 | 深圳市赛为智能股份有限公司 | 婴幼儿吐奶行为检测方法、装置、计算机设备及存储介质 |
CN110874598A (zh) * | 2019-11-05 | 2020-03-10 | 西南交通大学 | 一种基于深度学习的高速公路水痕检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113060125A (zh) * | 2020-08-31 | 2021-07-02 | 惠州华阳通用电子有限公司 | 一种泊车辅助方法及装置 |
CN113060125B (zh) * | 2020-08-31 | 2022-08-30 | 惠州华阳通用电子有限公司 | 一种泊车辅助方法及装置 |
CN113191331A (zh) * | 2021-05-27 | 2021-07-30 | 中国原子能科学研究院 | 脉冲萃取柱中空气脉冲条件实时监测装置及其方法 |
CN116740577A (zh) * | 2023-08-10 | 2023-09-12 | 瞳见科技有限公司 | 道路积水识别方法、系统、终端及存储介质 |
CN116740577B (zh) * | 2023-08-10 | 2024-01-12 | 瞳见科技有限公司 | 道路积水识别方法、系统、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111402301B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402301B (zh) | 积水检测方法及装置、存储介质及电子装置 | |
CN112417953B (zh) | 道路状况检测和地图数据更新方法、装置、系统及设备 | |
CN110969215B (zh) | 聚类处理方法和装置、存储介质及电子装置 | |
CN110781836A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN107404628B (zh) | 图像处理装置及方法以及监视系统 | |
CN111160175A (zh) | 智能行人违章行为管理方法及相关产品 | |
CN110378276B (zh) | 车辆状态获取方法、装置、设备、及存储介质 | |
CN111310727A (zh) | 对象检测方法及装置、存储介质、电子装置 | |
CN110796580B (zh) | 智能交通系统管理方法及相关产品 | |
CN111833341A (zh) | 确定图像中条纹噪声的方法及装置 | |
CN113743151A (zh) | 一种检测路面抛洒物的方法、装置及存储介质 | |
CN115471574B (zh) | 外参的确定方法、装置、存储介质及电子装置 | |
Dizon et al. | Development of an open-space visual smart parking system | |
CN116363865A (zh) | 交通拥堵评估方法、装置、电子设备及存储介质 | |
CN107818287B (zh) | 一种客流统计装置及系统 | |
CN114170545A (zh) | 一种数据处理方法、装置、存储介质及电子装置 | |
CN114495056A (zh) | 停车场柱子检测方法、检测装置、车辆及存储介质 | |
CN113673362A (zh) | 对象的运动状态确定方法、装置、计算机设备和存储介质 | |
CN112669346A (zh) | 一种路面突发状况确定方法及装置 | |
CN113963310A (zh) | 一种公交站的人流量检测方法、装置及电子设备 | |
CN112749577A (zh) | 一种停车位的检测方法及装置 | |
CN114038197B (zh) | 场景状态的确定方法、装置、存储介质及电子装置 | |
CN104700396B (zh) | 从图像中确定用于估计交通量的参数的方法和系统 | |
CN111985497B (zh) | 架空输电线路下吊车作业识别方法及系统 | |
CN112597806A (zh) | 基于样本背景减法和阴影检测的车辆计数方法和装置 |
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 |