CN111414800A - 图像中小目标识别监控方法及其训练集的获取方法 - Google Patents

图像中小目标识别监控方法及其训练集的获取方法 Download PDF

Info

Publication number
CN111414800A
CN111414800A CN202010095718.9A CN202010095718A CN111414800A CN 111414800 A CN111414800 A CN 111414800A CN 202010095718 A CN202010095718 A CN 202010095718A CN 111414800 A CN111414800 A CN 111414800A
Authority
CN
China
Prior art keywords
image
target image
monitoring
initial
small
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
CN202010095718.9A
Other languages
English (en)
Other versions
CN111414800B (zh
Inventor
孔泉
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.)
Miaowei Hangzhou Technology Co ltd
Original Assignee
Miaowei Hangzhou Technology Co ltd
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 Miaowei Hangzhou Technology Co ltd filed Critical Miaowei Hangzhou Technology Co ltd
Priority to CN202010095718.9A priority Critical patent/CN111414800B/zh
Publication of CN111414800A publication Critical patent/CN111414800A/zh
Application granted granted Critical
Publication of CN111414800B publication Critical patent/CN111414800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)

Abstract

发明公开了一种图像中小目标识别监控方法及其训练集的获取方法，其中图像中小目标识别监控方法，其特征在于，包括如下步骤：用于将监控初始图像中的小目标监控初始图像和大目标监控初始图像进行分离的步骤；用于对小目标监控初始图像进行增强处理从而形成小目标增强图像的步骤；用于将小目标增强图像和大目标监控初始图像进行合成处理从而形成合成图像的步骤。本发明仅对小目标图像进行增强处理，不但解决了小目标图像无法识别和判断的问题，还不会过多的占用计算机运算和存储资源，可有效降低摄像头或计算机运算及存储设备的配置成本。

Description

图像中小目标识别监控方法及其训练集的获取方法
技术领域
本发明涉及基于图像识别的智能监控领域，尤其涉及一种图像中小目标识别监控方法及其训练集的获取方法。
背景技术
在智能监控领域，原始图像的采集依靠摄像头来完成。摄像头在进行拍摄的过程中，会将近端物体拍摄为占用较大像素的图像，会将远端物体拍摄为占用较小像素的图像；例如在不改变摄像头拍摄参数的情况下，一件宽和高均为50厘米的物体，将其放置在与摄像头距离5米的位置，其在采集的图片中占用的像素为800Pixel×800Pixel；将其放置在与摄像头距离20米的位置，其在采集的图片中占用的像素为40Pixel×40Pixel。然而，在对图像进行识别的过程中，占用像素越大的图像越容易进行识别和判断，占用像素越小的图像越不容易进行识别和判断，当图像占用像素小到一定程度时甚至无法进行识别和判断。
在现有技术中，在具有较大空间的场所进行图像识别监控部署的时候，采用设置较多的摄像头来保证进入该场所的物体均与摄像头保持较近的距离，从而保证拍摄到的图像其占用像素大小在便于识别和判断的范围内。现有技术中的这种方法，由于使用较多的摄像头硬件设备，就造成了监控部署的成本较高。
另一方面，现有技术中还存在一种技术手段，就是在拍摄获得的原始图片的基础上，对图片中每一图像所占用的像素均进行增强处理。这样，即使在图片中占有较小像素的图像也可被增强到便于识别和判断的像素范围内，从而可一定程度降低摄像头的配置数量，但是现有技术中的这种实现方法，计算机需要进行大量的图片处理，消耗较多的运算和存储资源，需要配置较多的计算机处理和存储设备，同样会造成部署成本较高的问题。现有技术中的这种方法，不进行小目标图像和大目标图像的区分识别，即便图像中没有出现小目标图像时也要消耗大量的计算资源，造成运算资源的浪费。
发明内容
为了解决上述问题，本发明的目的是提供一种图像中小目标识别监控方法及其训练集的获取方法。
本发明所提供的图像中小目标识别监控方法，包括如下步骤：
S1用于拍摄获取原始图像并将原始图像进行整体压缩处理从而获得监控初始图像的步骤；
S2用于对监控初始图像进行检测判断是否存在小目标监控初始图像的步骤，如存在小目标监控初始图像，则执行下述S3至S5的步骤；
S3用于将监控初始图像中的小目标监控初始图像和大目标监控初始图像进行分离的步骤；
S4用于对小目标监控初始图像进行增强处理从而形成小目标增强图像的步骤；
S5用于将小目标增强图像和大目标监控初始图像进行合成处理从而形成合成图像的步骤。
所述S2用于对监控初始图像进行检测判断是否存在小目标监控初始图像的步骤，包括：
S21用于获取并计算监控初始图像中的当前目标图像占用像素值的步骤；
S22将监控初始图像中的当前目标图像占用像素值与小目标像素阈值P进行比较，当监控初始图像中的当前目标图像占用像素值小于小目标像素阈值P时，将该监控初始图像中的当前目标图像判定为小目标图像；当监控初始图像中的当前目标图像占用像素值大于或者等于小目标像素阈值P时，将该目标图像判定为大目标图像。
所述S21用于获取并计算目标图像占用像素值的步骤，包括：
用于检测获得原始图像宽度参数值Width、原始图像高度参数值Heigh和监控初始图像尺寸参数值Imgsize的步骤；
用于定义监控初始图像中的当前目标图像宽度参数值Objw、监控初始图像中的当前目标图像高度参数值Objh的步骤；
当所述原始图像宽度参数值Width小于原始图像高度参数值Heigh时，利用以下算法计算监控初始图像中的当前目标图像占用的像素值Objsize：Objsize＝Objw×Objh×(Imgsize\Heigh)×(Imgsize\Heigh)；
当所述原始图像宽度参数值Width大于或者等于原始图像高度参数值Heigh时，利用以下算法计算监控初始图像中的当前目标图像占用的像素值Objsize：Objsize＝Objw×Objh×(Imgsize\Width)×(Imgsize\Width)。
所述S3用于将监控初始图像中的小目标监控初始图像和大目标监控初始图像进行分离的步骤，包括：
S31用于确定提取目标图像的中心的步骤；
S32用于确定提取目标图像的边缘的步骤；
S33用于将提取的目标图像移除其原有属性标识的步骤。
所述S31用于确定提取目标图像的中心的步骤为将监控初始图像中的小目标图像的中心位置设置为提取目标图像的初始中心。
所述S32用于确定提取目标图像的边缘的步骤，包括：
S321用于计算切图框尺寸的步骤；
S322用于根据S31确定的初始中心位置和S321确定的切图框尺寸确定切图框边缘初始位置的步骤；
S323对切图框边缘初始位置进行判断，当切图框边缘初始位置超出监控初始图像的最大范围时，移动切图框的初始中心位置直到切图框边缘初始位置处于监控初始图像的最大范围之内；当切图框边缘初始位置穿越目标图像时，缩小切图框尺寸，从而调整切图框边缘初始位置直到切图框边缘位置不再穿越图标图像，从而确定出切图框的最终中心位置进而确定出切图框的最终边缘位置。
所述S321用于计算切图框尺寸的步骤，包括：
S3211获取监控初始图像尺寸参数值Imgsize，获取监控初始图像中的当前目标图像宽度参数值Objw和监控初始图像中的当前目标图像高度参数值Objh；
S3212按照如下算法计算出切图框边长尺寸Crop：
Figure BDA0002385148160000041
所述S33用于将提取的目标图像移除其原有属性标识的步骤，为将所述切图框的最终边缘位置范围内的图像进行原有属性标识的移除。
所述S4用于对小目标监控初始图像进行增强处理从而形成小目标增强图像的步骤；
S41获取小目标图像在监控初始图像中所占用的像素值的步骤；
S42获取增强算法的步骤；
S43利用增强算法和小目标图像在监控初始图像中所占用的像素值计算获得小目标图像的增强像素值；
S44根据所述小目标图像的增强像素值给提取出的小目标图像进行新的属性标识标记的步骤。
所述S5用于将小目标增强图像和大目标监控初始图像进行合成处理从而形成合成图像的步骤，包括；
根据小目标图像新的属性标识获得小目标图像在合成图片中的坐标标签；
根据大目标图像原有属性标识获得大目标图像在合成图片中的坐标标签；
根据坐标标签和各自的属性标识对大目标图像和增强后的小目标图像进行合成处理形成合成图像。
本发明所提供的小目标图像增强算法的训练集的获取方法，包括如下步骤：
S1用于在监控初始图像中确定出小目标的步骤；
S2用于将小目标图像和监控初始图像进行分离的步骤；
S3对小目标图像标记新的属性标识从而形成大目标图像的步骤。
所述S1用于在监控初始图像中确定出小目标的步骤，包括：
S11用于获取并计算监控初始图像中的当前目标图像占用像素值的步骤；
S22将监控初始图像中的当前目标图像占用像素值与小目标像素阈值P进行比较，当监控初始图像中的当前目标图像占用像素值小于小目标像素阈值P时，将该监控初始图像中的当前目标图像判定为小目标图像；当监控初始图像中的当前目标图像占用像素值大于或者等于小目标像素阈值P时，将该目标图像判定为大目标图像。
所述S2用于将小目标图像和监控初始图像进行分离的步骤，包括：
S21用于确定提取目标图像的中心的步骤；
S22用于确定提取目标图像的边缘的步骤；
S23用于将提取的目标图像移除其原有属性标识的步骤。
所述S21用于确定提取目标图像的中心的步骤为将监控初始图像中的小目标图像的中心位置设置为提取目标图像的初始中心。
所述S22用于确定提取目标图像的边缘的步骤，包括：
S221用于计算切图框尺寸的步骤；
S222用于根据S21确定的初始中心位置和S221确定的切图框尺寸确定切图框边缘初始位置的步骤；
S223用于对切图框边缘初始位置进行判断，当切图框边缘初始位置超出监控初始图像的最大范围时，移动切图框的初始中心位置直到切图框边缘初始位置处于监控初始图像的最大范围之内；当切图框边缘初始位置穿越目标图像时，缩小切图框尺寸，从而调整切图框边缘初始位置直到切图框边缘位置不再穿越图标图像，从而确定出切图框的最终中心位置进而确定出切图框的最终边缘位置。
所述S221用于计算切图框尺寸的步骤，包括：
S2211获取监控初始图像尺寸参数值Imgsize，获取监控初始图像中的当前目标图像宽度参数值Objw和监控初始图像中的当前目标图像高度参数值Objh；
S2212按照如下算法计算出切图框边长尺寸Crop：
Figure BDA0002385148160000061
所述S23用于将提取的目标图像移除其原有属性标识的步骤，为将所述切图框的最终边缘位置范围内的图像进行原有属性标识的移除。
本发明所提供的图像中小目标识别监控方法及其训练集的获取方法，仅对小目标图像进行增强处理，不但解决了小目标图像无法识别和判断的问题，还不会过多的占用计算机运算和存储资源，可有效降低摄像头或计算机运算及存储设备的配置成本。
附图说明
图1为本发明实施例一所述的图像中小目标识别监控方法流程示意图；
图2为本发明实施例一所述的图像中小目标识别监控方法中用于对监控初始图像进行检测判断是否存在小目标监控初始图像的步骤示意图；
图3为本发明实施例一所述的图像中小目标识别监控方法中用于获取并计算目标图像占用像素值的步骤示意图；
图4为本发明实施例一所述的图像中小目标识别监控方法中用于将监控初始图像中的小目标监控初始图像和大目标监控初始图像进行分离的步骤示意图；
图5为本发明实施例一所述的图像中小目标识别监控方法中用于确定提取目标图像的边缘的步骤示意图；
图6为本发明实施例一所述的图像中小目标识别监控方法中用于计算切图框尺寸的步骤示意图；
图7为本发明实施例一所述的图像中小目标识别监控方法中用于对小目标监控初始图像进行增强处理从而形成小目标增强图像的步骤示意图；
图8为本发明实施例一所述的图像中小目标识别监控方法中用于将小目标增强图像和大目标监控初始图像进行合成处理从而形成合成图像的步骤示意图；
图9为本发明实施例二所述的小目标图像增强算法的训练集的获取方法流程示意图；
图10为本发明实施例二所述的小目标图像增强算法的训练集的获取方法中用于在监控初始图像中确定出小目标的步骤示意图；
图11为本发明实施例二所述的小目标图像增强算法的训练集的获取方法中用于将小目标图像和监控初始图像进行分离的步骤示意图；
图12为本发明实施例二所述的小目标图像增强算法的训练集的获取方法中用于确定提取目标图像的边缘的步骤示意图；
图13为本发明实施例二所述的小目标图像增强算法的训练集的获取方法中用于计算切图框尺寸的步骤示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如图1所示，本实施例提供一种图像中小目标识别监控方法，包括如下步骤：
S1用于拍摄获取原始图像并将原始图像进行整体压缩处理从而获得监控初始图像的步骤；
S2用于对监控初始图像进行检测判断是否存在小目标监控初始图像的步骤，如存在小目标监控初始图像，则执行下述S3至S5的步骤；
S3用于将监控初始图像中的小目标监控初始图像和大目标监控初始图像进行分离的步骤；
S4用于对小目标监控初始图像进行增强处理从而形成小目标增强图像的步骤；
S5用于将小目标增强图像和大目标监控初始图像进行合成处理从而形成合成图像的步骤。
本领域技术人员可以理解，在使用摄像头拍摄到原始图像后，为了避免由于原始图像分辨率过大给系统造成的运算压力，系统会先将所述原始图像进行压缩处理形成监控初始图像；这样虽然可降低系统运算资源的耗费，但却使得部分图像目标变小，导致难以分辨和进行监控。本领域技术人员可以理解，本实施例所提供的图像中小目标识别监控方法，不是将所有监控初始图像均进行增强处理，而是先将监控初始图像中的大目标图像和小目标图像进行分离，仅对小目标图像进行增强处理，再将增强处理后的小目标图像和其他大目标图像进行合成处理，不但解决了小目标图像无法识别和判断的问题，还不会过多的占用计算机运算和存储资源，可有效降低摄像头或计算机运算及存储设备的配置成本。
本领域技术人员可以理解，所述用于拍摄获取原始图像并将原始图像进行整体压缩处理从而获得监控初始图像的步骤，可采用现有技术中惯常的技术手段来实现，这里不进行赘述。
如图2所示，所述S2用于对监控初始图像进行检测判断是否存在小目标监控初始图像的步骤，包括：
S21用于获取并计算监控初始图像中的当前目标图像占用像素值的步骤；
S22将监控初始图像中的当前目标图像占用像素值与小目标像素阈值P进行比较，当监控初始图像中的当前目标图像占用像素值小于小目标像素阈值P时，将该监控初始图像中的当前目标图像判定为小目标图像；当监控初始图像中的当前目标图像占用像素值大于或者等于小目标像素阈值P时，将该目标图像判定为大目标图像。
本领域技术人员可以理解，当将监控初始图像中的当前目标图像判定为小目标图像时，说明该监控初始图像中包含小目标图像，进而对该小目标图像进行上述S3至S5的操作。当监控初始图像中并未包含小目标图像时，说明整个监控初始图像均在可识别和判断的像素范围内，不需要进行后续的增强处理。
如图3所示，所述S21用于获取并计算目标图像占用像素值的步骤，包括：
用于检测获得原始图像宽度参数值Width、原始图像高度参数值Heigh和监控初始图像尺寸参数值Imgsize的步骤；本领域技术人员可以理解，所述监控初始图像尺寸参数值即为监控初始图像整体占用的像素值。
用于定义监控初始图像中的当前目标图像宽度参数值Objw、监控初始图像中的当前目标图像高度参数值Objh的步骤；
当所述原始图像宽度参数值Width小于原始图像高度参数值Heigh时，利用以下算法计算监控初始图像中的当前目标图像占用的像素值Objsize：Objsize＝Objw×Objh×(Imgsize\Heigh)×(Imgsize\Heigh)；
当所述原始图像宽度参数值Width大于或者等于原始图像高度参数值Heigh时，利用以下算法计算监控初始图像中的当前目标图像占用的像素值Objsize：Objsize＝Objw×Objh×(Imgsize\Width)×(Imgsize\Width)。
本领域技术人员可以理解，当通过上述算法计算获得的监控初始图像中的目标图像占用的像素值Objsize的值大于或者等于小目标像素阈值P时，判定当前目标图像为大目标图像；当通过上述算法计算获得的目标图像占用的像素值Objsize的值小于小目标像素阈值P时，判定当前目标图像为小目标图像。
如图4所示，所述S3用于将监控初始图像中的小目标监控初始图像和大目标监控初始图像进行分离的步骤，包括：
S31用于确定提取目标图像的中心的步骤；
S32用于确定提取目标图像的边缘的步骤；
S33用于将提取的目标图像移除其原有属性标识的步骤。
本领域技术人员可以理解，所述属性标识包括该目标图像的坐标参数和像素数量参数，通过上述步骤完成将小目标图像从监控初始图像中切出，从而将监控初始图像中的小目标图像和监控初始图像中的大目标图像进行分离的目的。
所述S31用于确定提取目标图像的中心的步骤为将监控初始图像中的小目标图像的中心位置设置为提取目标图像的初始中心。
如图5所示，所述S32用于确定提取目标图像的边缘的步骤，包括：
S321用于计算切图框尺寸的步骤；
S322用于根据S31确定的初始中心位置和S321确定的切图框尺寸确定切图框边缘初始位置的步骤；
S323对切图框边缘初始位置进行判断，当切图框边缘初始位置超出监控初始图像的最大范围时，移动切图框的初始中心位置直到切图框边缘初始位置处于监控初始图像的最大范围之内；当切图框边缘初始位置穿越目标图像时，缩小切图框尺寸，从而调整切图框边缘初始位置直到切图框边缘位置不再穿越图标图像，从而确定出切图框的最终中心位置进而确定出切图框的最终边缘位置。
如图6所示，所述S321用于计算切图框尺寸的步骤，包括：
S3211获取监控初始图像尺寸参数值Imgsize，获取监控初始图像中的当前目标图像宽度参数值Objw和监控初始图像中的当前目标图像高度参数值Objh；
S3212按照如下算法计算出切图框边长尺寸Crop：
Figure BDA0002385148160000121
本领域技术人员可以理解，所述切图框的尺寸为Crop×Crop。
所述S33用于将提取的目标图像移除其原有属性标识的步骤，为将所述切图框的最终边缘位置范围内的图像进行原有属性标识的移除。
如图7所示，S4用于对小目标监控初始图像进行增强处理从而形成小目标增强图像的步骤；
S41获取小目标图像在监控初始图像中所占用的像素值的步骤；
S42获取增强算法的步骤；
S43利用增强算法和小目标图像在监控初始图像中所占用的像素值计算获得小目标图像的增强像素值；
S44根据所述小目标图像的增强像素值给提取出的小目标图像进行新的属性标识标记的步骤。
本领域技术人员可以理解，对小目标图像进行新的属性标识后，小目标图像所占用的像素比小目标监控初始图像有所增加，从而实现该小目标图像增强为大目标图像从而便于进行识别和判断。本领域技术人员可以理解，所述增强算法采用本发明实施例二所提供的方法获得。本实施例中所述的对小目标图像进行的属性标识的移除和属性标识的标记，均采用现有技术中惯常使用的技术手段实现，这里不再进行赘述。
如图8所示，所述S5用于将小目标增强图像和大目标监控初始图像进行合成处理从而形成合成图像的步骤，包括；
根据小目标图像新的属性标识获得小目标图像在合成图片中的坐标标签；
根据大目标图像原有属性标识获得大目标图像在合成图片中的坐标标签；
根据坐标标签和各自的属性标识对大目标图像和增强后的小目标图像进行合成处理形成合成图像。
本领域技术人员可以理解，所述合成处理的方法采用现有技术中心惯常使用的技术手段，这里不再进行赘述。本领域技术人员可以理解，所述合成图像中的目标图像其占用的像素数量值均符合便于识别和判断的像素范围。
实施例二
本实施例提供一种小目标图像增强算法的训练集的获取方法，用于通过该训练集获得小目标图像的增强算法，并将该算法导入到小目标图像的增强处理运算中，从而实现将小目标图像增强处理为大目标图像的目的。
如图9所示，本实施例所提供的小目标图像增强算法的训练集的获取方法，包括如下步骤：
S1用于在监控初始图像中确定出小目标的步骤；
S2用于将小目标图像和监控初始图像进行分离的步骤；
S3对小目标图像标记新的属性标识从而形成大目标图像的步骤。
本领域技术人员可以理解，通过上述方法形成新的小目标图像的训练集。
如图10所示，所述S1用于在监控初始图像中确定出小目标的步骤，包括：
S11用于获取并计算监控初始图像中的当前目标图像占用像素值的步骤；
S22将监控初始图像中的当前目标图像占用像素值与小目标像素阈值P进行比较，当监控初始图像中的当前目标图像占用像素值小于小目标像素阈值P时，将该监控初始图像中的当前目标图像判定为小目标图像；当监控初始图像中的当前目标图像占用像素值大于或者等于小目标像素阈值P时，将该目标图像判定为大目标图像。
如图11，所述S2用于将小目标图像和监控初始图像进行分离的步骤，包括：
S21用于确定提取目标图像的中心的步骤；
S22用于确定提取目标图像的边缘的步骤；
S23用于将提取的目标图像移除其原有属性标识的步骤。
本领域技术人员可以理解，所述属性标识包括该目标图像的坐标参数和像素数量参数，通过上述步骤完成将小目标图像从监控初始图像中切出，从而将监控初始图像中的小目标图像和监控初始图像中的大目标图像进行分离的目的
所述S21用于确定提取目标图像的中心的步骤为将将监控初始图像中的小目标图像的中心位置设置为提取目标图像的初始中心。
如图12，所述S22用于确定提取目标图像的边缘的步骤，包括：
S221用于计算切图框尺寸的步骤；
S222用于根据S21确定的初始中心位置和S221确定的切图框尺寸确定切图框边缘初始位置的步骤；
S223用于对切图框边缘初始位置进行判断，当切图框边缘初始位置超出监控初始图像的最大范围时，移动切图框的初始中心位置直到切图框边缘初始位置处于监控初始图像的最大范围之内；当切图框边缘初始位置穿越目标图像时，缩小切图框尺寸，从而调整切图框边缘初始位置直到切图框边缘位置不再穿越图标图像，从而确定出切图框的最终中心位置进而确定出切图框的最终边缘位置。
如图13，所述S221用于计算切图框尺寸的步骤，包括：
S2211获取监控初始图像尺寸参数值Imgsize，获取监控初始图像中的当前目标图像宽度参数值Objw和监控初始图像中的当前目标图像高度参数值Objh；
S2212按照如下算法计算出切图框边长尺寸Crop：
Figure BDA0002385148160000151
本领域技术人员可以理解，所述切图框的尺寸为Crop×Crop。
所述S23用于将提取的目标图像移除其原有属性标识的步骤，为将所述切图框的最终边缘位置范围内的图像进行原有属性标识的移除，从而完成将小目标图像从监控初始图像中进行分离，以便于完成后续标记新的属性标识和形成对应图片，从而获得小目标图像增强算法的训练集。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (17)

1.一种图像中小目标识别监控方法，其特征在于，包括如下步骤：
S1用于拍摄获取原始图像并将原始图像进行整体压缩处理从而获得监控初始图像的步骤；
S2用于对监控初始图像进行检测判断是否存在小目标监控初始图像的步骤，如存在小目标监控初始图像，则执行下述S3至S5的步骤；
S3用于将监控初始图像中的小目标监控初始图像和大目标监控初始图像进行分离的步骤；
S4用于对小目标监控初始图像进行增强处理从而形成小目标增强图像的步骤；
S5用于将小目标增强图像和大目标监控初始图像进行合成处理从而形成合成图像的步骤。
2.如权利要求1所述的图像中小目标识别监控方法，其特征在于，所述S2用于对监控初始图像进行检测判断是否存在小目标监控初始图像的步骤，包括：
S21用于获取并计算监控初始图像中的当前目标图像占用像素值的步骤；
S22将监控初始图像中的当前目标图像占用像素值与小目标像素阈值P进行比较，当监控初始图像中的当前目标图像占用像素值小于小目标像素阈值P时，将该监控初始图像中的当前目标图像判定为小目标图像；当监控初始图像中的当前目标图像占用像素值大于或者等于小目标像素阈值P时，将该目标图像判定为大目标图像。
3.如权利要求2所述的图像中小目标识别监控方法，其特征在于，所述S21用于获取并计算目标图像占用像素值的步骤，包括：
用于检测获得原始图像宽度参数值Width、原始图像高度参数值Heigh和监控初始图像尺寸参数值Imgsize的步骤；
用于定义监控初始图像中的当前目标图像宽度参数值Objw、监控初始图像中的当前目标图像高度参数值Objh的步骤；
当所述原始图像宽度参数值Width小于原始图像高度参数值Heigh时，利用以下算法计算监控初始图像中的当前目标图像占用的像素值Objsize：Objsize＝Objw×Objh×(Imgsize\Heigh)×(Imgsize\Heigh)；
当所述原始图像宽度参数值Width大于或者等于原始图像高度参数值Heigh时，利用以下算法计算监控初始图像中的当前目标图像占用的像素值Objsize：Objsize＝Objw×Objh×(Imgsize\Width)×(Imgsize\Width)。
4.如权利要求3所述的图像中小目标识别监控方法，其特征在于，所述S3用于将监控初始图像中的小目标监控初始图像和大目标监控初始图像进行分离的步骤，包括：
S31用于确定提取目标图像的中心的步骤；
S32用于确定提取目标图像的边缘的步骤；
S33用于将提取的目标图像移除其原有属性标识的步骤。
5.如权利要求4所述的图像中小目标识别监控方法，其特征在于，所述S31用于确定提取目标图像的中心的步骤为将监控初始图像中的小目标图像的中心位置设置为提取目标图像的初始中心。
6.如权利要求5所述的图像中小目标识别监控方法，其特征在于，所述S32用于确定提取目标图像的边缘的步骤，包括：
S321用于计算切图框尺寸的步骤；
S322用于根据S31确定的初始中心位置和S321确定的切图框尺寸确定切图框边缘初始位置的步骤；
S323对切图框边缘初始位置进行判断，当切图框边缘初始位置超出监控初始图像的最大范围时，移动切图框的初始中心位置直到切图框边缘初始位置处于监控初始图像的最大范围之内；当切图框边缘初始位置穿越目标图像时，缩小切图框尺寸，从而调整切图框边缘初始位置直到切图框边缘位置不再穿越图标图像，从而确定出切图框的最终中心位置进而确定出切图框的最终边缘位置。
7.如权利要求6所述的图像中小目标识别监控方法，其特征在于，所述S321用于计算切图框尺寸的步骤，包括：
S3211获取监控初始图像尺寸参数值Imgsize，获取监控初始图像中的当前目标图像宽度参数值Objw和监控初始图像中的当前目标图像高度参数值Objh；
S3212按照如下算法计算出切图框边长尺寸Crop：
Figure FDA0002385148150000031
8.如权利要求7所述的图像中小目标识别监控方法，其特征在于，所述S33用于将提取的目标图像移除其原有属性标识的步骤，为将所述切图框的最终边缘位置范围内的图像进行原有属性标识的移除。
9.如权利要求8所述的图像中小目标识别监控方法，其特征在于，S4用于对小目标监控初始图像进行增强处理从而形成小目标增强图像的步骤；
S41获取小目标图像在监控初始图像中所占用的像素值的步骤；
S42获取增强算法的步骤；
S43利用增强算法和小目标图像在监控初始图像中所占用的像素值计算获得小目标图像的增强像素值；
S44根据所述小目标图像的增强像素值给提取出的小目标图像进行新的属性标识标记的步骤。
10.如权利要求9所述的图像中小目标识别监控方法，其特征在于，所述S5用于将小目标增强图像和大目标监控初始图像进行合成处理从而形成合成图像的步骤，包括；
根据小目标图像新的属性标识获得小目标图像在合成图片中的坐标标签；
根据大目标图像原有属性标识获得大目标图像在合成图片中的坐标标签；
根据坐标标签和各自的属性标识对大目标图像和增强后的小目标图像进行合成处理形成合成图像。
11.一种小目标图像增强算法的训练集的获取方法，其特征在于：包括如下步骤：
S1用于在监控初始图像中确定出小目标的步骤；
S2用于将小目标图像和监控初始图像进行分离的步骤；
S3对小目标图像标记新的属性标识从而形成大目标图像的步骤。
12.如权利要求11所述的小目标图像增强算法的训练集的获取方法，其特征在于，所述S1用于在监控初始图像中确定出小目标的步骤，包括：
S11用于获取并计算监控初始图像中的当前目标图像占用像素值的步骤；
S22将监控初始图像中的当前目标图像占用像素值与小目标像素阈值P进行比较，当监控初始图像中的当前目标图像占用像素值小于小目标像素阈值P时，将该监控初始图像中的当前目标图像判定为小目标图像；当监控初始图像中的当前目标图像占用像素值大于或者等于小目标像素阈值P时，将该目标图像判定为大目标图像。
13.如权利要求12所述的小目标图像增强算法的训练集的获取方法，其特征在于，所述S2用于将小目标图像和监控初始图像进行分离的步骤，包括：
S21用于确定提取目标图像的中心的步骤；
S22用于确定提取目标图像的边缘的步骤；
S23用于将提取的目标图像移除其原有属性标识的步骤。
14.如权利要求13所述的小目标图像增强算法的训练集的获取方法，其特征在于，述S21用于确定提取目标图像的中心的步骤为将监控初始图像中的小目标图像的中心位置设置为提取目标图像的初始中心。
15.如权利要求14所述的小目标图像增强算法的训练集的获取方法，所述S22用于确定提取目标图像的边缘的步骤，包括：
S221用于计算切图框尺寸的步骤；
S222用于根据S21确定的初始中心位置和S221确定的切图框尺寸确定切图框边缘初始位置的步骤；
S223用于对切图框边缘初始位置进行判断，当切图框边缘初始位置超出监控初始图像的最大范围时，移动切图框的初始中心位置直到切图框边缘初始位置处于监控初始图像的最大范围之内；当切图框边缘初始位置穿越目标图像时，缩小切图框尺寸，从而调整切图框边缘初始位置直到切图框边缘位置不再穿越图标图像，从而确定出切图框的最终中心位置进而确定出切图框的最终边缘位置。
16.如权利要求15所述的小目标图像增强算法的训练集的获取方法，其特征在于，所述S221用于计算切图框尺寸的步骤，包括：
S2211获取监控初始图像尺寸参数值Imgsize，获取监控初始图像中的当前目标图像宽度参数值Objw和监控初始图像中的当前目标图像高度参数值Objh；
S2212按照如下算法计算出切图框边长尺寸Crop：
Figure FDA0002385148150000061
17.如权利要求15所述的小目标图像增强算法的训练集的获取方法，其特征在于，所述S23用于将提取的目标图像移除其原有属性标识的步骤，为将所述切图框的最终边缘位置范围内的图像进行原有属性标识的移除。
CN202010095718.9A 2020-02-17 2020-02-17 图像中小目标识别监控方法及其训练集的获取方法 Active CN111414800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010095718.9A CN111414800B (zh) 2020-02-17 2020-02-17 图像中小目标识别监控方法及其训练集的获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010095718.9A CN111414800B (zh) 2020-02-17 2020-02-17 图像中小目标识别监控方法及其训练集的获取方法

Publications (2)

Publication Number Publication Date
CN111414800A true CN111414800A (zh) 2020-07-14
CN111414800B CN111414800B (zh) 2023-08-01

Family

ID=71492761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010095718.9A Active CN111414800B (zh) 2020-02-17 2020-02-17 图像中小目标识别监控方法及其训练集的获取方法

Country Status (1)

Country Link
CN (1) CN111414800B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150705A (zh) * 2012-12-06 2013-06-12 华中科技大学 一种弱小目标图像的自适应恢复增强方法
US20130314604A1 (en) * 2012-01-20 2013-11-28 Fujitsu Limited Computer-readable storage medium storing image processing program, image processing device and image processing method
WO2017067526A1 (zh) * 2015-10-23 2017-04-27 努比亚技术有限公司 图像增强方法及移动终端
US20170280011A1 (en) * 2014-12-17 2017-09-28 Evernote Corporation Local Enhancement of Large Scanned Documents
CN107301635A (zh) * 2017-06-28 2017-10-27 武汉格物优信科技有限公司 一种红外图像细节增强方法与装置
US20180174280A1 (en) * 2016-12-16 2018-06-21 Zhuhai Seine Technology Co., Ltd. Method and Device for Image Rotation, and Apparatus for Image Formation
CN108305265A (zh) * 2018-01-15 2018-07-20 清华大学 微弱小目标图像实时处理方法及系统
CN109948605A (zh) * 2019-02-15 2019-06-28 北京中电普华信息技术有限公司 一种针对小目标的图片增强方法及装置
CN110087003A (zh) * 2019-04-30 2019-08-02 深圳市华星光电技术有限公司 多曝光图像融合方法
CN110163219A (zh) * 2019-04-17 2019-08-23 安阳师范学院 基于图像边缘识别的目标检测方法
CN110390673A (zh) * 2019-07-22 2019-10-29 福州大学 一种监控场景下基于深度学习的香烟自动检测方法
WO2019206082A1 (zh) * 2018-04-27 2019-10-31 京东方科技集团股份有限公司 图像处理方法、图像处理系统及存储介质
CN110765631A (zh) * 2019-10-31 2020-02-07 中国人民解放军95859部队 基于有效成像像素的红外辐射特性测量小目标判断方法
CN110765948A (zh) * 2019-10-24 2020-02-07 长沙品先信息技术有限公司 一种基于无人机的目标检测识别方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130314604A1 (en) * 2012-01-20 2013-11-28 Fujitsu Limited Computer-readable storage medium storing image processing program, image processing device and image processing method
CN103150705A (zh) * 2012-12-06 2013-06-12 华中科技大学 一种弱小目标图像的自适应恢复增强方法
US20170280011A1 (en) * 2014-12-17 2017-09-28 Evernote Corporation Local Enhancement of Large Scanned Documents
WO2017067526A1 (zh) * 2015-10-23 2017-04-27 努比亚技术有限公司 图像增强方法及移动终端
US20180174280A1 (en) * 2016-12-16 2018-06-21 Zhuhai Seine Technology Co., Ltd. Method and Device for Image Rotation, and Apparatus for Image Formation
CN107301635A (zh) * 2017-06-28 2017-10-27 武汉格物优信科技有限公司 一种红外图像细节增强方法与装置
CN108305265A (zh) * 2018-01-15 2018-07-20 清华大学 微弱小目标图像实时处理方法及系统
WO2019206082A1 (zh) * 2018-04-27 2019-10-31 京东方科技集团股份有限公司 图像处理方法、图像处理系统及存储介质
CN109948605A (zh) * 2019-02-15 2019-06-28 北京中电普华信息技术有限公司 一种针对小目标的图片增强方法及装置
CN110163219A (zh) * 2019-04-17 2019-08-23 安阳师范学院 基于图像边缘识别的目标检测方法
CN110087003A (zh) * 2019-04-30 2019-08-02 深圳市华星光电技术有限公司 多曝光图像融合方法
CN110390673A (zh) * 2019-07-22 2019-10-29 福州大学 一种监控场景下基于深度学习的香烟自动检测方法
CN110765948A (zh) * 2019-10-24 2020-02-07 长沙品先信息技术有限公司 一种基于无人机的目标检测识别方法及系统
CN110765631A (zh) * 2019-10-31 2020-02-07 中国人民解放军95859部队 基于有效成像像素的红外辐射特性测量小目标判断方法

Also Published As

Publication number Publication date
CN111414800B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN109241985B (zh) 一种图像识别方法及装置
KR100647284B1 (ko) 영상의 문자 추출 장치 및 방법
CN107679495B (zh) 一种输电线路周边活动工程车辆的检测方法
US20120092495A1 (en) Object detection apparatus, object detection method, monitoring camera system and storage medium
CN109918971B (zh) 监控视频中人数检测方法及装置
CN108280386B (zh) 监控场景检测方法及装置
CN111901604B (zh) 视频压缩、重构方法及对应装置、摄像头及视频处理设备
EP1805715A1 (en) A method and system for processing video data
CN108280409B (zh) 一种基于多特征融合的大空间视频烟雾检测方法
CN115065798B (zh) 一种基于大数据的视频分析监控系统
JP7449507B2 (ja) カメラストリームのためのマスクを生成する方法、コンピュータープログラム製品およびコンピューター可読媒体
CN111815528A (zh) 基于卷积模型和特征融合的恶劣天气图像分类增强方法
CN111582166B (zh) 基于高斯建模和YoLo V3目标检测的遗留物检测方法
Katramados et al. Real-time visual saliency by division of gaussians
CN107093186A (zh) 基于边缘投影匹配的剧烈运动检测方法
Komagal et al. Real time background subtraction techniques for detection of moving objects in video surveillance system
CN110769262B (zh) 一种视频图像压缩方法、系统、设备和存储介质
CN114708532A (zh) 一种监控视频质量评估方法、系统及存储介质
Wu et al. Video surveillance object recognition based on shape and color features
CN110913209A (zh) 摄像头遮挡检测方法、装置、电子设备及监控系统
CN108520496B (zh) 一种基于光流法的海空背景监控视频图像拼接方法
US20200394802A1 (en) Real-time object detection method for multiple camera images using frame segmentation and intelligent detection pool
CN111414800B (zh) 图像中小目标识别监控方法及其训练集的获取方法
Wang et al. A robust algorithm for shadow removal of foreground detection in video surveillance
Kumar et al. Design of smart video surveillance system for indoor and outdoor scenes

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