CN111815578B - 图像条纹检测方法、视频监控系统及相关装置 - Google Patents
图像条纹检测方法、视频监控系统及相关装置 Download PDFInfo
- Publication number
- CN111815578B CN111815578B CN202010584243.XA CN202010584243A CN111815578B CN 111815578 B CN111815578 B CN 111815578B CN 202010584243 A CN202010584243 A CN 202010584243A CN 111815578 B CN111815578 B CN 111815578B
- Authority
- CN
- China
- Prior art keywords
- gradient
- angle
- histogram
- kurtosis
- amplitude
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims 7
- 239000000523 sample Substances 0.000 claims 2
- 230000005856 abnormality Effects 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000012806 monitoring device Methods 0.000 description 4
- 241000283070 Equus zebra Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了图像条纹检测方法、视频监控系统及相关装置,该方法包括:获取待检测图像帧中每个像素点的梯度角度和梯度幅值,以建立梯度角度直方图和梯度幅值直方图;基于梯度角度直方图计算梯度角度峰度,以及基于梯度幅值直方图计算梯度幅值峰度;根据梯度角度峰度和梯度幅值峰度对待检测图像帧进行条纹检测。通过上述方式,在减少人力成本的投入的同时还提高检测速度,加快对监控终端的异常判定,能够及时对监控终端进行维护和调整。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像条纹检测方法、视频监控系统及相关装置。
背景技术
随着全国平安城市建设的推广,一个中等城市监控系统摄像机的数量多达数万台,前端图像采集设备长期连续工作受到各种外界因素的影响,而条纹噪声是监控录像中易出现的干扰,由于电波干扰、系统电压不平衡或传输线路异常等造成不同角度、不同粗细、不同周期的条纹。监控视频中的条纹现象不仅降低了监控图像的质量和可解释性,还容易引发不可预测的故障。
目前大部分视频监控系统采用人工故障排查,效率低下。
发明内容
为了解决上述问题,本申请提供一种图像条纹检测方法、视频监控系统及相关装置,在减少人力成本的投入的同时还提高检测速度,加快对监控终端的异常判定,能够及时对监控终端进行维护和调整。
本申请采用的一种技术方案是提供一种图像条纹检测方法,该方法包括:获取待检测图像帧中每个像素点的梯度角度和梯度幅值,以建立梯度角度直方图和梯度幅值直方图;基于梯度角度直方图计算梯度角度峰度,以及基于梯度幅值直方图计算梯度幅值峰度;根据梯度角度峰度和梯度幅值峰度对待检测图像帧进行条纹检测。
其中,获取待检测图像帧中每个像素点的梯度角度和梯度幅值,以建立梯度角度直方图和梯度幅值直方图,包括:计算每个像素点在第一方向上的第一梯度和第二方向上的第二梯度,其中,第一方向为待检测图像帧的水平方向,第二方向为待检测图像帧的竖直方向;利用第一梯度和第二梯度计算每个像素点的梯度角度和梯度幅值;根据每个像素点的梯度角度建立梯度角度直方图;以及根据每个像素点的梯度幅值建立梯度幅值直方图。
其中,利用第一梯度和第二梯度计算每个像素点的梯度角度和梯度幅值,包括:采用以下公式计算每个像素点的梯度角度:以及采用以下公式计算每个像素点的梯度幅值:/>其中,其中,(i,j)表示像素点的坐标,/>分别为像素点在第一方向和第二方向上的梯度。
其中,根据每个像素点的梯度角度建立梯度角度直方图,包括:分别获取每个梯度角度的像素点数量;将每个梯度角度作为横坐标,将对应的像素点数量作为纵坐标,以建立梯度角度直方图。
其中,根据每个像素点的梯度幅值建立梯度幅值直方图,包括:分别获取每个梯度幅值的像素点数量;将每个梯度幅值作为横坐标,将对应的像素点数量作为纵坐标,以建立梯度幅值直方图。
其中,基于梯度角度直方图计算梯度角度峰度,包括:基于梯度角度直方图计算梯度角度二阶中心距和梯度角度四阶中心距;通过梯度角度二阶中心距和梯度角度四阶中心距计算出梯度角度峰度。
其中,基于梯度角度直方图计算梯度角度二阶中心距和梯度角度四阶中心距,包括:采用以下公式计算梯度角度二阶中心距:
以及采用以下公式计算梯度角度四阶中心距:/>通过梯度角度二阶中心距和梯度角度四阶中心距计算出梯度角度峰度,包括:采用以下公式计算梯度角度峰度:/>其中,θhist表示梯度角度直方图,x表示梯度角度直方图中的纵坐标的值,E(x)表示梯度角度直方图中的纵坐标的平均值,f(x)表示梯度角度直方图中的纵坐标的概率密度函数。
其中,基于梯度幅值直方图计算梯度幅值峰度,包括:基于梯度幅值直方图计算梯度幅值二阶中心距和梯度幅值四阶中心距;通过梯度幅值二阶中心距和梯度幅值四阶中心距计算出梯度幅值峰度。
其中,基于梯度幅值直方图计算梯度幅值二阶中心距和梯度幅值四阶中心距,包括:采用以下公式计算梯度幅值二阶中心距:以及采用以下公式计算梯度幅值四阶中心距:/>通过梯度幅值二阶中心距和梯度幅值四阶中心距计算出梯度幅值峰度,包括:采用以下公式计算梯度幅值峰度:/>其中,Ahist表示梯度幅值直方图,x表示梯度幅值直方图中的纵坐标的值,E(x)表示梯度幅值直方图中的纵坐标的平均值,f(x)表示梯度幅值直方图中的纵坐标的概率密度函数。
其中,根据梯度角度峰度和梯度幅值峰度对待检测图像帧进行条纹检测,包括:若梯度角度峰度和/或梯度幅值峰度满足预设条件,则确定待检测图像帧出现条纹。
其中,若梯度角度峰度和/或梯度幅值峰度满足预设条件,则确定待检测图像帧出现条纹,包括:若梯度角度峰度大于1且梯度幅值峰度大于0,则确定待检测图像帧出现条纹。
其中,确定待检测图像帧出现条纹之后,还包括:对待检测图像帧中的条纹进行过滤,以排除待检测图像帧中的非噪声条纹。
其中,对待检测图像帧中的条纹进行过滤,以排除待检测图像帧中的非噪声条纹,包括:获取目标条纹的长度和角度;判断目标条纹的长度是否满足预设长度,和/或判断目标条纹的角度是否与除目标条纹之外的其他条纹的角度一致;若否,则确定目标条纹为非噪声条纹;若是,则确定目标条纹为噪声条纹。
本申请采用的另一种技术方案是提供一种图像条纹检测设备,该图像条纹检测设备包括处理器以及与处理器耦接的存储器;其中,存储器用于存储程序数据,处理器用于执行程序数据,以实现如上述方案中提供的任一方法。
本申请采用的另一种技术方案是提供一种视频监控系统,该视频监控系统包括图像条纹检测设备以及与图像条纹检测设备连接的监控终端;监控终端用于采集监控图像,并将采集的监控图像发送给图像条纹检测设备,图像条纹检测设备是如上述方案中提供的图像条纹检测设备,以对监控图像进行条纹检测。
本申请采用的另一种技术方案是提供一种计算机可读存储介质,该计算机可读存储介质用于存储程序数据,程序数据在被处理器执行时,用于实现如上述方案中提供的任一方法。
本申请的有益效果是:区别于现有技术的情况,本申请的一种图像条纹检测方法,该方法包括:获取待检测图像帧中每个像素点的梯度角度和梯度幅值,以建立梯度角度直方图和梯度幅值直方图;基于梯度角度直方图计算梯度角度峰度,以及基于梯度幅值直方图计算梯度幅值峰度;根据梯度角度峰度和梯度幅值峰度对待检测图像帧进行条纹检测。通过使用梯度直方图的统计信息作为条纹的检测依据,从图像数据分布上进行全局分析,具有较强的泛化能力和鲁棒性,在减少人力成本的投入的同时还提高检测速度,加快对监控终端的异常判定,能够及时对监控终端进行维护和调整,具有广泛的部署能力。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。其中:
图1是本申请提供的图像条纹检测方法第一实施例的流程示意图;
图2是本申请提供的图1中步骤11的具体流程示意图;
图3是本申请提供的图2中步骤113的具体流程示意图;
图4是本申请提供的梯度角度直方图示意图;
图5是本申请提供的图2中步骤114的具体流程示意图;
图6是本申请提供的梯度幅值直方图示意图;
图7是本申请提供的基于梯度角度直方图计算梯度角度峰度的流程示意图;
图8是本申请提供的基于梯度幅值直方图计算梯度幅值峰度的流程示意图;
图9是本申请提供的有条纹的梯度角度直方图示意图;
图10是本申请提供的有条纹的梯度幅值直方图示意图;
图11是本申请提供的图像条纹检测方法第二实施例的流程示意图;
图12是本申请提供的图11中步骤45的具体流程示意图;
图13是本申请提供的图像条纹检测设备一实施例的结构示意图;
图14是本申请提供的视频监控系统一实施例的结构示意图;
图15是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是,此处所描述的具体实施例仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例,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,都属于本申请保护的范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参阅图1,图1是本申请提供的图像条纹检测方法第一实施例的流程示意图,该方法包括:
步骤11:获取待检测图像帧中每个像素点的梯度角度和梯度幅值,以建立梯度角度直方图和梯度幅值直方图。
在一些实施例中,待检测图像帧可以通过视频监控设备实时获取,也可以从视频监控设备的服务器中获取。在一具体实施方式中,服务器中对不同的视频监控设备进行编号命名,以进行区分。如以编号建立文件夹,文件夹中存储该视频监控设备所录制下的视频图像。
在一些时候实施例,待检测图像帧可以是通过其他能够采集图像的设备获取的。
在一些实施例中,待检测图像帧可以是灰度图像也可以是彩色图像;当待检测图像帧是彩色图像时,需要将该图像转换为灰度图像。
在一些实施例中,参阅图2,步骤11可以具体为图2所示流程图:
步骤111:计算每个像素点在第一方向上的第一梯度和第二方向上的第二梯度。
获取待检测图像帧后可以通过Sobel(索贝尔)算子、Scharr算子、Laplacian(拉普拉斯)算子等计算出每个像素点在第一方向上的第一梯度和第二方向上的第二梯度。可以理解,待检测图像帧为二维结构,第一方向和第二方向呈垂直关系。如:第一方向为待检测图像帧的水平方向,第二方向为待检测图像帧的竖直方向。如待检测图像帧的形状为长方形,则以长方形的长为第一方向,宽为第二方向来建立坐标系。即以x、y建立直角坐标系,第一方向为x轴,第二方向为y轴。
步骤112:利用第一梯度和第二梯度计算每个像素点的梯度角度和梯度幅值。
在一些实施例中,在得到第一方向上的第一梯度和第二方向上的第二梯度后,则可以得到每个像素点的梯度角度和梯度幅值。
具体地,采用以下公式计算每个像素点的梯度角度:
以及采用以下公式计算每个像素点的梯度幅值:
其中,其中,(i,j)表示像素点的坐标,分别为像素点在第一方向和第二方向上的梯度。
例如:待检测图像帧中的一个像素点的第一方向梯度为2、第二方向上的梯度为2;则根据上述公式/>该像素点的梯度角度/>θ=arctan1;则θ=45°。根据上述公式/>该像素点的梯度幅值
其他像素点可以根据上述公式分别算出相应的梯度角度和梯度幅值。
步骤113:根据每个像素点的梯度角度建立梯度角度直方图;
在一些实施例中,参阅图3,步骤113可以具体为图3所示流程图:
步骤1131:分别获取每个梯度角度的像素点数量。
可以理解,待检测图像帧中有很多的像素点,每个像素点有相应的梯度角度,反之,每个梯度角度对应不同数量的像素点。
步骤1132:将每个梯度角度作为横坐标,将对应的像素点数量作为纵坐标,以建立梯度角度直方图。
在一具体实施方式中,梯度角度直方图可以如以下方法进行建立:如梯度角度的范围为[0°,180°],采用归一化算法将梯度角度分为若干组,如18组,则第一组对应的梯度角度范围为[0°,10°],第二组对应的梯度角度范围为(10°,20°],以此类推。然后计算组距的宽度,用梯度角度最大值减去最小值后除以分组数量,在这里就是(180-0)/18=10,所以组距就为10个单位长度,然后统计每组数据的频数,即出现的数量,如第一组对应的梯度角度范围为[0°,10°],则第一组对应的频数为梯度角度0°-10°的像素点数量。然后以组距为底长,以频数为高,做出每一组的矩形图,按照顺序排列,得到梯度角度直方图。做出来的梯度角度直方图如图4所示,图4中的Angle Histogram表示角度直方图。
步骤114:根据每个像素点的梯度幅值建立梯度幅值直方图。
在一些实施例中,参阅图5,步骤114可以具体为图5所示流程图:
步骤1141:分别获取每个梯度幅值的像素点数量。
可以理解,待检测图像帧中有很多的像素点,每个像素点有相应的梯度幅值,反之,每个梯度幅值对应不同数量的像素点。
步骤1142:将每个梯度幅值作为横坐标,将对应的像素点数量作为纵坐标,以建立梯度幅值直方图。
在一具体实施方式中,梯度幅值直方图可以如以下方法进行建立:如梯度幅值的范围为0到计算出的最大值,采用归一化算法将梯度幅值分为若干组,如18组,则第一组对应的梯度幅值范围为0-(最大值)/18,第二组对应的梯度角度范围为(最大值)/18-(最大值)/9,以此类推。然后计算组距的宽度,用梯度幅值最大值减去最小值后除以分组数量,在这里就是(最大值/18),所以组距就为(最大值/18)个单位长度,然后统计每组数据的频数,即出现的数量,如第一组对应的梯度幅值范围为0-(最大值)/18,则第一组对应的频数为梯度幅值0-(最大值)/18的像素点数量。然后以组距为底长,以频数为高,做出每一组的矩形图,按照顺序排列,得到梯度幅值直方图。做出来的梯度幅值直方图如图6所示,图6中的Amplitude Histogram表示幅值直方图。
可以理解,上述建立梯度角度直方图和梯度幅值直方图的步骤,并不区分先后顺序,建立梯度角度直方图和梯度幅值直方图为两个独立的步骤。
步骤12:基于梯度角度直方图计算梯度角度峰度,以及基于梯度幅值直方图计算梯度幅值峰度。
在一些实施例中,参阅图7,基于梯度角度直方图计算梯度角度峰度可根据如图7所示流程进行计算,图7的步骤如下:
步骤21:基于梯度角度直方图计算梯度角度二阶中心距和梯度角度四阶中心距。
二阶中心距,也叫作方差,表示一个随机变量在它均值附近波动的大小,方差越大,波动性越大。
具体地,采用以下公式计算梯度角度二阶中心距:
以及
采用以下公式计算梯度角度四阶中心距:
其中,θhist表示梯度角度直方图,x表示梯度角度直方图中的纵坐标的值,E(x)表示梯度角度直方图中的纵坐标的平均值,f(x)表示梯度角度直方图中的纵坐标的概率密度函数。
步骤22:通过梯度角度二阶中心距和梯度角度四阶中心距计算出梯度角度峰度。
峰度是研究数据分布陡峭或平滑的统计量,通过对峰度系数的测量,能够判定数据相对于正态分布而言是更陡峭还是平缓。比如正态分布的峰度为0,均匀分布的峰度为-1.2(平缓),指数分布的峰度为6(陡峭)。峰度,定义为四阶中心距除以方差的平方减3。
具体地,采用以下公式计算梯度角度峰度:
在一些实施例中,参阅图8,基于梯度幅值直方图计算梯度幅值峰度可根据如图8所示流程进行计算,图8的步骤如下:
步骤31:基于梯度幅值直方图计算梯度幅值二阶中心距和梯度幅值四阶中心距。
具体地,采用以下公式计算梯度幅值二阶中心距:
以及
采用以下公式计算梯度幅值四阶中心距:
其中,Ahist表示梯度幅值直方图,x表示梯度幅值直方图中的纵坐标的值,E(x)表示梯度幅值直方图中的纵坐标的平均值,f(x)表示梯度幅值直方图中的纵坐标的概率密度函数。
步骤32:通过梯度幅值二阶中心距和梯度幅值四阶中心距计算出梯度幅值峰度。
具体地,采用以下公式计算梯度幅值峰度:
步骤13:根据梯度角度峰度和梯度幅值峰度对待检测图像帧进行条纹检测。
在一些实施例中,若梯度角度峰度满足预设条件,则确定待检测图像帧出现条纹。若梯度角度峰度≈0,分布的峰态服从正态分布,即确定待检测图像帧未出现条纹;若梯度角度峰度>0,分布的峰态陡峭(高尖);即确定待检测图像帧出现条纹。
在一些实施例中,若梯度幅值峰度满足预设条件,则确定所述待检测图像帧出现条纹。若梯度幅值峰度≈0,分布的峰态服从正态分布,即确定待检测图像帧未出现条纹;若梯度幅值峰度>0,分布的峰态陡峭(高尖);即确定待检测图像帧出现条纹。
在一些实施例中,若梯度角度峰度和梯度幅值峰度满足预设条件,则确定所述待检测图像帧出现条纹。若梯度角度峰度大于1且梯度幅值峰度大于0,则确定待检测图像帧出现条纹。反之则待检测图像帧中未出现条纹。结合上述公式中的梯度角度峰度和梯度幅值峰度可以表示为以下公式:
在一应用场景中,结合图4、图6和图9、图10,对待检测图像帧中出现条纹和未出现条纹进行说明,其中图9中的Amplitude Histogram表示幅值直方图、图10中的AmplitudeHistogram表示幅值直方图。
图4、图6分别为无条纹的梯度角度直方图示意图和梯度幅值直方图示意图,图9、图10分别为有条纹的梯度角度直方图示意图和梯度幅值直方图示意图。从图中可以发现,由于无条纹图像帧的梯度具有不同方向的角度和幅值,其直方图无呈现单峰分布;而有条纹图像的梯度大多朝向一个方向,因此其角度和幅值的直方图呈现单峰分布。
所以根据此现象,计算出梯度角度峰度和梯度幅值峰度,根据梯度角度峰度和梯度幅值峰度对待检测图像帧进行条纹检测。
区别于现有技术的情况,本申请的一种图像条纹检测方法,该方法包括:获取待检测图像帧中每个像素点的梯度角度和梯度幅值,以建立梯度角度直方图和梯度幅值直方图;基于梯度角度直方图计算梯度角度峰度,以及基于梯度幅值直方图计算梯度幅值峰度;根据梯度角度峰度和梯度幅值峰度对待检测图像帧进行条纹检测。通过使用梯度直方图的统计信息作为条纹的检测依据,从图像数据分布上进行全局分析,具有较强的泛化能力和鲁棒性,在减少人力成本的投入的同时还提高检测速度,加快对监控终端的异常判定,能够及时对监控终端进行维护和调整,具有广泛的部署能力。
参阅图11,图11是本申请提供的图像条纹检测方法第二实施例的流程示意图,该方法包括:
步骤41:获取待检测图像帧中每个像素点的梯度角度和梯度幅值,以建立梯度角度直方图和梯度幅值直方图。
步骤42:基于梯度角度直方图计算梯度角度峰度,以及基于梯度幅值直方图计算梯度幅值峰度。
步骤41-42的技术方案与上述实施例的技术方案相同或相似,这里不做赘述。
步骤43:判断梯度角度峰度和/或梯度幅值峰度满足预设条件。
在一些实施例中,若梯度角度峰度满足预设条件,则执行步骤44。
在一些实施例中,若梯度幅值峰度满足预设条件,则执行步骤44。
在一些实施例中,若梯度角度峰度和梯度幅值峰度满足预设条件,则执行步骤44。
若判断梯度角度峰度和/或梯度幅值峰度不满足预设条件,则确定待检测图像帧未出现条纹,则获取下一待检测图像帧执行步骤41。
步骤44:确定待检测图像帧出现条纹。
在一些实施例中,待检测图像帧中的条纹不一定是噪声条纹或者有部分不属于噪声条纹,因为在实际的待检测图像帧中会出现一些条纹,但该条纹不属于噪声条纹,例如待检测图像帧中有斑马线、楼房等条纹背景,会造成一些影响,导致将正常场景的待检测图像帧误检为存在噪声条纹。
所以为解决此问题,在确定待检测图像帧出现条纹后,执行步骤45。
步骤45:对待检测图像帧中的条纹进行过滤,以排除待检测图像帧中的非噪声条纹。
具体地,步骤45可以如图12所示流程进行条纹过滤。
步骤451:获取目标条纹的长度和角度。
可以理解,确认出现条纹后,将组成条纹的像素点看成一个整体,则通过相应的边缘算法计算目标条纹的长度和角度。
步骤452:判断目标条纹的长度是否满足预设长度。
可以理解,噪声条纹通常是出现时是多条出现,且长度满足预设长度,而类似斑马线、楼房的框架线,在视频监控的图像帧中以条纹形式出现时,长度不达到预设长度。
在一些实施例中,判断目标条纹的长度是否满足预设长度可以是将图像帧看成长方形结构,将该长方形的长或宽设置为预设长度,判断目标条纹的长度是否该长方形的长或宽,若是,则执行步骤453;若否,则执行步骤454。
在一些实施例中,步骤452还可以是判断目标条纹的角度是否与除目标条纹之外的其他条纹的角度一致。这是根据噪声条纹的特性决定的。若是,则执行步骤453;若否,则执行步骤454。
在一些实施例中,步骤452还可以是判断目标条纹的长度是否满足预设长度和判断目标条纹的角度是否与除目标条纹之外的其他条纹的角度一致,当两个判断均为是时,则执行步骤453;若否,则执行步骤454。
步骤453:确定目标条纹为噪声条纹。
在确定出目标条纹为噪声条纹后,则可以确定视频监控设备被出现异常,或者在视频图像的传输上出现异常,则可以以此为根据,对该视频监控设备进行维护。
步骤454:确定目标条纹为非噪声条纹。
在确定目标条纹为非噪声条纹后,对所有的条纹进行上述步骤,直至确定所有的条纹为非噪声条纹,则进行下一图像帧的检测。
在本实施例中,通过对待检测图像帧中的条纹进行过滤,以排除待检测图像帧中的非噪声条纹,能够更加准确的检测噪声条纹,以此为依据更准确判断监控终端是否出现故障。
参阅图13,图13是本申请提供的图像条纹检测设备一实施例的结构示意图,该图像条纹检测设备130包括处理器131以及与处理器131耦接的存储器132;其中,存储器132用于存储程序数据,处理器131用于执行程序数据,以实现以下的方法步骤:
获取待检测图像帧中每个像素点的梯度角度和梯度幅值,以建立梯度角度直方图和梯度幅值直方图;基于梯度角度直方图计算梯度角度峰度,以及基于梯度幅值直方图计算梯度幅值峰度;根据梯度角度峰度和梯度幅值峰度对待检测图像帧进行条纹检测。
可以理解,处理器131用于执行程序数据,还用于实现上述任一实施例方法。
在一些实施例中,图像条纹检测设备130可以和监控终端在同一设备中。
参阅图14,图14是本申请提供的视频监控系统一实施例的结构示意图,该视频监控系统140包括图像条纹检测设备141以及与图像条纹检测设备141连接的监控终端142;监控终端142用于采集监控图像,并将采集的监控图像发送给图像条纹检测设备141,图像条纹检测设备141是上述实施例中的图像条纹检测设备130,以对监控图像进行条纹检测。
可选地,其中的图像条纹检测设备141可以是服务器,监控终端142可以是与服务器连接的摄像头,摄像头的数量可以是多个。
图像条纹检测设备141在对监控图像进行条纹检测时可使用上述任一实施例方法。
参阅图15,图15是本申请提供的计算机可读存储介质一实施例的结构示意图,计算机可读存储介质150用于存储程序数据151,程序数据151在被处理器执行时,用于实现以下的方法步骤:
获取待检测图像帧中每个像素点的梯度角度和梯度幅值,以建立梯度角度直方图和梯度幅值直方图;基于梯度角度直方图计算梯度角度峰度,以及基于梯度幅值直方图计算梯度幅值峰度;根据梯度角度峰度和梯度幅值峰度对待检测图像帧进行条纹检测。
可以理解,程序数据151在被处理器执行时,还用于实现上述任一实施例方法。
在本申请所提供的几个实施方式中,应该理解到,所揭露的方法以及设备,可以通过其它的方式实现。例如,以上所描述的设备实施方式仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (13)
1.一种图像条纹检测方法,其特征在于,所述方法包括:
计算每个像素点在第一方向上的第一梯度和第二方向上的第二梯度,其中,所述第一方向为所述待检测图像帧的水平方向,所述第二方向为所述待检测图像帧的竖直方向;
利用所述第一梯度和所述第二梯度计算每个所述像素点的所述梯度角度和所述梯度幅值;
根据每个所述像素点的所述梯度角度建立所述梯度角度直方图;以及
根据每个所述像素点的所述梯度幅值建立所述梯度幅值直方图;
基于所述梯度角度直方图计算梯度角度二阶中心距和梯度角度四阶中心距;通过所述梯度角度二阶中心距和所述梯度角度四阶中心距计算出所述梯度角度峰度,以及基于所述梯度幅值直方图计算梯度幅值二阶中心距和梯度幅值四阶中心距;通过所述梯度幅值二阶中心距和所述梯度幅值四阶中心距计算出所述梯度幅值峰度;
根据所述梯度角度峰度和所述梯度幅值峰度对所述待检测图像帧进行条纹检测。
2.根据权利要求1所述的方法,其特征在于,
所述利用所述第一梯度和所述第二梯度计算每个所述像素点的所述梯度角度和所述梯度幅值,包括:
采用以下公式计算每个所述像素点的所述梯度角度:
以及
采用以下公式计算每个所述像素点的所述梯度幅值:
其中,其中,(i,j)表示所述像素点的坐标,分别为所述像素点在第一方向和第二方向上的梯度。
3.根据权利要求1所述的方法,其特征在于,
所述根据每个所述像素点的所述梯度角度建立所述梯度角度直方图,包括:
分别获取每个所述梯度角度的像素点数量;
将每个所述梯度角度作为横坐标,将对应的所述像素点数量作为纵坐标,以建立所述梯度角度直方图。
4.根据权利要求1所述的方法,其特征在于,
所述根据每个所述像素点的所述梯度幅值建立所述梯度幅值直方图,包括:
分别获取每个所述梯度幅值的像素点数量;
将每个所述梯度幅值作为横坐标,将对应的所述像素点数量作为纵坐标,以建立所述梯度幅值直方图。
5.根据权利要求1所述的方法,其特征在于,
所述基于所述梯度角度直方图计算梯度角度二阶中心距和梯度角度四阶中心距,包括:
采用以下公式计算梯度角度二阶中心距:
以及
采用以下公式计算梯度角度四阶中心距:
所述通过所述梯度角度二阶中心距和所述梯度角度四阶中心距计算出所述梯度角度峰度,包括:
采用以下公式计算梯度角度峰度:
其中,θhist表示所述梯度角度直方图,x表示所述梯度角度直方图中的纵坐标的值,E(x)表示所述梯度角度直方图中的纵坐标的平均值,f(x)表示所述梯度角度直方图中的纵坐标的概率密度函数。
6.根据权利要求1所述的方法,其特征在于,
所述基于所述梯度幅值直方图计算梯度幅值二阶中心距和梯度幅值四阶中心距,包括:
采用以下公式计算梯度幅值二阶中心距:
以及
采用以下公式计算梯度幅值四阶中心距:
所述通过所述梯度幅值二阶中心距和所述梯度幅值四阶中心距计算出所述梯度幅值峰度,包括:
采用以下公式计算梯度幅值峰度:
其中,Ahist表示所述梯度幅值直方图,x表示所述梯度幅值直方图中的纵坐标的值,E(x)表示所述梯度幅值直方图中的纵坐标的平均值,f(x)表示所述梯度幅值直方图中的纵坐标的概率密度函数。
7.根据权利要求1所述的方法,其特征在于,
所述根据所述梯度角度峰度和所述梯度幅值峰度对所述待检测图像帧进行条纹检测,包括:
若所述梯度角度峰度和/或所述梯度幅值峰度满足预设条件,则确定所述待检测图像帧出现条纹。
8.根据权利要求7所述的方法,其特征在于,
所述若所述梯度角度峰度和/或所述梯度幅值峰度满足预设条件,则确定所述待检测图像帧出现条纹,包括:
若所述梯度角度峰度大于1且所述梯度幅值峰度大于0,则确定所述待检测图像帧出现条纹。
9.根据权利要求7所述的方法,其特征在于,
所述确定所述待检测图像帧出现条纹之后,还包括:
对所述待检测图像帧中的条纹进行过滤,以排除所述待检测图像帧中的非噪声条纹。
10.根据权利要求9所述的方法,其特征在于,
所述对所述待检测图像帧中的条纹进行过滤,以排除所述待检测图像帧中的非噪声条纹,包括:
获取目标条纹的长度和角度;
判断所述目标条纹的长度是否满足预设长度,和/或判断所述目标条纹的角度是否与除所述目标条纹之外的其他条纹的角度一致;
若否,则确定所述目标条纹为非噪声条纹;
若是,则确定所述目标条纹为噪声条纹。
11.一种图像条纹检测设备,其特征在于,所述图像条纹检测设备包括处理器以及与所述处理器耦接的存储器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据,以实现如权利要求1-10任一项所述的方法。
12.一种视频监控系统,其特征在于,所述视频监控系统包括图像条纹检测设备以及与所述图像条纹检测设备连接的监控终端;
所述监控终端用于采集监控图像,并将采集的所述监控图像发送给所述图像条纹检测设备,所述图像条纹检测设备是如权利要求11所述的图像条纹检测设备,以对所述监控图像进行条纹检测。
13.一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用于存储程序数据,所述程序数据在被处理器执行时,用于实现如权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584243.XA CN111815578B (zh) | 2020-06-23 | 2020-06-23 | 图像条纹检测方法、视频监控系统及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584243.XA CN111815578B (zh) | 2020-06-23 | 2020-06-23 | 图像条纹检测方法、视频监控系统及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815578A CN111815578A (zh) | 2020-10-23 |
CN111815578B true CN111815578B (zh) | 2024-05-28 |
Family
ID=72846467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010584243.XA Active CN111815578B (zh) | 2020-06-23 | 2020-06-23 | 图像条纹检测方法、视频监控系统及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815578B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112752093B (zh) * | 2020-12-25 | 2022-08-16 | 浙江大华技术股份有限公司 | 视频条纹检测方法、装置、存储介质及电子装置 |
CN112950540B (zh) * | 2021-02-01 | 2022-04-15 | 联宝(合肥)电子科技有限公司 | 一种条码识别方法及设备 |
CN115409881A (zh) * | 2021-05-11 | 2022-11-29 | 北京字跳网络技术有限公司 | 图像处理方法、装置及设备 |
CN113569713A (zh) * | 2021-07-23 | 2021-10-29 | 浙江大华技术股份有限公司 | 视频图像的条纹检测方法及装置、计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015069530A (ja) * | 2013-09-30 | 2015-04-13 | カシオ計算機株式会社 | 画像認識装置、方法、プログラム、および投影画像認識システム |
CN105959683A (zh) * | 2016-05-16 | 2016-09-21 | 武汉虹识技术有限公司 | 一种摄像机镜头分辨率检测方法及装置 |
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
CN109101981A (zh) * | 2018-07-19 | 2018-12-28 | 东南大学 | 一种街景场景下基于全局图像条纹码的回环检测方法 |
CN109102518A (zh) * | 2018-08-10 | 2018-12-28 | 广东工业大学 | 一种图像边缘检测的方法、系统及相关组件 |
WO2019127923A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳云天励飞技术有限公司 | 集成电路、图像特征提取方法及终端 |
WO2019237520A1 (zh) * | 2018-06-11 | 2019-12-19 | 平安科技(深圳)有限公司 | 一种图像匹配方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITVI20120041A1 (it) * | 2012-02-22 | 2013-08-23 | St Microelectronics Srl | Rilevazione di caratteristiche di un'immagine |
-
2020
- 2020-06-23 CN CN202010584243.XA patent/CN111815578B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015069530A (ja) * | 2013-09-30 | 2015-04-13 | カシオ計算機株式会社 | 画像認識装置、方法、プログラム、および投影画像認識システム |
CN105959683A (zh) * | 2016-05-16 | 2016-09-21 | 武汉虹识技术有限公司 | 一种摄像机镜头分辨率检测方法及装置 |
WO2019127923A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳云天励飞技术有限公司 | 集成电路、图像特征提取方法及终端 |
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
WO2019237520A1 (zh) * | 2018-06-11 | 2019-12-19 | 平安科技(深圳)有限公司 | 一种图像匹配方法、装置、计算机设备及存储介质 |
CN109101981A (zh) * | 2018-07-19 | 2018-12-28 | 东南大学 | 一种街景场景下基于全局图像条纹码的回环检测方法 |
CN109102518A (zh) * | 2018-08-10 | 2018-12-28 | 广东工业大学 | 一种图像边缘检测的方法、系统及相关组件 |
Non-Patent Citations (2)
Title |
---|
基于梯度幅值的自适应边缘检测算法;刘建磊;赵景秀;李波;;光电子技术(03);全文 * |
梯度直方图和光流特征融合的视频图像异常行为检测算法;柳晶晶;陶华伟;罗琳;赵力;邹采荣;;信号处理(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111815578A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815578B (zh) | 图像条纹检测方法、视频监控系统及相关装置 | |
CN109325935B (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN106303158B (zh) | 一种视频图像中的条纹异常检测方法 | |
CN105959683B (zh) | 一种摄像机镜头分辨率检测方法及装置 | |
CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
CN111898486B (zh) | 监控画面异常的检测方法、装置及存储介质 | |
CN107678192A (zh) | 一种基于机器视觉的Mura缺陷检测方法及系统 | |
CN110738700A (zh) | 激光光斑中心检测方法、装置、计算机设备及存储介质 | |
CN112284260A (zh) | 一种视觉位移监测方法、设备和系统 | |
CN108257125B (zh) | 一种基于自然场景统计的深度图像质量无参考评价方法 | |
CN110796615A (zh) | 一种图像去噪方法、装置以及存储介质 | |
CN112733759B (zh) | 基于视觉图像局部二值化处理的结构振动测量方法及系统 | |
CN112215810A (zh) | 一种疲劳测试裂纹监测方法及装置 | |
US10375383B2 (en) | Method and apparatus for adjusting installation flatness of lens in real time | |
CN112801111B (zh) | 基于梯度方向的图像直线边缘点分类方法及装置 | |
CN114724000A (zh) | 一种屏拍图摩尔纹的处理方法、处理装置及处理设备 | |
CN104392203B (zh) | 一种基于视频分析的点状条纹噪声检测方法 | |
KR20180096096A (ko) | 해색 영상을 이용한 해안선 모니터링 장치 및 방법 | |
CN117218105A (zh) | 一种基于视觉识别的燃油喷嘴喷雾角度测量方法及系统 | |
CN113899349A (zh) | 海浪参数检测方法、设备及存储介质 | |
CN116129195A (zh) | 图像质量评价装置、方法、电子设备和存储介质 | |
CN112613456A (zh) | 一种基于多帧差分图像累积的小目标检测方法 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN112258407B (zh) | 一种图像采集设备的信噪比获取方法、装置及存储介质 | |
KR101431646B1 (ko) | 데이터처리장치, 데이터처리방법 및 컴퓨터 판독가능 기록매체 |
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 |