CN111950523A - 基于航拍的船只检测优化方法、装置、电子设备及介质 - Google Patents

基于航拍的船只检测优化方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN111950523A
CN111950523A CN202010889613.0A CN202010889613A CN111950523A CN 111950523 A CN111950523 A CN 111950523A CN 202010889613 A CN202010889613 A CN 202010889613A CN 111950523 A CN111950523 A CN 111950523A
Authority
CN
China
Prior art keywords
image
target area
video frame
edge
extraction algorithm
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
Application number
CN202010889613.0A
Other languages
English (en)
Inventor
邓练兵
李大铭
高妍
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.)
Zhuhai Dahengqin Technology Development Co Ltd
Original Assignee
Zhuhai Dahengqin Technology Development 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 Zhuhai Dahengqin Technology Development Co Ltd filed Critical Zhuhai Dahengqin Technology Development Co Ltd
Priority to CN202010889613.0A priority Critical patent/CN111950523A/zh
Publication of CN111950523A publication Critical patent/CN111950523A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Studio Devices (AREA)

Abstract

本发明涉及数据处理领域，提供了一种基于航拍的船只检测优化方法、装置、电子设备及介质，该方法包括获取包括目标区域的标准视频帧，利用背景提取算法提取出标准视频帧中的背景图像，得到目标区域的前景图像；利用边缘提取算法提取出标准视频帧中目标区域的边缘轮廓，得到目标区域的边缘特征图；将前景图像与边缘特征图进行图像融合得到优化后的目标区域图像。本发明结合背景提取算法和边缘提取算法，利用背景提取算法能够在动态环境下进行目标检测，克服边缘提取算法在动态环境下检测效果差的缺点，同时利用边缘提取算法克服背景提取算法检测目标的外轮廓信息不清晰的缺点，最终得到目标区域图像边缘清晰，检测效果好。

Description

基于航拍的船只检测优化方法、装置、电子设备及介质
技术领域
本发明涉及数据处理领域，尤其涉及一种基于航拍的船只检测优化方法、装置、电子设备及存储介质。
背景技术
空中航拍技术作为目标船舶动态监管的重要手段之一，具有成本低、实现简单等诸多优势，但通过空中巡航方式进行海事监管时，由视觉监控实现目标船舶的实时检测成为了一大技术难题。
当前学术界对于目标检测的方法主要分为以下三类：帧间差分法、背景减除法、光流法。帧间差分法主要是利用视频图像序列连续两帧或三帧的差异来检测出运动区域，但对于目标的轮廓检测很不理想，甚至无法检测完整的目标边界；背景减除法最主要的部分就是背景建模，模型的好坏直接影响前景目标的检测效果；光流法是利用光流场的变化来检测运动目标，在理想状态下检测效果较好，但是光照变化时，即使物体没有运动也会被检测出来。目前也有采用Vibe算法来提取目标的轮廓。Vibe算法是一种动态目标检测方法，该方法允许在多种动态与静态环境下进行目标检测，且经过学术界诸多学者的研究考量，证实了其良好的实时性和有效性，成为了目标检测技术中具有重要意义的有效检测算法。但由于低空航拍视频中的船舶目标大小不一、运动速度缓慢，以及无人机的不定向运动等影响，传统Vibe算法对船舶目标的检测效果不理想，无法检测到船舶的外轮廓信息。因此如何实现在低空航拍视频中对船舶目标的有效检测成为了亟需解决的技术问题。
发明内容
本发明的主要目的在于提供一种基于航拍的船只检测优化方法、装置、电子设备及介质，旨在解决如何实现在低空航拍视频中对船舶目标的有效检测的问题。
为实现上述目的，本发明提供的一种基于航拍的船只检测优化方法，该方法包括：
获取包括目标区域的待处理视频帧，将所述待处理视频帧进行预处理得到标准视频帧，利用预设的背景提取算法提取出所述标准视频帧中的背景图像，得到所述目标区域的前景图像；
利用预设的边缘提取算法提取出所述标准视频帧中目标区域的边缘轮廓，得到所述目标区域的边缘特征图；
将所述前景图像与所述边缘特征图进行图像融合得到优化后的目标区域图像。
优选地，背景提取算法包括背景差分法或Vibe算法。
优选地，所述边缘提取算法包括：
利用OTSU算法对所述标准视频帧进行二值化处理得到二值化图像；
采用中值滤波对所述二值化图像进行图像平滑处理得到第一图像；
利用一阶偏导有限差分计算所述第一图像中各个像素点的梯度幅值；
遍历所述目标区域中每一个像素点，若所述像素点的梯度幅值小于预设阈值，则该像素点的值为0，否则，该像素点的值为255，得到所述边缘特征图。
优选地，所述“将所述前景图像与所述边缘特征图进行图像融合得到优化后的目标区域图像”步骤包括：
分别获取前景图像和边缘特征图的像素值，并将两图像的相应位置像素点的像素值进行点乘运算得到所述目标区域图像的像素点；
获取与所述标准视频帧尺寸相同的空白图像，并设置所述空白图像上所有像素点的像素值为0；
分析并获取所述目标区域图像上的连通区域，并将获取到的所述连通区域提取至所述空白图像的对应像素位置上，从而获得所述目标区域图像。
优选地，所述“将所述前景图像与所述边缘特征图进行图像融合得到优化后的目标区域图像”步骤之后，该方法还包括：
根据所述目标区域图像中目标区域的边缘轮廓框定所述目标区域。
优选地，所述“将所述待处理视频帧进行预处理得到标准视频帧”步骤包括：
将所述待处理视频帧输入预先训练的目标识别模型，输出包括至少一类标记框的第二图像；
遍历每一个所述标记框的边缘轮廓路径，判断该边缘轮廓的路径是否闭合；
若判断结果为闭合，则将该第二图像作为所述标准视频帧，否则将该第二图像删除，重新获取包括所述目标区域的待处理视频帧。
优选地，所述“输出包括至少一类标记框的第二图像”步骤之后，该方法还包括：
判断所述第二图像中标记框的数量是否为1，若所述判断结果为是，则将该第二图像作为所述标准视频帧，否则将该第二图像删除，重新获取包括所述目标区域的待处理视频帧。
为实现上述目的，本发明还进一步提供一种基于航拍的船只检测优化装置，所述基于航拍的船只检测优化装置包括：
第一提取模块，用于获取包括目标区域的待处理视频帧，将所述待处理视频帧进行预处理得到标准视频帧，利用预设的背景提取算法提取出所述标准视频帧中的背景图像，得到所述目标区域的前景图像；
第二提取模块，用于利用预设的边缘提取算法提取出所述标准视频帧中目标区域的边缘轮廓，得到所述目标区域的边缘特征图；
融合模块，用于将所述前景图像与所述边缘特征图进行图像融合得到优化后的目标区域图像。
为实现上述目的，本发明还进一步提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器上存储有基于航拍的船只检测优化程序，所述基于航拍的船只检测优化程序被所述处理器执行时实现如上述的基于航拍的船只检测优化方法的步骤。
为实现上述目的，本发明进一步提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于航拍的船只检测优化程序，所述基于航拍的船只检测优化程序可被一个或者多个处理器执行，以实现如上述的基于航拍的船只检测优化方法的步骤。
本发明提出的基于航拍的船只检测优化方法、装置、电子设备及介质，通过获取包括目标区域的标准视频帧，利用预设的背景提取算法提取出所述标准视频帧中的背景图像，得到所述目标区域的前景图像；利用预设的边缘提取算法提取出所述标准视频帧中目标区域的边缘轮廓，得到所述目标区域的边缘特征图；将所述前景图像与所述边缘特征图进行图像融合得到优化后的目标区域图像。本发明结合背景提取算法和边缘提取算法，利用背景提取算法能够在多种动态与静态环境下进行目标检测，且具有良好的实时性和有效性的优点，克服边缘提取算法在动态环境下检测效果差的缺点，同时利用边缘提取算法克服背景提取算法检测目标的外轮廓信息不清晰的缺点，最终得到目标区域图像边缘清晰，检测效果好。
附图说明
图1为本发明一实施例提供的基于航拍的船只检测优化方法的流程示意图；
图2为本发明一实施例提供的基于航拍的船只检测优化装置的模块示意图；
图3为本发明一实施例提供的实现基于航拍的船只检测优化方法的电子设备的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参附图做进一步说明。
具体实施方式
为了使本发明的目的、技术本实施例及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术本实施例可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术本实施例的结合出现相互矛盾或无法实现时应当认为这种技术本实施例的结合不存在，也不在本发明要求的保护范围之内。
本发明提供一种基于航拍的船只检测优化方法。参照图1所示，为本发明一实施例提供的基于航拍的船只检测优化方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，基于航拍的船只检测优化方法包括：
S110，获取包括目标区域的待处理视频帧，将所述待处理视频帧进行预处理得到标准视频帧，利用预设的背景提取算法提取出所述标准视频帧中的背景图像，得到所述目标区域的前景图像。
在本实施例中，本方案的应用场景为利用无人机进行低空航拍以获取包括船只的图像，实现有效提取图像中船只的轮廓信息，并以电子设备为执行主体，例如电脑。在将无人机航拍得到的视频数据上传电子设备后，对视频数据进行分析处理，提取视频数据中包括目标区域(即船只)的每一帧待处理视频帧。
为了避免待处理视频帧中出现目标区域不完整的情况出现，导致影响后续检测效果，因此，需要将待处理视频帧进行预处理得到标准视频帧。
具体地，“将所述待处理视频帧进行预处理得到标准视频帧”步骤包括：
将所述待处理视频帧输入预先训练的目标识别模型，输出包括至少一类标记框的第二图像；
遍历每一个所述标记框的边缘轮廓路径，判断该边缘轮廓的路径是否闭合；
若判断结果为闭合，则将该第二图像作为所述标准视频帧，否则将该第二图像删除，重新获取包括所述目标区域的待处理视频帧。
其中，目标训练模型可以通过卷积神经网络(Convolutional Neural Net works,CNN)训练得到，具体训练过程包括：
获取预设数量(例如100000)的图像样本，利用第三方标记工具为每张图像样本中的目标体分配唯一的标记框；
将图像样本按照预设比例(例如2:1)分成训练集和验证集，训练集中的图像样本数量大于验证集中的图像样本数量；
将训练集中的图像样本输入所述目标训练模型进行训练，每隔预设周期使用验证集对目标训练模型进行验证，利用验证集中各张图像样本和对应的标记框对该目标训练模型的准确率进行验证；及
当验证的准确率大于预设阈值(例如80％)时，结束训练，得到训练完成的目标训练模型。
通过遍历每一个标记框的边缘轮廓路径，判断该边缘轮廓的路径是否闭合，若判断结果为闭合，则说明目标区域是完整的，将该第二图像作为标准视频帧，否则将该第二图像删除，重新获取包括目标区域的待处理视频帧。
在另一实施例中，所述“输出包括至少一类标记框的第二图像”步骤之后，该方法还包括：
判断所述第二图像中标记框的数量是否为1，若所述判断结果为是，则将该第二图像作为所述标准视频帧，否则将该第二图像删除，重新获取包括所述目标区域的待处理视频帧。
在本实施例中，判断第二图像中标记框的数量是否为1，若判断结果为是，则说明第二图像中只有一个目标区域，避免同时出现多个目标区域，影响后续检测效果。将该第二图像作为标准视频帧，否则将该第二图像删除，重新获取包括目标区域的待处理视频帧。
得到标准视频帧后，利用预设的背景提取算法提取出标准视频帧中的背景图像，得到目标区域的前景图像。
其中，背景提取算法可以采用背景差分法或Vibe算法。以Vibe算法为例，Vibe算法是一种动态目标检测方法，该方法允许在多种动态与静态环境下进行目标检测，具有良好的实时性和有效性。
通过背景提取算法提取标准视频帧中的背景图像，得到目标区域的前景图像，为后续进行图像融合做准备。
S120，利用预设的边缘提取算法提取出所述标准视频帧中目标区域的边缘轮廓，得到所述目标区域的边缘特征图。
在本实施例中，以上述S110步骤中的同一标准视频帧进行以下操作，利用预设的边缘提取算法提取出标准视频帧中目标区域的边缘轮廓，得到目标区域(即船只)的边缘特征图。
其中，边缘提取算法包括：
利用OTSU算法对标准视频帧进行二值化处理得到二值化图像，即只有黑白两种颜色的图像；
采用中值滤波对二值化图像进行图像平滑处理得到第一图像。采用中值滤波代替高斯滤波来平滑图像，中值滤波对水面波纹的平滑效果比高斯滤波效果更好；
利用一阶偏导有限差分计算第一图像中各个像素点的梯度幅值；
遍历目标区域中每一个像素点，若像素点的梯度幅值小于预设阈值，则该像素点的值为0，否则，该像素点的值为255，得到边缘特征图。
通过边缘提取算法提取标准视频帧中的目标区域的边缘轮廓，得到边缘特征图，为后续进行图像融合做准备。
S130，将所述前景图像与所述边缘特征图进行图像融合得到优化后的目标区域图像。
在本实施例中，将前景图像与边缘特征图进行图像融合得到优化后的目标区域图像。
具体地，分别获取前景图像和边缘特征图的像素值，并将两图像的相应位置像素点的像素值进行点乘运算得到所述目标区域图像的像素点；
获取与所述标准视频帧尺寸相同的空白图像，并设置所述空白图像上所有像素点的像素值为0；
分析并获取所述目标区域图像上的连通区域，并将获取到的所述连通区域提取至所述空白图像的对应像素位置上，从而获得所述目标区域图像。
结合背景提取算法和边缘提取算法，利用背景提取算法能够在多种动态与静态环境下进行目标检测，且具有良好的实时性和有效性的优点，克服边缘提取算法在动态环境下检测效果差的缺点，同时利用边缘提取算法克服背景提取算法检测目标的外轮廓信息不清晰的缺点，最终得到目标区域图像边缘清晰，检测效果好。
在另一实施例中，该方法还包括：
根据所述目标区域图像中目标区域的边缘轮廓框定所述目标区域。
在本实施例中，根据目标区域图像中目标区域的边缘轮廓框定目标区域。目标区域框定的过程是用最小外接矩形对目标进行连通域标记，方便后期对目标体的定位与跟踪。
关于上述步骤的详细介绍，请参照下述图2关于基于航拍的船只检测优化程序10实施例的程序模块示意图及图3关于基于航拍的船只检测优化方法实施例的方法流程示意图的说明。
如图2所示，是本发明基于航拍的船只检测优化装置100的功能模块图。
本发明所述基于航拍的船只检测优化装置100可以安装于电子设备1中。根据实现的功能，所述基于航拍的船只检测优化装置100可以包括第一提取模块110、第二提取模块120以及融合模块130。本发明所述模块也可以称之为单元，是指一种能够被电子设备1处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备1的存储器中。
在本实施例中，关于各模块/单元的功能如下：
第一提取模块110，用于获取包括目标区域的待处理视频帧，将所述待处理视频帧进行预处理得到标准视频帧，利用预设的背景提取算法提取出所述标准视频帧中的背景图像，得到所述目标区域的前景图像。
在本实施例中，本方案的应用场景为利用无人机进行低空航拍以获取包括船只的图像，实现有效提取图像中船只的轮廓信息，并以电子设备为执行主体，例如电脑。在将无人机航拍得到的视频数据上传电子设备后，对视频数据进行分析处理，提取视频数据中包括目标区域(即船只)的每一帧待处理视频帧。
为了避免待处理视频帧中出现目标区域不完整的情况出现，导致影响后续检测效果，因此，需要将待处理视频帧进行预处理得到标准视频帧。
具体地，“将所述待处理视频帧进行预处理得到标准视频帧”步骤包括：
将所述待处理视频帧输入预先训练的目标识别模型，输出包括至少一类标记框的第二图像；
遍历每一个所述标记框的边缘轮廓路径，判断该边缘轮廓的路径是否闭合；
若判断结果为闭合，则将该第二图像作为所述标准视频帧，否则将该第二图像删除，重新获取包括所述目标区域的待处理视频帧。
其中，目标训练模型可以通过卷积神经网络(Convolutional Neural Net works,CNN)训练得到，具体训练过程包括：
获取预设数量(例如100000)的图像样本，利用第三方标记工具为每张图像样本中的目标体分配唯一的标记框；
将图像样本按照预设比例(例如2:1)分成训练集和验证集，训练集中的图像样本数量大于验证集中的图像样本数量；
将训练集中的图像样本输入所述目标训练模型进行训练，每隔预设周期使用验证集对目标训练模型进行验证，利用验证集中各张图像样本和对应的标记框对该目标训练模型的准确率进行验证；及
当验证的准确率大于预设阈值(例如80％)时，结束训练，得到训练完成的目标训练模型。
通过遍历每一个标记框的边缘轮廓路径，判断该边缘轮廓的路径是否闭合，若判断结果为闭合，则说明目标区域是完整的，将该第二图像作为标准视频帧，否则将该第二图像删除，重新获取包括目标区域的待处理视频帧。
在另一实施例中，所述“输出包括至少一类标记框的第二图像”步骤之后，该装置还包括判断模块，用于：
判断所述第二图像中标记框的数量是否为1，若所述判断结果为是，则将该第二图像作为所述标准视频帧，否则将该第二图像删除，重新获取包括所述目标区域的待处理视频帧。
在本实施例中，判断第二图像中标记框的数量是否为1，若判断结果为是，则说明第二图像中只有一个目标区域，避免同时出现多个目标区域，影响后续检测效果。将该第二图像作为标准视频帧，否则将该第二图像删除，重新获取包括目标区域的待处理视频帧。
得到标准视频帧后，利用预设的背景提取算法提取出标准视频帧中的背景图像，得到目标区域的前景图像。
其中，背景提取算法可以采用背景差分法或Vibe算法。以Vibe算法为例，Vibe算法是一种动态目标检测方法，该方法允许在多种动态与静态环境下进行目标检测，具有良好的实时性和有效性。
通过背景提取算法提取标准视频帧中的背景图像，得到目标区域的前景图像，为后续进行图像融合做准备。
第二提取模块120，用于利用预设的边缘提取算法提取出所述标准视频帧中目标区域的边缘轮廓，得到所述目标区域的边缘特征图。
在本实施例中，以上述S110步骤中的同一标准视频帧进行以下操作，利用预设的边缘提取算法提取出标准视频帧中目标区域的边缘轮廓，得到目标区域(即船只)的边缘特征图。
其中，边缘提取算法包括：
利用OTSU算法对标准视频帧进行二值化处理得到二值化图像，即只有黑白两种颜色的图像；
采用中值滤波对二值化图像进行图像平滑处理得到第一图像。采用中值滤波代替高斯滤波来平滑图像，中值滤波对水面波纹的平滑效果比高斯滤波效果更好；
利用一阶偏导有限差分计算第一图像中各个像素点的梯度幅值；
遍历目标区域中每一个像素点，若像素点的梯度幅值小于预设阈值，则该像素点的值为0，否则，该像素点的值为255，得到边缘特征图。
通过边缘提取算法提取标准视频帧中的目标区域的边缘轮廓，得到边缘特征图，为后续进行图像融合做准备。
融合模块130，用于将所述前景图像与所述边缘特征图进行图像融合得到优化后的目标区域图像。
在本实施例中，将前景图像与边缘特征图进行图像融合得到优化后的目标区域图像。
具体地，分别获取前景图像和边缘特征图的像素值，并将两图像的相应位置像素点的像素值进行点乘运算得到所述目标区域图像的像素点；
获取与所述标准视频帧尺寸相同的空白图像，并设置所述空白图像上所有像素点的像素值为0；
分析并获取所述目标区域图像上的连通区域，并将获取到的所述连通区域提取至所述空白图像的对应像素位置上，从而获得所述目标区域图像。
结合背景提取算法和边缘提取算法，利用背景提取算法能够在多种动态与静态环境下进行目标检测，且具有良好的实时性和有效性的优点，克服边缘提取算法在动态环境下检测效果差的缺点，同时利用边缘提取算法克服背景提取算法检测目标的外轮廓信息不清晰的缺点，最终得到目标区域图像边缘清晰，检测效果好。
在另一实施例中，该装置还包括框定模块，用于：
根据所述目标区域图像中目标区域的边缘轮廓框定所述目标区域。
在本实施例中，根据目标区域图像中目标区域的边缘轮廓框定目标区域。目标区域框定的过程是用最小外接矩形对目标进行连通域标记，方便后期对目标体的定位与跟踪。
如图3所示，是本发明实现基于航拍的船只检测优化方法的电子设备的结构示意图。
所述电子设备1可以包括处理器12、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器12上运行的计算机程序，如基于航拍的船只检测优化程序10。
其中，所述存储器11至少包括一种类型的可读存储介质，所述计算机可读存储介质上存储有基于航拍的船只检测优化程序，基于航拍的船只检测优化程序可被一个或者多个处理器执行。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(SmartMedia Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于航拍的船只检测优化程序10的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器12是所述电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于航拍的船只检测优化程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器12等之间的连接通信。
图3仅示出了具有部件的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器12逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口13，可选地，所述网络接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备1之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于航拍的船只检测优化程序10是多个指令的组合，在所述处理器12中运行时，可以实现：
获取包括目标区域的待处理视频帧，将所述待处理视频帧进行预处理得到标准视频帧，利用预设的背景提取算法提取出所述标准视频帧中的背景图像，得到所述目标区域的前景图像；
利用预设的边缘提取算法提取出所述标准视频帧中目标区域的边缘轮廓，得到所述目标区域的边缘特征图；
将所述前景图像与所述边缘特征图进行图像融合得到优化后的目标区域图像。
在另一实施例中，该程序还执行框定步骤，包括：
根据所述目标区域图像中目标区域的边缘轮廓框定所述目标区域。
在另一实施例中，该程序还执行判断步骤，包括：
判断所述第二图像中标记框的数量是否为1，若所述判断结果为是，则将该第二图像作为所述标准视频帧，否则将该第二图像删除，重新获取包括所述目标区域的待处理视频帧。
具体地，所述处理器11对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于航拍的船只检测优化方法，其特征在于，包括：
获取包括目标区域的待处理视频帧，将所述待处理视频帧进行预处理得到标准视频帧，利用预设的背景提取算法提取出所述标准视频帧中的背景图像，得到所述目标区域的前景图像；
利用预设的边缘提取算法提取出所述标准视频帧中目标区域的边缘轮廓，得到所述目标区域的边缘特征图；
将所述前景图像与所述边缘特征图进行图像融合得到优化后的目标区域图像。
2.如权利要求1所述的基于航拍的船只检测优化方法，其特征在于，所述背景提取算法包括背景差分法或Vibe算法。
3.如权利要求1所述的基于航拍的船只检测优化方法，其特征在于，所述边缘提取算法包括：
利用OTSU算法对所述标准视频帧进行二值化处理得到二值化图像；
采用中值滤波对所述二值化图像进行图像平滑处理得到第一图像；
利用一阶偏导有限差分计算所述第一图像中各个像素点的梯度幅值；
遍历所述目标区域中每一个像素点，若所述像素点的梯度幅值小于预设阈值，则该像素点的值为0，否则，该像素点的值为255，得到所述边缘特征图。
4.如权利要求1所述的基于航拍的船只检测优化方法，其特征在于，所述“将所述前景图像与所述边缘特征图进行图像融合得到优化后的目标区域图像”步骤包括：
分别获取前景图像和边缘特征图的像素值，并将两图像的相应位置像素点的像素值进行点乘运算得到所述目标区域图像的像素点；
获取与所述标准视频帧尺寸相同的空白图像，并设置所述空白图像上所有像素点的像素值为0；
分析并获取所述目标区域图像上的连通区域，并将获取到的所述连通区域提取至所述空白图像的对应像素位置上，从而获得所述目标区域图像。
5.如权利要求1所述的基于航拍的船只检测优化方法，其特征在于，所述“将所述前景图像与所述边缘特征图进行图像融合得到优化后的目标区域图像”步骤之后，该方法还包括：
根据所述目标区域图像中目标区域的边缘轮廓框定所述目标区域。
6.如权利要求1所述的基于航拍的船只检测优化方法，其特征在于，所述“将所述待处理视频帧进行预处理得到标准视频帧”步骤包括：
将所述待处理视频帧输入预先训练的目标识别模型，输出包括至少一类标记框的第二图像；
遍历每一个所述标记框的边缘轮廓路径，判断该边缘轮廓的路径是否闭合；
若判断结果为闭合，则将该第二图像作为所述标准视频帧，否则将该第二图像删除，重新获取包括所述目标区域的待处理视频帧。
7.如权利要求6所述的基于航拍的船只检测优化方法，其特征在于，所述“输出包括至少一类标记框的第二图像”步骤之后，该方法还包括：
判断所述第二图像中标记框的数量是否为1，若所述判断结果为是，则将该第二图像作为所述标准视频帧，否则将该第二图像删除，重新获取包括所述目标区域的待处理视频帧。
8.一种基于航拍的船只检测优化装置，其特征在于，包括：
第一提取模块，用于获取包括目标区域的待处理视频帧，将所述待处理视频帧进行预处理得到标准视频帧，利用预设的背景提取算法提取出所述标准视频帧中的背景图像，得到所述目标区域的前景图像；
第二提取模块，用于利用预设的边缘提取算法提取出所述标准视频帧中目标区域的边缘轮廓，得到所述目标区域的边缘特征图；
融合模块，用于将所述前景图像与所述边缘特征图进行图像融合得到优化后的目标区域图像。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器上存储有基于航拍的船只检测优化程序，所述基于航拍的船只检测优化程序被所述处理器执行时实现如权利要求1-7中任一项所述的基于航拍的船只检测优化方法的步骤。
10.一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上存储有基于航拍的船只检测优化程序，所述基于航拍的船只检测优化程序可被一个或者多个处理器执行，以实现如权利要求1-7中任一项所述的基于航拍的船只检测优化方法的步骤。
CN202010889613.0A 2020-08-28 2020-08-28 基于航拍的船只检测优化方法、装置、电子设备及介质 Pending CN111950523A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010889613.0A CN111950523A (zh) 2020-08-28 2020-08-28 基于航拍的船只检测优化方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010889613.0A CN111950523A (zh) 2020-08-28 2020-08-28 基于航拍的船只检测优化方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN111950523A true CN111950523A (zh) 2020-11-17

Family

ID=73367030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010889613.0A Pending CN111950523A (zh) 2020-08-28 2020-08-28 基于航拍的船只检测优化方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN111950523A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418848A (zh) * 2022-01-17 2022-04-29 Tcl通讯科技（成都）有限公司 视频处理方法、装置、存储介质及电子设备
CN114879621A (zh) * 2022-07-11 2022-08-09 佛山市木木生活家具有限公司 一种家具喷涂加工控制方法、系统及装置
CN114994671A (zh) * 2022-05-31 2022-09-02 南京慧尔视智能科技有限公司 基于雷达图像的目标检测方法、装置、设备及介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184552A (zh) * 2011-05-11 2011-09-14 上海理工大学 一种基于差分融合与图像边缘信息的运动目标检测方法
CN104200197A (zh) * 2014-08-18 2014-12-10 北京邮电大学 三维人体行为识别方法及装置
CN104463165A (zh) * 2014-10-24 2015-03-25 南京邮电大学 一种融合Canny算子与Vibe算法的目标检测方法
CN105426825A (zh) * 2015-11-09 2016-03-23 国网山东省电力公司烟台供电公司 一种基于航拍图像识别的电网地理接线图绘制方法
CN109308447A (zh) * 2018-07-29 2019-02-05 国网上海市电力公司 在电力远程监控中自动提取设备运行参数和运行状态的方法
CN109377515A (zh) * 2018-08-03 2019-02-22 佛山市顺德区中山大学研究院 一种基于改进ViBe算法的运动目标检测方法及系统
CN109584266A (zh) * 2018-11-15 2019-04-05 腾讯科技（深圳）有限公司 一种目标检测方法及装置
CN109657541A (zh) * 2018-11-09 2019-04-19 南京航空航天大学 一种基于深度学习的无人机航拍图像中的船舶检测方法
CN110288538A (zh) * 2019-05-23 2019-09-27 南京理工大学 一种多特征融合的运动目标阴影检测及消除方法
CN111080554A (zh) * 2019-12-20 2020-04-28 成都极米科技股份有限公司 一种投影内容中字幕区域增强方法、装置及可读存储介质
CN111353954A (zh) * 2020-02-20 2020-06-30 新疆大学 视频图像的处理方法、装置及电子设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184552A (zh) * 2011-05-11 2011-09-14 上海理工大学 一种基于差分融合与图像边缘信息的运动目标检测方法
CN104200197A (zh) * 2014-08-18 2014-12-10 北京邮电大学 三维人体行为识别方法及装置
CN104463165A (zh) * 2014-10-24 2015-03-25 南京邮电大学 一种融合Canny算子与Vibe算法的目标检测方法
CN105426825A (zh) * 2015-11-09 2016-03-23 国网山东省电力公司烟台供电公司 一种基于航拍图像识别的电网地理接线图绘制方法
CN109308447A (zh) * 2018-07-29 2019-02-05 国网上海市电力公司 在电力远程监控中自动提取设备运行参数和运行状态的方法
CN109377515A (zh) * 2018-08-03 2019-02-22 佛山市顺德区中山大学研究院 一种基于改进ViBe算法的运动目标检测方法及系统
CN109657541A (zh) * 2018-11-09 2019-04-19 南京航空航天大学 一种基于深度学习的无人机航拍图像中的船舶检测方法
CN109584266A (zh) * 2018-11-15 2019-04-05 腾讯科技（深圳）有限公司 一种目标检测方法及装置
CN110288538A (zh) * 2019-05-23 2019-09-27 南京理工大学 一种多特征融合的运动目标阴影检测及消除方法
CN111080554A (zh) * 2019-12-20 2020-04-28 成都极米科技股份有限公司 一种投影内容中字幕区域增强方法、装置及可读存储介质
CN111353954A (zh) * 2020-02-20 2020-06-30 新疆大学 视频图像的处理方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DURGA KUMAR 等: "Ship Detection Based on Faster R-CNN in SAR Imagery by Anchor Box Optimization", 《2019 INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND INFORMATION SCIENCES (ICCAIS)》 *
蒋晶晶 等: "低空航拍视频中基于Vibe算法的船舶检测方法", 《微型机与应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418848A (zh) * 2022-01-17 2022-04-29 Tcl通讯科技（成都）有限公司 视频处理方法、装置、存储介质及电子设备
CN114418848B (zh) * 2022-01-17 2023-09-19 Tcl通讯科技（成都）有限公司 视频处理方法、装置、存储介质及电子设备
CN114994671A (zh) * 2022-05-31 2022-09-02 南京慧尔视智能科技有限公司 基于雷达图像的目标检测方法、装置、设备及介质
CN114994671B (zh) * 2022-05-31 2023-11-28 南京慧尔视智能科技有限公司 基于雷达图像的目标检测方法、装置、设备及介质
CN114879621A (zh) * 2022-07-11 2022-08-09 佛山市木木生活家具有限公司 一种家具喷涂加工控制方法、系统及装置
CN114879621B (zh) * 2022-07-11 2022-09-27 佛山市木木生活家具有限公司 一种家具喷涂加工控制方法、系统及装置

Similar Documents

Publication Publication Date Title
CN109740469B (zh) 车道线检测方法、装置、计算机设备和存储介质
CN111767911A (zh) 面向复杂环境的印章文字检测识别方法、装置及介质
CN111950523A (zh) 基于航拍的船只检测优化方法、装置、电子设备及介质
EP3806064A1 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN112418216B (zh) 一种复杂自然场景图像中的文字检测方法
CN109284674A (zh) 一种确定车道线的方法及装置
CN108090908B (zh) 图像分割方法、装置、终端及存储介质
CN112052850A (zh) 车牌识别方法、装置、电子设备及存储介质
CN113554008B (zh) 静态物体区域内检测方法、装置、电子设备及存储介质
CN111191611A (zh) 基于深度学习的交通标志标号识别方法
CN116168351B (zh) 电力设备巡检方法及装置
CN112200131A (zh) 一种基于视觉的车辆碰撞检测方法、智能终端及存储介质
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN111582032A (zh) 行人检测方法、装置、终端设备及存储介质
CN103810696A (zh) 一种目标对象图像检测方法及装置
CN114820679B (zh) 图像标注方法、装置、电子设备和存储介质
CN113780484B (zh) 工业产品缺陷检测方法和装置
CN111340841A (zh) 一种实时多运动目标检测方法与系统
CN110817674B (zh) 一种扶梯的缺级检测方法、装置、设备及存储介质
CN112528903A (zh) 人脸图像获取方法、装置、电子设备及介质
CN112434585A (zh) 一种车道线的虚实识别方法、系统、电子设备及存储介质
CN111680680A (zh) 一种目标码定位方法、装置、电子设备及存储介质
CN108268813B (zh) 一种车道偏离预警方法、装置及电子设备
CN115713750A (zh) 一种车道线检测方法、装置、电子设备及存储介质
CN113762027B (zh) 一种异常行为的识别方法、装置、设备及存储介质

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: 20201117

RJ01 Rejection of invention patent application after publication