CN112287737A - 一种码头港口图像目标检测优化算法 - Google Patents
一种码头港口图像目标检测优化算法 Download PDFInfo
- Publication number
- CN112287737A CN112287737A CN202010279487.7A CN202010279487A CN112287737A CN 112287737 A CN112287737 A CN 112287737A CN 202010279487 A CN202010279487 A CN 202010279487A CN 112287737 A CN112287737 A CN 112287737A
- Authority
- CN
- China
- Prior art keywords
- image
- gpu
- target object
- picture
- detection
- 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
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种码头港口图像目标检测优化方法,通过根据码头摄像头的视角、高景深信息以及目标物体的大小自适应选取合适参数,对视频图像进行金字塔图像算法降噪和移动平均算法处理,从而判断是否需要GPU算力介入,进而筛选出不需要GPU算力介入就能实现目标检测的图像,节省了计算资源,而且,对于需要GPU算力介入的图像,本发明提出的方法还对该图像进行了轮廓查找,从而验证GPU算力的检测结果,进一步增加了结果的鲁棒性。
Description
技术领域
本发明涉及目标检测领域,特别是指一种码头港口图像目标检测优化算法。
背景技术
随着船滚装运输业的快速发展,我国设立了大量的码头、港口满足需要,但影响码头港口作业安全的影响因素很多,包括在港口区域车辆超速,人员进入危险区域,工作人员未正确佩戴防护装置等,随着计算机和图像处理技术的发展,视频图像监测在金融、交通、安全部门等领域得到广泛应用,近年来,各地港口码头采取视频监测系统对现场加强监管,24小时不断地对现场作业情况进行监视,一旦出现异常事件,常见的方式只能通过人工回放录像,进行分析处理,监管的质量和效率低下,另外,现有技术中也存在通过对视频图像数据进行处理,识别出监测的运动目标,但超大容量的视频图像数据,需要大量的计算资源,这使得码头港口的安全监测工作仍面临较大的困难。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种能够节省计算资源,且使得目标检测结果更为准确的优化算法。
一种码头港口图像目标检测优化方法,包括如下步骤:
S1:采集视频数据,并按照设定的采样率抽取图片;
S2:利用金字塔图像算法对图片进行降噪处理;
其中x,y代表图片中像素点的位置,μx表示横向坐标周围点的平均值,μy表示纵向坐标周围点的平均值,σx和σy是自适应参数;
S3:采用移动平均算法对降噪后的图片进行处理;
dst=α×src1+β×src2+γ
其中,α、β为平滑指数,src1表示前一帧图像,src2表示当前帧图像,γ为偏差项,dst为输出结果;
S4:计算步骤S3处理后图片的像素值P,若P>0,进入步骤S5,若P=0,图片处理完成;
S5:对步骤S3处理后图片介入GPU算力检测,并对步骤S3处理后图片进行轮廓查找,结合轮廓信息和GPU算力检测结果,进行目标物体检测。
进一步地,所述步骤S1之前,将预先筛选的图片分为训练集和验证集,根据码头摄像头的视角、高景深信息以及目标物体的大小对参数σx、σy、α、β,在训练集中进行自适应阈值搜索,并在验证集中进行参数验证。
优选地,步骤S1中所述采样率为500-1000HZ。
优选地,步骤S2中,μx表示横向坐标3x3周围点的平均值。
优选地,步骤S2中,μy表示纵向坐标3x3周围点的平均值。
优先地,所述移动平均算法中,可采用前两帧图像或前三帧张图像,不限于前两帧图像或前三帧张图像。
进一步地,步骤S5中,所述GPU算力检测得出的为图片中的目标物体框。
进一步地,步骤S5中,所述对步骤S3处理后图片进行轮廓查找,具体为:
进一步地,步骤S5中,所述结合轮廓信息和GPU算力检测结果,进行目标物体检测,具体为:根据图片中离散的像素点确定出目标物体轮廓。
通过判断所述轮廓信息和所述GPU算力检测得出的目标物体框的雅可比相似度:
其中,A代表运动轮廓的点集合,B代表物体框的点集合;
若J(A,B)>0.5,则GPU算力检测得出的目标物体框正确,否则,GPU算力检测得出的目标物体框错误,并删去所述目标物体框。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
本发明通过提出一种码头港口图像目标检测优化方法,通过根据码头摄像头的视角、高景深信息以及目标物体的大小自适应选取合适参数,对视频图像进行金字塔图像算法降噪和移动平均算法处理,从而判断是否需要GPU算力介入,进而筛选出不需要GPU算力介入就能实现目标检测的图像,节省了计算资源,而且,对于需要GPU算力介入的图像,本发明提出的方法还对该图像进行了轮廓查找,从而验证GPU算力的检测结果,进一步增加了结果的鲁棒性。
附图说明
图1为厦门东渡海关海天码头拍摄视频中的一帧图片;
图2为经过本发明提出的方法中金字塔滤波后的图片;
图3为经过本发明提出的方法中移动平均后的图片;
图4为GPU算力检测得出的结果图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
本发明采用如下技术方案:
一种码头港口图像目标检测优化方法,包括如下步骤:
S1:采集视频数据,并按照设定的采样率抽取图片;
本实施例中,所述采样率为1000HZ,如图1为厦门东渡海关海天码头8#泊位D8场北云台拍摄视频中的一帧图片;
S2:利用金字塔图像算法对图片进行降噪处理;
其中x,y代表图片中像素点的位置,μx表示横向坐标周围点的平均值,μy表示纵向坐标周围点的平均值,σx和σy是自适应参数;
如图2是本实施例图1经过金字塔滤波后的图片,μx表示横向坐标3x3周围点的平均值,μy表示纵向坐标3x3周围点的平均值,经过训练集和验证集,σx得出的取值为20,σy得出的取值为15.5;
S3:采用移动平均算法对降噪后的图片进行处理;
dst=α×src1+β×src2+γ
其中,α、β为平滑指数,src1表示前一帧图像,src2表示当前帧图像,γ为偏差项,dst为输出结果;
如图3是本实施例图2经过移动平均后得出的图片,经过训练集和验证集,α的取值为0.2,β的取值为0.8,γ为偏差项取值为0;
S4:计算步骤S3处理后图片的像素值P,若P>0,进入步骤S5,若P=0,图片处理完成;
经过上述步骤S2-S3的处理,判定图3中的像素值P,若P>0,这说明图片中存在运动的物体,需要介入GPU算力进一步检测,该运动的物体的具体属性。
S5:对步骤S3处理后图片介入GPU算力检测,并对步骤S3处理后图片进行轮廓查找,结合轮廓信息和GPU算力检测结果,进行目标物体检测。
如图4为GPU算力检测的结果,得出的为图片中的目标物体框,而GPU算力检测会经常出现误判,为了进一步提高检测结果的鲁棒性,我们结合步骤S2-S3的处理,将得出图3进行轮廓查找,即根据离散的像素点确定出物体轮廓;具体公式:
然后对损失函数求梯度,并利用梯度下降法迭代出最后的拟合曲线,进而确定出轮廓;
确定轮廓后,和GPU算力检测得出的目标物体框计算雅可比相似度:
其中,A代表运动轮廓的点集合,B代表物体框的点集合;
若J(A,B)>0.5,则GPU算力检测得出的目标物体框正确,否则,GPU算力检测得出的目标物体框错误,并删去所述目标物体框。
结合运动轮廓验证GPU算力检测的结果,若GPU算力检测的结果和运动轮廓重合,证明GPU算力检测的结果,若GPU算力检测的结果和运动轮廓位置相差较大,这说明GPU算力检测的结果错误,从而能够更精确地判定出图片中是否存在运动的物体,以及该物体的属性,进而实现准确有效的码头港口的安全监测工作。
进一步地,所述步骤S1之前,将预先筛选的图片分为训练集和验证集,根据码头摄像头的视角、高景深信息以及目标物体的大小对参数σx、σy、α、β,在训练集中进行自适应阈值搜索,并在验证集中进行参数验证。
优先地,所述移动平均算法中,可采用前两帧图像或前三帧张图像,不限于前两帧图像或前三帧张图像。
本发明通过提出一种码头港口图像目标检测优化方法,通过根据码头摄像头的视角、高景深信息以及目标物体的大小自适应选取合适参数,对视频图像进行金字塔图像算法降噪和移动平均算法处理,从而判断是否需要GPU算力介入,进而筛选出不需要GPU算力介入就能实现目标检测的图像,节省了计算资源,而且,对于需要GPU算力介入的图像,本发明提出的方法还对该图像进行了轮廓查找,从而验证GPU算力的检测结果,进一步增加了结果的鲁棒性。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (9)
1.一种码头港口图像目标检测优化方法,其特征在于,包括如下步骤:
S1:采集视频数据,并按照设定的采样率抽取图片;
S2:利用金字塔图像算法对图片进行降噪处理;
其中x,y代表图片中像素点的位置,μx表示横向坐标周围点的平均值,μy表示纵向坐标周围点的平均值,σx和σy是自适应参数;
S3:采用移动平均算法对降噪后的图片进行处理;
dst=α×src1+β×src2+γ
其中,α、β为平滑指数,src1表示前一帧图像,src2表示当前帧图像,γ为偏差项,dst为输出结果;
S4:计算步骤S3处理后图片的像素值P,若P>0,进入步骤S5,若P=0,图片处理完成;
S5:对步骤S3处理后图片介入GPU算力检测,并对步骤S3处理后图片进行轮廓查找,结合轮廓信息和GPU算力检测结果,进行目标物体检测。
2.根据权利要求1所述的一种码头港口图像目标检测优化方法,其特征在于,所述步骤S1之前,将预先筛选的图片分为训练集和验证集,根据码头摄像头的视角、高景深信息以及目标物体的大小对参数σx、σy、α、β,在训练集中进行自适应阈值搜索,并在验证集中进行参数验证。
3.根据权利要求1所述的一种码头港口图像目标检测优化方法,其特征在于,步骤S1中所述采样率为500-1000HZ。
4.根据权利要求1所述的一种码头港口图像目标检测优化方法,其特征在于,步骤S2中,μx表示横向坐标3x3周围点的平均值。
5.根据权利要求1所述的一种码头港口图像目标检测优化方法,其特征在于,步骤S2中,μy表示纵向坐标3x3周围点的平均值。
6.根据权利要求1所述的一种码头港口图像目标检测优化方法,其特征在于,步骤S3中,所述移动平均算法中,可采用前两帧图像或前三帧张图像。
7.根据权利要求1所述的一种码头港口图像目标检测优化方法,其特征在于,步骤S5中,所述GPU算力检测得出的为图片中的目标物体框。
8.根据权利要求7所述的一种码头港口图像目标检测优化方法,其特征在于,步骤S5中,所述对步骤S3处理后图片进行轮廓查找,具体为根据图片中离散的像素点确定出目标物体轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010279487.7A CN112287737B (zh) | 2020-04-10 | 2020-04-10 | 一种码头港口图像目标检测优化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010279487.7A CN112287737B (zh) | 2020-04-10 | 2020-04-10 | 一种码头港口图像目标检测优化算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287737A true CN112287737A (zh) | 2021-01-29 |
CN112287737B CN112287737B (zh) | 2023-06-06 |
Family
ID=74420205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010279487.7A Active CN112287737B (zh) | 2020-04-10 | 2020-04-10 | 一种码头港口图像目标检测优化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287737B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2808842A2 (en) * | 2013-05-31 | 2014-12-03 | Technische Universität München | An apparatus and method for tracking and reconstructing three-dimensional objects |
CN109241808A (zh) * | 2018-08-27 | 2019-01-18 | 上海宝尊电子商务有限公司 | 一种时尚图像中二维码自动筛选方法 |
CN109509171A (zh) * | 2018-09-20 | 2019-03-22 | 江苏理工学院 | 一种基于gmm和图像金字塔的布匹疵点检测方法 |
CN110223317A (zh) * | 2019-04-26 | 2019-09-10 | 中国矿业大学 | 一种基于图像处理的移动目标检测与轨迹预测方法 |
-
2020
- 2020-04-10 CN CN202010279487.7A patent/CN112287737B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2808842A2 (en) * | 2013-05-31 | 2014-12-03 | Technische Universität München | An apparatus and method for tracking and reconstructing three-dimensional objects |
CN109241808A (zh) * | 2018-08-27 | 2019-01-18 | 上海宝尊电子商务有限公司 | 一种时尚图像中二维码自动筛选方法 |
CN109509171A (zh) * | 2018-09-20 | 2019-03-22 | 江苏理工学院 | 一种基于gmm和图像金字塔的布匹疵点检测方法 |
CN110223317A (zh) * | 2019-04-26 | 2019-09-10 | 中国矿业大学 | 一种基于图像处理的移动目标检测与轨迹预测方法 |
Non-Patent Citations (2)
Title |
---|
JIANTAO LIU 等: "A convolution neural network for dolphin species identification using echolocation clicks signal" * |
LI LIU 等: "Learning Spatio-Temporal Representations for Action Recognition: A Genetic Programming Approach" * |
Also Published As
Publication number | Publication date |
---|---|
CN112287737B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109870461B (zh) | 一种电子元器件质量检测系统 | |
CN109359594B (zh) | 一种基于视频处理的矿井皮带异常检测方法及装置 | |
US20220020134A1 (en) | Method and system for quickly matching image features applied to mine machine vision | |
US7817859B2 (en) | Method and system for identifying objects in an image | |
EP3530935B1 (en) | Method and equipment for monitoring vortex-induced vibration for wind turbine generator set | |
Chen et al. | Vision-based line detection for underwater inspection of breakwater construction using an ROV | |
CN109598706A (zh) | 一种摄像机镜头遮挡检测方法及系统 | |
CN103810696B (zh) | 一种目标对象图像检测方法及装置 | |
CN109214380A (zh) | 车牌倾斜校正方法 | |
CN105654428A (zh) | 图像降噪方法及系统 | |
Fan et al. | Moving target detection algorithm based on Susan edge detection and frame difference | |
CN112597877A (zh) | 一种基于深度学习的厂区人员异常行为检测方法 | |
CN103475800A (zh) | 图像序列中前景的检测方法和装置 | |
CN109993744B (zh) | 一种海上逆光环境下的红外目标检测方法 | |
CN108010044A (zh) | 一种视频边界检测的方法 | |
CN104657997A (zh) | 一种镜头移位检测方法及装置 | |
CN103324906B (zh) | 一种遗留物检测的方法和设备 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN117787690A (zh) | 吊装作业安全风险识别方法及识别装置 | |
CN112287737A (zh) | 一种码头港口图像目标检测优化算法 | |
CN116228712A (zh) | 一种多尺度边坡灾害监测方法、系统及装置 | |
CN116524017A (zh) | 一种用于矿山井下检测识别定位系统 | |
CN110533698B (zh) | 一种基于视觉检测的基坑施工桩检测控制方法 | |
CN113469970A (zh) | 一种涡激振动监测方法、系统、设备及存储介质 | |
Khongpit et al. | 2D Gun's type classification using edge detection algorithm and SUSAN low level image processing |
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 |