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 PDF

Info

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
Application number
CN202010279487.7A
Other languages
English (en)
Other versions
CN112287737B (zh
Inventor
罗永祥
胡锦涛
刘键涛
魏秋新
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.)
Fujian E Port Co ltd
Original Assignee
Fujian E Port 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 Fujian E Port Co ltd filed Critical Fujian E Port Co ltd
Priority to CN202010279487.7A priority Critical patent/CN112287737B/zh
Publication of CN112287737A publication Critical patent/CN112287737A/zh
Application granted granted Critical
Publication of CN112287737B publication Critical patent/CN112287737B/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
    • G06V20/40—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

一种码头港口图像目标检测优化算法
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；
Figure BDA0002446021780000011
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：
Figure BDA0002446021780000021
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；
Figure BDA0002446021780000031
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：
距离公式：
Figure BDA0002446021780000041
损失函数：
Figure BDA0002446021780000042
其中
Figure BDA0002446021780000043
yi为真实值，
Figure BDA0002446021780000044
拟合值；
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：
Figure BDA0002446021780000045
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；
Figure FDA0002446021770000011
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。
9.根据权利要求8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：
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：
Figure FDA0002446021770000021
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。
CN202010279487.7A 2020-04-10 2020-04-10 一种码头港口图像目标检测优化算法 Active CN112287737B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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