CN112507827B - 一种智能视频打靶实时检测方法 - Google Patents
一种智能视频打靶实时检测方法 Download PDFInfo
- Publication number
- CN112507827B CN112507827B CN202011370049.8A CN202011370049A CN112507827B CN 112507827 B CN112507827 B CN 112507827B CN 202011370049 A CN202011370049 A CN 202011370049A CN 112507827 B CN112507827 B CN 112507827B
- Authority
- CN
- China
- Prior art keywords
- reference frame
- target
- frame
- image
- cnt
- 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
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
-
- 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
- G06V10/30—Noise filtering
-
- 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)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能视频打靶实时检测方法,包括如下步骤:获取射击打靶图像;将打靶图像转换为灰度图;采用高斯滤波对灰度图像进行预处理,减少图像中的噪声干扰;初始化获得有效第一帧图像为基准帧;计算当前帧与基准帧的帧差,对帧差图进行图像二值化,并采用中值滤波对二值化图像去噪;找出二值化图像中所有目标的轮廓,获得目标候选框;在进行弹孔检测;发现新的弹孔或者连续一组帧后未更新基准帧时,对基准帧进行更新;最后,通过统计每个弹孔在各靶环中的个数进行环值判定,获取射击打靶检测结果。本发明实现方法简单,可移植性强,速度快,能够实现对监控摄像头拍摄的打靶成绩的精准实时检测。
Description
技术领域
本发明涉及计算机视觉领域,尤其是涉及一种智能视频打靶实时检测方法。
背景技术
实弹射击是军队最常见的军事训练科目,但是目前的打靶射击练习装备整体情况还比较落后,大多采用人工报靶,费时、费力、安全性差、效率低、而且成绩容易作弊,不利于士兵射击水平的提高。
为了适应科技练兵的需要,国内有许多单位对自动报靶系统进行研究。根据自动报靶系统的技术实现原理可分电极埋入式、光电传感式和声电定位式等类别。目前少数部队已经装备各种“自动报靶系统”,但不管从环境适应性、可靠性、实用性、报靶正确率上都达不到部队大规模推广的要求,并且设备价格昂贵。此外,传统的自动报靶系统对自动报靶成绩质疑需确认时缺乏有效的回溯方式。
发明内容
为解决现有技术的不足,实现降低检测设备成本,提高检测准确率的目的,本发明采用如下的技术方案:
一种智能视频打靶实时检测方法,包括如下步骤:
步骤一,获取射击打靶图像;
步骤二,将打靶图像转换为灰度图;
步骤三,图像预处理;
步骤四,初始化基准帧,设置n个基准帧(n≥2),将有效第一帧图像作为基准帧图像的初值,分别为基准帧0、基准帧1……基准帧n-1;
步骤五,计算当前帧与基准帧的帧差,得到帧差图;
步骤六,对帧差图进行二值化;
步骤七,二值化图像去噪;
步骤八,框出候选区域;
步骤九,基于多数投票算法进行弹孔检测,首先判断当前帧与基准帧0帧差法获得的目标轮廓的中心点是否在靶面区域,若不在,则表示当前靶面没有新的弹孔,若在靶面区域,则基于多数投票算法确定弹孔位置,包括如下步骤:
步骤1,当前帧与基准帧0帧差法获得了目标A1;
步骤2,当前帧与基准帧1帧差法获得的目标为集合B;以此类推获取当前帧与后续基准帧帧差法得到的后续目标集合;
步骤3,分别判定目标A1是否在集合B及后续目标集合中,若在,则计数器加1,所述计数器初始值为0;
步骤4,当计数器的值>(基准帧个数-1)/2时,表示靶面出现了新弹孔,即目标A1,将击中靶面的弹孔总数加1;否则表示目标A1为环境突变带来的干扰,不做累加。
步骤十,更新基准帧,当检测到新的弹孔或者连续一组帧后未更新基准帧,则对基准帧进行更新;将当前帧的值赋给基准帧0,将基准帧0的值赋给基准帧1,以此类推。
步骤十一,环值判定,通过统计每个弹孔在各靶环中的个数进行环值判定,获取射击打靶检测结果。
本方法实现方法简单,可移植性强,速度快,能够实现对监控摄像头拍摄的打靶成绩的精准实时检测。
进一步的,设置4个基准帧,将有效第一帧图像作为4个基准帧图像的初值,分别为基准帧0、基准帧1、基准帧2、基准帧3;当累积击中靶面的弹孔个数小于5时,设置有效基准帧为2帧,分别为基准帧0、基准帧1;当累积击中靶面的弹孔个数大于等于5时,则有效基准帧为4帧,分别为基准帧0、基准帧1、基准帧2、基准帧3。
进一步的,所述步骤十一,首先确定靶面上靶环的数量为N;依次判定弹孔中心点是否在各靶环内部,若在,则计数cnt_in_elli加1;每个弹孔在各靶环内部的总数为cnt_in_elli;如果cnt_in_elli = 0,则表示未击中;否则,如果N - cnt_in_elli > 0,则:
若cnt_in_elli = N,则射击环值为10环;
若cnt_in_elli = N-1,则射击环值为9环;
若cnt_in_elli = N-2,则射击环值为8环;
若cnt_in_elli = N-3,则射击环值为7环;
若cnt_in_elli = N-4,则射击环值为6环;
若cnt_in_elli = N-5,则射击环值为5环;
以此类推。
进一步的,对所述步骤二得到的灰度图进行预处理,将灰度图通过高斯滤波降低图像的噪声干扰,高斯滤波的卷积核大小为(3,3),高斯核标准差为0。
进一步的,所述步骤六的二值化,是将帧差图像素差大于灰度阈值的像素赋值为白色,其余点赋值为黑色;所述阈值为30。
进一步的,对所述步骤七的二值化图像去噪,使用中值滤波对二值化图像进行平滑处理,去除孤立的噪声点和较细的噪声线;其中中值滤波模板尺寸大小设置为3。
进一步的,对所述步骤八,框出候选区域,找出二值化图像中所有目标的轮廓,通过目标轮廓的中心点,设置目标候选框,包裹目标的轮廓。
本发明的优势和有益效果在于:
本发明采用高斯滤波对图像进行预处理,有效减少靶面图像中的噪声干扰,提高弹孔检测准确率;采用基于多数投票算法的弹孔检测方法,有效滤除了环境突变带来的干扰,极大提高了弹孔检测准确率;通过统计每个弹孔在靶环中的个数进行环值判定,实现方法简单、高效、检测准确率高。
附图说明
图1是本发明的方法流程图。
图2a为本发明中打靶检测的射击前效果图。
图2b为本发明中打靶检测的射击后效果图。
图2c为本发明中打靶检测的检测结果效果图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
如图1、2a-2c所示,一种智能视频打靶实时检测方法,包括以下步骤:
步骤S101,获取射击打靶图像;
具体地,在每个靶位前方安装1个摄像头,自动对靶面进行图像采集。
步骤S102,将打靶图像转换为灰度图;
具体地,将获取的每一帧打靶图像由RGB图像转换为灰度图像。
步骤S103,采用高斯滤波对图像进行预处理;
具体地,将步骤S102得到的灰度图像送入opencv高斯滤波GaussianBlur()中,其中设置高斯滤波的卷积核大小为(3,3),高斯核标准差为0时,实验效果较好。
步骤S104,初始化基准帧;
将步骤S101获得的有效第一帧图像经步骤S102和步骤S103处理后作为4个基准帧图像的初值,分别叫做基准帧0、基准帧1、基准帧2、基准帧3;当累积击中靶面的弹孔个数小于5时,设置有效基准帧为2帧,分别为基准帧0、基准帧1;当累积击中靶面的弹孔个数大于等于5时,则有效基准帧为4帧,分别为基准帧0、基准帧1、基准帧2、基准帧3;
步骤S105,计算帧差;
具体地,当获取到的有效帧大于1帧时,将步骤S103获得的当前帧分别与基准帧进行相减,获得两帧图像的像素差值。
步骤S106,图像二值化;
具体地,将步骤S105获得的帧差图进行二值化,即图片像素差大于某一阈值的赋值为255(白色),其余点赋值为0(黑色);设置阈值为30时,实验效果较好。
步骤S107,二值化图像去噪;
具体地,使用中值滤波去噪,对二值化图像进行平滑处理,去除孤立的噪声点和较细的噪声线;其中中值滤波模板尺寸大小设置为3时,实验效果较好。
步骤S108,框出候选区域;
具体地,找出步骤S107处理后二值化图像中所有目标的轮廓,目标轮廓的中心点,并用一个最小的矩形,将找出的轮廓包起来。
步骤S109,采用基于多数投票算法的弹孔检测方法;
具体地,首先判断与基准帧0帧差法获得的目标中心点是否在靶面区域,若不在,则表示当前靶面没有新的弹孔;
若在靶面区域,则采用基于多数投票算法确定弹孔位置;具体地:
(9.1)假设有效基准帧个数pre_size为4,当前帧与基准帧0帧差法获得了目标A1;
(9.2)当前帧与基准帧1帧差法获得的目标为集合B;当前帧与基准帧2帧差法获得的目标为集合C;当前帧与基准帧3帧差法获得的目标为集合D;
(9.3)分别判定A1是否在集合B,C,D中,若在,则计数器cnt加1,cnt初值为0;
(9.4)当cnt > (pre_size-1)/2时,表示靶面出现了新弹孔A1,击中靶面的弹孔总数加1;否则表示目标A1为环境突变带来的干扰,进行滤除;
步骤S110,更新基准帧;
具体地,当步骤S109中检测到新的弹孔或者连续25帧未更新基准帧,则对基准帧进行更新;将基准帧2的值赋给基准帧3;将基准帧1的值赋给基准帧2;将基准帧0的值赋给基准帧1;将当前帧的值赋给基准帧0。
步骤S111,环值判定;
具体地,通过统计每个弹孔在靶环中的个数进行环值判定;首先确定靶面上靶环的数量为N;依次判定弹孔中心点是否在各靶环内部,若在,则计数加1;每个弹孔在各靶环内部的总数为cnt_in_elli;如果cnt_in_elli = 0,则表示未击中;否则,如果N - cnt_in_elli > 0,则:
若cnt_in_elli = N,则射击环值为10环;
若cnt_in_elli = N-1,则射击环值为9环;
若cnt_in_elli = N-2,则射击环值为8环;
若cnt_in_elli = N-3,则射击环值为7环;
若cnt_in_elli = N-4,则射击环值为6环;
若cnt_in_elli = N-5,则射击环值为5环;
剩下的只要满足条件,以此类推。
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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部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实施例技术方案的范围。
Claims (7)
1.一种智能视频打靶实时检测方法,其特征在于包括如下步骤:
步骤一,获取射击打靶图像;
步骤二,将打靶图像转换为灰度图;
步骤三,图像预处理;
步骤四,初始化基准帧,设置n个基准帧,将有效第一帧图像作为基准帧图像的初值,分别为基准帧0、基准帧1……基准帧n-1,n≥2;
步骤五,计算当前帧与基准帧的帧差,得到帧差图;
步骤六,对帧差图进行二值化;
步骤七,二值化图像去噪;
步骤八,框出候选区域;
步骤九,基于多数投票算法进行弹孔检测,首先判断当前帧与基准帧0帧差法获得的目标轮廓的中心点是否在靶面区域,若不在,则表示当前靶面没有新的弹孔,若在靶面区域,则基于多数投票算法确定弹孔位置,包括如下步骤:
步骤1,当前帧与基准帧0帧差法获得了目标A1;
步骤2,当前帧与基准帧1帧差法获得的目标为集合B;以此类推获取当前帧与后续基准帧帧差法得到的后续目标集合;
步骤3,分别判定目标A1是否在集合B及后续目标集合中,若在,则计数器加1,所述计数器初始值为0;
步骤4,当计数器的值>(基准帧个数-1)/2时,将击中靶面的弹孔总数加1;否则,不做累加;
步骤十,更新基准帧,当检测到新的弹孔或者连续一组帧后未更新基准帧,则对基准帧进行更新;将当前帧的值赋给基准帧0,将基准帧0的值赋给基准帧1,以此类推;
步骤十一,环值判定,通过统计每个弹孔在各靶环中的个数进行环值判定,获取射击打靶检测结果。
2.如权利要求1所述的一种智能视频打靶实时检测方法,其特征在于设置4个基准帧,将有效第一帧图像作为4个基准帧图像的初值,分别为基准帧0、基准帧1、基准帧2、基准帧3;当累积击中靶面的弹孔个数小于5时,设置有效基准帧为2帧,分别为基准帧0、基准帧1;当累积击中靶面的弹孔个数大于等于5时,则有效基准帧为4帧,分别为基准帧0、基准帧1、基准帧2、基准帧3。
3.如权利要求1所述的一种智能视频打靶实时检测方法,其特征在于所述步骤十一的内容,首先确定靶面上靶环的数量为N;依次判定弹孔中心点是否在各靶环内部,若在,则计数cnt_in_elli加1;每个弹孔在各靶环内部的总数为cnt_in_elli;如果cnt_in_elli = 0,则表示未击中;否则,如果N - cnt_in_elli > 0,则:
若cnt_in_elli = N,则射击环值为10环;
若cnt_in_elli = N-1,则射击环值为9环;
若cnt_in_elli = N-2,则射击环值为8环;
若cnt_in_elli = N-3,则射击环值为7环;
若cnt_in_elli = N-4,则射击环值为6环;
若cnt_in_elli = N-5,则射击环值为5环;
以此类推。
4.如权利要求1所述的一种智能视频打靶实时检测方法,其特征在于对所述步骤二得到的灰度图进行预处理,将灰度图通过高斯滤波降低图像的噪声干扰,高斯滤波的卷积核大小为(3,3),高斯核标准差为0。
5.如权利要求1所述的一种智能视频打靶实时检测方法,其特征在于所述步骤六的二值化,是将帧差图像素差大于灰度阈值的像素赋值为白色,其余点赋值为黑色;所述阈值为30。
6.如权利要求1所述的一种智能视频打靶实时检测方法,其特征在于对所述步骤七的二值化图像去噪,使用中值滤波对二值化图像进行平滑处理,去除孤立的噪声点和较细的噪声线;其中中值滤波模板尺寸大小设置为3。
7.如权利要求1所述的一种智能视频打靶实时检测方法,其特征在于对所述步骤八,框出候选区域,找出二值化图像中所有目标的轮廓,通过目标轮廓的中心点,设置目标候选框,包裹目标的轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011370049.8A CN112507827B (zh) | 2020-11-30 | 2020-11-30 | 一种智能视频打靶实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011370049.8A CN112507827B (zh) | 2020-11-30 | 2020-11-30 | 一种智能视频打靶实时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507827A CN112507827A (zh) | 2021-03-16 |
CN112507827B true CN112507827B (zh) | 2022-05-13 |
Family
ID=74967600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011370049.8A Active CN112507827B (zh) | 2020-11-30 | 2020-11-30 | 一种智能视频打靶实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507827B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654085A (zh) * | 2015-12-31 | 2016-06-08 | 杭州晨鹰军泰科技有限公司 | 一种基于图像技术的弹孔识别方法 |
CN108805144A (zh) * | 2018-06-01 | 2018-11-13 | 杭州晨鹰军泰科技有限公司 | 基于形态学矫正的弹孔识别方法及系统、报靶设备 |
CN111860590A (zh) * | 2020-06-15 | 2020-10-30 | 浙江大华技术股份有限公司 | 车牌投票方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL251490B (en) * | 2017-03-30 | 2018-03-29 | Wilf Itzhak | Resetting and calibrating weapons and aiming weapons |
-
2020
- 2020-11-30 CN CN202011370049.8A patent/CN112507827B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654085A (zh) * | 2015-12-31 | 2016-06-08 | 杭州晨鹰军泰科技有限公司 | 一种基于图像技术的弹孔识别方法 |
CN108805144A (zh) * | 2018-06-01 | 2018-11-13 | 杭州晨鹰军泰科技有限公司 | 基于形态学矫正的弹孔识别方法及系统、报靶设备 |
CN111860590A (zh) * | 2020-06-15 | 2020-10-30 | 浙江大华技术股份有限公司 | 车牌投票方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112507827A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
WO2018137612A1 (zh) | 一种道路标牌识别方法及系统 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN104156951B (zh) | 一种针对支气管肺泡灌洗液涂片的白细胞检测方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN108921813A (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN106097368A (zh) | 一种单板裂缝的识别方法 | |
CN111476804B (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
CN1815489A (zh) | 一种智能图像计数方法 | |
CN107480678A (zh) | 一种棋盘识别方法和识别系统 | |
CN115937237A (zh) | 一种基于边缘变换域的局部特征提取方法 | |
CN110276318A (zh) | 夜间公路下雨识别方法、装置、计算机设备及存储介质 | |
CN106529551A (zh) | 面向包装行业的类圆对象智能识别计数检测算法 | |
CN106447672A (zh) | 一种交叉遮挡鱼体识别计数方法 | |
CN112507827B (zh) | 一种智能视频打靶实时检测方法 | |
CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN114037650B (zh) | 变化检测及目标检测的地面目标可见光毁伤图像处理方法 | |
CN113269755A (zh) | 一种胸环靶打靶检测方法 | |
CN113781523A (zh) | 一种足球检测跟踪方法及装置、电子设备、存储介质 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
CN109308468B (zh) | 一种车道线检测方法 | |
CN113850814A (zh) | 一种基于cnn模型的荔枝叶片病虫害识别方法 |
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 |