CN113362390B - 一种基于椭圆检测的快速圆形目标定位视频处理方法 - Google Patents
一种基于椭圆检测的快速圆形目标定位视频处理方法 Download PDFInfo
- Publication number
- CN113362390B CN113362390B CN202110688402.5A CN202110688402A CN113362390B CN 113362390 B CN113362390 B CN 113362390B CN 202110688402 A CN202110688402 A CN 202110688402A CN 113362390 B CN113362390 B CN 113362390B
- Authority
- CN
- China
- Prior art keywords
- ellipse
- video frame
- image
- determining
- optimal
- 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 18
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于椭圆检测的快速圆形目标定位视频处理方法,该方法包括:获取包括椭圆目标的当前视频帧图像;对所述当前视频帧图像进行多种图像处理,确定边缘二值图,并拟合出至少一个待选椭圆;根据所述至少一个待选椭圆、所述边缘二值图和对应的多个前帧视频帧图像的对比结果,确定最佳椭圆,并根据所述最佳椭圆对所述当前视频帧图像进行透视裁切,合成视频输出。本发明运用椭圆检测,在复杂背景下较为精准定位到椭圆位置,同时基于多个前帧视频帧图像的对比结果,加入运动预测,更精准定位椭圆目标所在位置,防止目标椭圆的定位不准。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种基于椭圆检测的快速圆形目标定位视频处理方法。
背景技术
快速定位椭圆目标对象技术的应用场景十分广泛,依靠这些技术可较为精确确定目标物所在范围。为进一步处理做了良好的基础。目前基于椭圆目标图像的快速定位的方法常与机器学习或者Hog+SVM相结合,通过大量的样本集来训练出合适的训练集保存以投入使用。存在很大的局限性,如对于任何检测物体需要有大量的样本集用以训练出合适的训练集,对于大多简单特征物体也需要建立在此类复杂操作中才能得到满意效果。同时,对于不同的物体其适用的神经网络不一,还要对部分特征的物体进行神经网络的调整适配。代码繁杂,不符合快速处理的要求。因此,研究一种快捷且准确的椭圆目标识别方法是当前需要解决的问题。
发明内容
有鉴于此,有必要提供一种基于椭圆检测的快速圆形目标定位视频处理方法,用以解决现有技术中椭圆目标识别算法复杂且不准确的问题。
本发明提供一种基于椭圆检测的快速圆形目标定位视频处理方法,包括:
获取包括椭圆目标的当前视频帧图像;
对所述当前视频帧图像进行多种图像处理,确定边缘二值图,并拟合出至少一个待选椭圆;
根据所述至少一个待选椭圆、所述边缘二值图和对应的多个前帧视频帧图像的对比结果,确定最佳椭圆,并根据所述最佳椭圆对所述当前视频帧图像进行透视裁切,合成视频输出。
进一步地,所述对所述当前视频帧图像进行多种图像处理,确定边缘二值图包括:
将所述当前视频帧图像转化为灰度图,并依次采用高斯平滑滤波、双边滤波、直方图均衡进行处理;
采用Canny边缘检测算法进行梯度计算,区分出图像边缘;
将满足预设条件的像素点的像素值设为对应的固定值,其他像素点的像素值置为0,确定所述边缘二值图。
进一步地,所述并拟合出至少一个待选椭圆包括:
利用边缘查找,将所述当前视频帧图像中可能存在的轮廓找出,确定多个连续点区域;
基于二分法,将所述多个连续点区域对应的预设数目的点坐标带入椭圆表达式,分别对所述多个连续点区域进行椭圆拟合,确定对应的拟合椭圆;
将所述拟合椭圆带入评估公式,确定对应的评估值,根据所述评估值,选取所述至少一个待选椭圆。
进一步地,所述根据所述至少一个待选椭圆、所述边缘二值图和对应的多个前帧视频帧图像的对比结果,确定最佳椭圆包括:
根据所述至少一个待选椭圆和所述边缘二值图的对比结果,在所述至少一个待选椭圆中确定备选椭圆目标;
根据所述多个前帧视频帧图像中的最佳椭圆信息,计算所述备选椭圆目标对应的移动状态,根据所述移动状态,确定在所述备选椭圆目标中的所述最佳椭圆。
进一步地,所述根据所述至少一个待选椭圆和所述边缘二值图的对比结果,在所述至少一个待选椭圆中确定备选椭圆目标包括:
采用预设数目的点数拟合所述至少一个待选椭圆;
将每个拟合点与所述边缘二值图进行对比,确定所述至少一个待选椭圆的累计次数;
对所述累计次数进行排序,将排序最靠前的预设数量的所述至少一个待选椭圆作为所述备选椭圆目标。
进一步地,所述将每个拟合点与所述边缘二值图进行对比,确定所述至少一个待选椭圆的累计次数包括:
将每个所述拟合点投影在所述边缘二值图中;
将所述拟合点为中心点位,相邻八个点作为周围点位;
在所述边缘二值图中,若所述中心点位或所述周围点位中任意一格对应的像素值大于零,则计数累计加一,确定所述至少一个待选椭圆对应的所述累计次数。
进一步地,所述多个前帧视频帧图像包括所述当前视频帧图像的前五帧视频帧图像,所述根据所述多个前帧视频帧图像中的最佳椭圆信息,计算所述备选椭圆目标对应的移动状态,根据所述移动状态,确定在所述备选椭圆目标中的所述最佳椭圆包括:
根据所述前五帧视频帧图像的最佳椭圆的移动轨迹,确定移动轨迹曲线;
根据所述前三帧视频帧图像至所述前五帧视频帧图像的最佳椭圆的位置信息、长短轴长度以及偏转角度信息,确定对应的所述最佳椭圆信息,并根据所述最佳椭圆信息,确定椭圆目标移动的速度以及加速度;
结合所述移动轨迹曲线、所述速度以及所述加速度,确实所述当前视频帧图像的预测椭圆中心位置;
根据所述预测椭圆中心位置,对所述备选椭圆目标进行筛选,确定所述最佳椭圆。
进一步地,所述根据所述最佳椭圆信息,确定椭圆目标移动的速度以及加速度通过如下公式表示:
a1=(x1-x2,y1-y2)
a2=(x2-x3,y2-y3)
其中,a1表示第一加速度,a2表示第二加速度,x1为前一帧椭圆中心位置的横坐标,y1为前一帧椭圆中心位置的纵坐标,x2为前两帧椭圆中心位置的横坐标,y2为前两帧椭圆中心位置的纵坐标,x3为前三帧椭圆中心位置的横坐标,y3为前三帧椭圆中心位置的纵坐标。
进一步地,所述结合所述移动轨迹曲线、所述速度以及所述加速度,确实所述当前视频帧图像的预测椭圆中心位置通过如下公式表示:
x,y=(x1-x2+a*(|a1-a2|),y1-y2+a*(|a1-a2|))
其中,x表示所述预测椭圆中心位置的横坐标,y表示所述预测椭圆中心位置的纵坐标,x1为前一帧椭圆中心位置的横坐标,y1为前一帧椭圆中心位置的纵坐标,x2为前两帧椭圆中心位置的横坐标,y2为前两帧椭圆中心位置的纵坐标,a1表示所述第一加速度,a2表示所述第二加速度,a表示预设的运动系数。
进一步地,所述根据所述最佳椭圆对所述当前视频帧图像进行透视裁切,合成视频输出包括:
设置标准大小正方形空白图片作为透视拉伸存储赋值对象;
根据筛选得到的所述最佳椭圆的椭圆信息对所述当前视频帧图像进行透视拉伸,复原目标的圆形内容,并输出处理后的帧图片;
基于帧时序,将所述处理后的帧图片依次合并成视频输出。
与现有技术相比,本发明的有益效果包括:首先,对当前视频帧图像进行有效的获取;然后,基于图像处理和椭圆拟合,初步筛选出多个待选椭圆;最后,待选椭圆、边缘二值图和多个前帧视频帧图的对比结果,反馈其轨迹信息和图像信息,以此识别最佳椭圆,提高准确率,依据定位的最佳椭圆,对当前帧进行剪裁,以此达到准确定位的目的,合成视频输出。综上,本发明运用椭圆检测,在复杂背景下较为精准定位到椭圆位置,同时基于多个前帧视频帧图像的对比结果,加入运动预测,更精准定位椭圆目标所在位置,防止目标椭圆定位不准。
附图说明
图1为本发明提供的基于椭圆检测的快速圆形目标定位视频处理方法一实施例的流程示意图;
图2为本发明提供的图1中步骤S2确定边缘二值图一实施例的流程示意图;
图3为本发明提供的图2中步骤S2拟合出至少一个待选椭圆一实施例的流程示意图;
图4为本发明提供的图1中步骤S3确定最佳椭圆一实施例的流程示意图;
图5为本发明提供的图4中步骤S31一实施例的流程示意图;
图6为本发明提供的图5中步骤S312一实施例的流程示意图;
图7为本发明提供的图4中步骤S32一实施例的流程示意图;
图8为本发明提供的图1中步骤S3合成视频输出一实施例的流程示意图;
图9为本发明提供的椭圆拟合一实施例的示意图;
图10为本发明提供的椭圆圈定一实施例的示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明实施例提供了一种基于椭圆检测的快速圆形目标定位视频处理方法,结合图1来看,图1为本发明提供的基于椭圆检测的快速圆形目标定位视频处理方法一实施例的流程示意图,包括步骤S1至步骤S3,其中:
在步骤S1中,获取包括椭圆目标的当前视频帧图像;其中,读取录制所得到的视频源,将读取的视频按照拍摄帧分割为单独图片,并按照图片次序进行处理,得到当前视频帧图像;
在步骤S2中,对所述当前视频帧图像进行多种图像处理,确定边缘二值图,并拟合出至少一个待选椭圆;
在步骤S3中,根据所述至少一个待选椭圆、所述边缘二值图和对应的多个前帧视频帧图像的对比结果,确定最佳椭圆,并根据所述最佳椭圆对所述当前视频帧图像进行透视裁切,合成视频输出。
在本发明实施例中,首先,对当前视频帧图像进行有效的获取;然后,基于图像处理和椭圆拟合,初步筛选出多个待选椭圆;最后,待选椭圆、边缘二值图和多个前帧视频帧图的对比结果,反馈其轨迹信息和图像信息,以此识别最佳椭圆,提高准确率,依据定位的最佳椭圆,对当前帧进行剪裁,以此达到准确定位的目的,合成视频输出。
需要说明的是,本发明的技术方案流程包括:获取含椭圆目标复杂背景的视频源;将视频按帧分割成图片;对图片进行预处理,降低噪点,提高锐利度;采用边缘检测获取处理后的图片得到轮廓边缘二值图,并利用边缘查找及椭圆拟合找取图像中可能存在的椭圆;对于每一可能椭圆采用360点拟合,对每一拟合点与轮廓边缘二值图进行比对,若该像素点大于0,累次器加一,遍历所有可能椭圆后计算多个较大的累计次数,记录各个较高累次计数器对应的椭圆信息,作为备选椭圆目标;比对上一帧图片的椭圆信息,计算视频中目标椭圆挪动的状态,判断备选椭圆目标中最佳椭圆;将进行二次挑选后的椭圆信息输出,根据椭圆信息透视裁切该帧图片并缩放至标准大小,替代原图帧;s8:将修改过后的每帧图片合成为视频输出。
作为优选的实施例,结合图2来看,图2为本发明提供的图1中步骤S2确定边缘二值图一实施例的流程示意图,步骤S2包括步骤S21至步骤S23,其中:
在步骤S21中,将所述当前视频帧图像转化为灰度图,并依次采用高斯平滑滤波、双边滤波、直方图均衡进行处理;
在步骤S22中,采用Canny边缘检测算法进行梯度计算,区分出图像边缘;
在步骤S23中,将满足预设条件的像素点的像素值设为对应的固定值,其他像素点的像素值置为0,确定所述边缘二值图。
作为具体实施例,本发明实施例利用多种图像处理算法,确定其边缘特征,以此有效得到边缘二值图。
在本发明一个具体的实施例中,步骤S21具体包括:
第一步,将色彩纠偏后的图片转化为灰度图,并采取高斯平滑滤波,降低图像中椭圆目标对象自身的图像噪点等影响;
第二步,通过双边滤波处理,进一步降低图片自身噪点,划痕等情况的影响。加强色块灰度的均匀度;
第三步,定义自适应直方图均衡的方块区域大小,分块对图片进行锐化处理,将边缘细节加强,提高不同色块灰度的对比度。
在本发明一个具体的实施例中,步骤S22至步骤S23具体包括:采用Canny设置阈值提取图像中的边缘,其中,Canny算法首先对灰度图像像素点进行梯度计算,区分图像边缘,其次采取保留梯度下降最快的像素点,并将此点二值化图像中像素点值设为255,其余像素点记0处理,最后,通过设定阈值,将阈值范围内的梯度记录,将其他像素点重新记0处理,输出边缘二值化图像,提取出图像边缘,得到轮廓边缘图片。
作为优选的实施例,结合图3来看,图3为本发明提供的图2中步骤S2拟合出至少一个待选椭圆一实施例的流程示意图,包括步骤S24至步骤S26,其中:
在步骤S24中,利用边缘查找,将所述当前视频帧图像中可能存在的轮廓找出,确定多个连续点区域;
在步骤S25中,基于二分法,将所述多个连续点区域对应的预设数目的点坐标带入椭圆表达式,分别对所述多个连续点区域进行椭圆拟合,确定对应的拟合椭圆;
在步骤S26中,将所述拟合椭圆带入评估公式,确定对应的评估值,根据所述评估值,选取所述至少一个待选椭圆。
作为具体实施例,本发明实施例通过边缘查找和椭圆拟合算法,实现椭圆的查找,以初步确定多个待选椭圆。
在本发明一个具体的实施例中,通过边缘查找将图像中可能存在的轮廓找出,结合椭圆拟合算法,其中,边缘查找算法通过将连续的点归纳,通过连续点的区域大小以及连续点内部的包含情况进行进一步区分,实现目标区域轮廓查找。椭圆拟合算法对连续的区域内多点进行椭圆拟合,这里拟合采用二分法拟合椭圆,椭圆表达一般式为:
F(a,x)=a·x=ax2+bxy+cy2+dx+ey+f=0
其中,将含有六个点坐标的轮廓的点位信息带入,不足忽略,采用下列公式评估得到的拟合椭圆为:
以求得最小的Da对应的椭圆信息为拟合较好的椭圆记录。
作为优选的实施例,结合图4来看,图4为本发明提供的图1中步骤S3确定最佳椭圆一实施例的流程示意图,包括步骤S31至步骤S32,其中:
在步骤S31中,根据所述至少一个待选椭圆和所述边缘二值图的对比结果,在所述至少一个待选椭圆中确定备选椭圆目标;
在步骤S32中,根据所述多个前帧视频帧图像中的最佳椭圆信息,计算所述备选椭圆目标对应的移动状态,根据所述移动状态,确定在所述备选椭圆目标中的所述最佳椭圆。
作为具体实施例,本发明实施例结合结合待选椭圆、边缘二值图进行初步筛选,再结合多个前帧视频帧图像中的最佳椭圆信息,进一步筛选,保证结果的准确性。
作为优选的实施例,结合图5来看,图5为本发明提供的图4中步骤S31一实施例的流程示意图,包括步骤S311至步骤S313,其中:
在步骤S311中,采用预设数目的点数拟合所述至少一个待选椭圆;
在步骤S312中,将每个拟合点与所述边缘二值图进行对比,确定所述至少一个待选椭圆的累计次数;
在步骤S313中,对所述累计次数进行排序,将排序最靠前的预设数量的所述至少一个待选椭圆作为所述备选椭圆目标。
作为具体实施例,本发明实施例结合待选椭圆的拟合点和边缘二值图进行对比,实现对待选椭圆的有效筛选。
作为优选的实施例,结合图6来看,图6为本发明提供的图5中步骤S312一实施例的流程示意图,包括步骤S3121至步骤S3123,其中:
在步骤S3121中,将每个所述拟合点投影在所述边缘二值图中;
在步骤S3122中,将所述拟合点为中心点位,相邻八个点作为周围点位;
在步骤S3123中,在所述边缘二值图中,若所述中心点位或所述周围点位中任意一格对应的像素值大于零,则计数累计加一,确定所述至少一个待选椭圆对应的所述累计次数。
作为具体实施例,本发明实施例采用九格宫算法,对待选椭圆的拟合点进行计算,从而进行准确的筛选。
在本发明一个具体的实施例中,设置可能存在的表盘区域的大小阈值进行筛选;设置大小阈值对图像中可能存在的椭圆进行筛选,滤除过小不符合要求的椭圆;对筛选结果所得到的椭圆进行标定记录;对每一记录的椭圆分割成360点进行拟合近似。将近似得到的拟合点投影到轮廓边缘二值化图中,并对每个对应点在二值化图中进行九格宫判定,即中心点为对应点位,周围八个点为对应点周围的点;若九格宫中任意一格出现白色即二值化图中数值大于零即可累计计数加一,输出计数较高的几个椭圆,记录这些椭圆信息。
作为优选的实施例,结合图7来看,图7为本发明提供的图4中步骤S32一实施例的流程示意图,包括步骤S321至步骤S324,其中:
在步骤S321中,根据所述前五帧视频帧图像的最佳椭圆的移动轨迹,确定移动轨迹曲线;
在步骤S322中,根据所述前三帧视频帧图像至所述前五帧视频帧图像的最佳椭圆的位置信息、长短轴长度以及偏转角度信息,确定对应的所述最佳椭圆信息,并根据所述最佳椭圆信息,确定椭圆目标移动的速度以及加速度;
在步骤S323中,结合所述移动轨迹曲线、所述速度以及所述加速度,确实所述当前视频帧图像的预测椭圆中心位置;
在步骤S324中,根据所述预测椭圆中心位置,对所述备选椭圆目标进行筛选,确定所述最佳椭圆。
作为具体实施例,本发明实施例依照计算所得的移动轨迹及特征计算当前图片可能出现的椭圆,对上一步骤筛选所得多个可能椭圆进行比对。确定真实目标椭圆位置及特征。
作为优选的实施例,所述根据所述最佳椭圆信息,确定椭圆目标移动的速度以及加速度通过如下公式表示:
a1=(x1-x2,y1-y2)
a2=(x2-x3,y2-y3)
其中,a1表示第一加速度,a2表示第二加速度,x1为前一帧椭圆中心位置的横坐标,y1为前一帧椭圆中心位置的纵坐标,x2为前两帧椭圆中心位置的横坐标,y2为前两帧椭圆中心位置的纵坐标,x3为前三帧椭圆中心位置的横坐标,y3为前三帧椭圆中心位置的纵坐标。
作为具体实施例,本发明实施例对比前几帧图片中所确定的椭圆移动轨迹及特征,确定其对应的加速度,从而判断下一帧的椭圆中心。
作为优选的实施例,所述结合所述移动轨迹曲线、所述速度以及所述加速度,确实所述当前视频帧图像的预测椭圆中心位置通过如下公式表示:
x,y=(x1-x2+a*(|a1-a2|),y1-y2+a*(|a1-a2|))
其中,x表示所述预测椭圆中心位置的横坐标,y表示所述预测椭圆中心位置的纵坐标,x1为前一帧椭圆中心位置的横坐标,y1为前一帧椭圆中心位置的纵坐标,x2为前两帧椭圆中心位置的横坐标,y2为前两帧椭圆中心位置的纵坐标,a1表示所述第一加速度,a2表示所述第二加速度,a表示预设的运动系数。
作为具体实施例,本发明实施例结合前几帧图像的运动坐标和运动加速度,预测当前帧的椭圆中心位置。依照计算所得的移动轨迹及特征计算当前图片可能出现的椭圆,对上一步骤筛选所得多个可能椭圆进行比对。确定真实目标椭圆位置及特征。
作为优选的实施例,结合图8来看,图8为本发明提供的图1中步骤S3合成视频输出一实施例的流程示意图,还包括步骤S33至步骤S35,其中:
在步骤S33中,设置标准大小正方形空白图片作为透视拉伸存储赋值对象;
在步骤S34中,根据筛选得到的所述最佳椭圆的椭圆信息对所述当前视频帧图像进行透视拉伸,复原目标的圆形内容,并输出处理后的帧图片;
在步骤S35中,基于帧时序,将所述处理后的帧图片依次合并成视频输出。
作为具体实施例,本发明实施例设置标准大小正方形空白图片作为透视拉伸存储赋值对象;按照筛选得到的椭圆信息对原图进行透视拉伸,复原原本目标圆形内容,并输出图片。
在本发明一个具体的实施例中,结合图9、图10来看,图9为本发明提供的椭圆拟合一实施例的示意图,图10为本发明提供的椭圆圈定一实施例的示意图,其中,为准确定位椭圆目标真实位置,加强约束更易挑选得到目标椭圆位置,具体实施步骤如下;
第一步,读取前三到五帧椭圆目标的信息,包含长轴,短轴,中心点,旋转角度,依照此两帧椭圆差值,利用向量拟合计算出当前帧数长轴,短轴,中心点,旋转角度可能的范围;
第二步,按照上述得出的范围进一步挑选该帧图片中得出较好可能存在的多个椭圆目标。确定当前椭圆目标信息,并更新记录信息;
第三步,将修正获得椭圆信息,通过透视变换对原图片进行操作,依照透视变换操作,将椭圆目标拉伸长轴,转换成原本的圆形对象,同时标准化透视变换后的图片尺寸,便于后续的开发操作;
第四步,将透视变换后的图片,按照帧顺序重新合成视频输出,以avi格式导出。
本发明公开了一种基于椭圆检测的快速圆形目标定位视频处理方法,首先,对当前视频帧图像进行有效的获取;然后,基于图像处理和椭圆拟合,初步筛选出多个待选椭圆;最后,待选椭圆、边缘二值图和多个前帧视频帧图的对比结果,反馈其轨迹信息和图像信息,以此识别最佳椭圆,提高准确率,依据定位的最佳椭圆,对当前帧进行剪裁,以此达到准确定位的目的,合成视频输出。
本发明技术方案,运用椭圆检测,在复杂背景下较为精准定位到椭圆位置,同时基于多个前帧视频帧图像的对比结果,加入运动预测,更精准定位椭圆目标所在位置,防止目标椭圆定位不准。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于椭圆检测的快速圆形目标定位视频处理方法,其特征在于,包括:
获取包括椭圆目标的当前视频帧图像;
对所述当前视频帧图像进行多种图像处理,确定边缘二值图,并拟合出至少一个待选椭圆;
根据所述至少一个待选椭圆、所述边缘二值图和对应的多个前帧视频帧图像的对比结果,确定最佳椭圆,并根据所述最佳椭圆对所述当前视频帧图像进行透视裁切,合成视频输出,所述根据所述至少一个待选椭圆、所述边缘二值图和对应的多个前帧视频帧图像的对比结果,确定最佳椭圆包括:
根据所述至少一个待选椭圆和所述边缘二值图的对比结果,在所述至少一个待选椭圆中确定备选椭圆目标,具体包括:采用预设数目的点数拟合所述至少一个待选椭圆,
将每个拟合点与所述边缘二值图进行对比,确定所述至少一个待选椭圆的累计次数;
对所述累计次数进行排序,将排序最靠前的预设数量的所述至少一个待选椭圆作为所述备选椭圆目标;
根据所述多个前帧视频帧图像中的最佳椭圆信息,计算所述备选椭圆目标对应的移动状态,根据所述移动状态,确定在所述备选椭圆目标中的所述最佳椭圆,所述多个前帧视频帧图像包括所述当前视频帧图像的前五帧视频帧图像,所述根据所述多个前帧视频帧图像中的最佳椭圆信息,计算所述备选椭圆目标对应的移动状态,根据所述移动状态,确定在所述备选椭圆目标中的所述最佳椭圆包括:
根据所述前五帧视频帧图像的最佳椭圆的移动轨迹,确定移动轨迹曲线;
根据所述前五帧视频帧图像的最佳椭圆的位置信息、长短轴长度以及偏转角度信息,确定对应的所述最佳椭圆信息,并根据所述最佳椭圆信息,确定椭圆目标移动的速度以及加速度;
结合所述移动轨迹曲线、所述速度以及所述加速度,确实所述当前视频帧图像的预测椭圆中心位置;
根据所述预测椭圆中心位置,对所述备选椭圆目标进行筛选,确定所述最佳椭圆。
2.根据权利要求1所述的基于椭圆检测的快速圆形目标定位视频处理方法,其特征在于,所述对所述当前视频帧图像进行多种图像处理,确定边缘二值图包括:
将所述当前视频帧图像转化为灰度图,并依次采用高斯平滑滤波、双边滤波、直方图均衡进行处理;
采用Canny边缘检测算法进行梯度计算,区分出图像边缘;
将满足预设条件的像素点的像素值设为对应的固定值,其他像素点的像素值置为0,确定所述边缘二值图。
3.根据权利要求1所述的基于椭圆检测的快速圆形目标定位视频处理方法,其特征在于,所述并拟合出至少一个待选椭圆包括:
利用边缘查找,将所述当前视频帧图像中可能存在的轮廓找出,确定多个连续点区域;
基于二分法,将所述多个连续点区域对应的预设数目的点坐标带入椭圆表达式,分别对所述多个连续点区域进行椭圆拟合,确定对应的拟合椭圆;
将所述拟合椭圆带入评估公式,确定对应的评估值,根据所述评估值,选取所述至少一个待选椭圆。
4.根据权利要求3所述的基于椭圆检测的快速圆形目标定位视频处理方法,其特征在于,所述将每个拟合点与所述边缘二值图进行对比,确定所述至少一个待选椭圆的累计次数包括:
将每个所述拟合点投影在所述边缘二值图中;
将所述拟合点为中心点位,相邻八个点作为周围点位;
在所述边缘二值图中,若所述中心点位或所述周围点位中任意一格对应的像素值大于零,则计数累计加一,确定所述至少一个待选椭圆对应的所述累计次数。
5.根据权利要求1所述的基于椭圆检测的快速圆形目标定位视频处理方法,所述根据所述最佳椭圆对所述当前视频帧图像进行透视裁切,合成视频输出包括:
设置标准大小正方形空白图片作为透视拉伸存储赋值对象;
根据筛选得到的所述最佳椭圆的椭圆信息对所述当前视频帧图像进行透视拉伸,复原目标的圆形内容,并输出处理后的帧图片;
基于帧时序,将所述处理后的帧图片依次合并成视频输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688402.5A CN113362390B (zh) | 2021-06-21 | 2021-06-21 | 一种基于椭圆检测的快速圆形目标定位视频处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688402.5A CN113362390B (zh) | 2021-06-21 | 2021-06-21 | 一种基于椭圆检测的快速圆形目标定位视频处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113362390A CN113362390A (zh) | 2021-09-07 |
CN113362390B true CN113362390B (zh) | 2023-03-21 |
Family
ID=77535493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110688402.5A Active CN113362390B (zh) | 2021-06-21 | 2021-06-21 | 一种基于椭圆检测的快速圆形目标定位视频处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362390B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920146A (zh) * | 2021-12-10 | 2022-01-11 | 杭州安脉盛智能技术有限公司 | 一种基于灰度及边缘信息融合复杂圆定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232332A (zh) * | 2020-12-17 | 2021-01-15 | 四川圣点世纪科技有限公司 | 一种基于视频序列的非接触式手掌检测方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789077B (zh) * | 2010-02-10 | 2012-07-18 | 北京理工大学 | 一种激光引导的视频客流检测方法及设备 |
CN103226834B (zh) * | 2013-03-26 | 2015-10-21 | 长安大学 | 一种图像运动目标特征点快速搜索方法 |
CN103456026B (zh) * | 2013-07-29 | 2016-11-16 | 华中科技大学 | 一种公路地标约束下的地面运动目标检测方法 |
JP6663848B2 (ja) * | 2014-08-04 | 2020-03-13 | パナソニック株式会社 | 移動体追跡方法および移動体追跡装置 |
CN105654504A (zh) * | 2014-11-13 | 2016-06-08 | 丁业兵 | 基于转动惯量的自适应带宽均值漂移目标跟踪方法 |
CN104992139B (zh) * | 2015-04-23 | 2019-04-09 | 北京宇航时代科技发展有限公司 | 一种基于运动矢量与圆形度匹配的落石检测方法 |
US9721358B2 (en) * | 2015-08-13 | 2017-08-01 | Excelsius Medical Co., Ltd. | Method, system, and non-transitory computer readable medium for video-based circular object localization |
WO2017053822A1 (en) * | 2015-09-23 | 2017-03-30 | Behavioral Recognition Systems, Inc. | Detected object tracker for a video analytics system |
CN106530349A (zh) * | 2016-10-25 | 2017-03-22 | 成都工业学院 | 一种基于椭圆中心的动态定位方法及装置 |
CN107292871A (zh) * | 2017-06-08 | 2017-10-24 | 国网青海省电力公司检修公司 | 一种变电站圆形仪表的实时矫正算法 |
CN107563985B (zh) * | 2017-08-31 | 2020-08-25 | 成都空御科技有限公司 | 一种红外图像空中运动目标的检测方法 |
CN108196729A (zh) * | 2018-01-16 | 2018-06-22 | 安徽慧视金瞳科技有限公司 | 一种基于红外视频的指尖点快速检测方法 |
CN111178173B (zh) * | 2019-12-14 | 2022-02-11 | 杭州电子科技大学 | 一种目标菌落生长特征识别方法 |
-
2021
- 2021-06-21 CN CN202110688402.5A patent/CN113362390B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232332A (zh) * | 2020-12-17 | 2021-01-15 | 四川圣点世纪科技有限公司 | 一种基于视频序列的非接触式手掌检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113362390A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242884B (zh) | 基于JCFNet网络的遥感视频目标跟踪方法 | |
US7689034B2 (en) | Learning method for detectors, face detection method, face detection apparatus, and face detection program | |
CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
KR101441333B1 (ko) | 인체 부분 검출 장치 및 그 방법 | |
US8577099B2 (en) | Method, apparatus, and program for detecting facial characteristic points | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN108470354A (zh) | 视频目标跟踪方法、装置和实现装置 | |
CN111260738A (zh) | 基于相关滤波和自适应特征融合的多尺度目标跟踪方法 | |
JPH1114741A (ja) | ターゲット追跡方法及び装置 | |
CN111161313B (zh) | 一种视频流中的多目标追踪方法及装置 | |
JP2008501172A (ja) | 画像比較方法 | |
CN109034017A (zh) | 头部姿态估计方法及机器可读存储介质 | |
CN113592911B (zh) | 表观增强深度目标跟踪方法 | |
CN111882586B (zh) | 一种面向剧场环境的多演员目标跟踪方法 | |
CN111860587B (zh) | 一种用于图片小目标的检测方法 | |
CN111199556A (zh) | 基于摄像头的室内行人检测和跟踪方法 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN113362390B (zh) | 一种基于椭圆检测的快速圆形目标定位视频处理方法 | |
CN115797607A (zh) | 一种增强vr真实效果的图像优化处理方法 | |
JP2008003749A (ja) | 特徴点検出装置および方法並びにプログラム | |
CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
CN109949344A (zh) | 一种基于颜色概率目标建议窗口的核相关滤波跟踪方法 | |
CN110717910B (zh) | 基于卷积神经网络的ct图像目标检测方法及ct扫描仪 | |
CN116777956A (zh) | 基于多尺度航迹管理的运动目标筛选方法 | |
CN111161323A (zh) | 一种基于相关滤波的复杂场景目标跟踪方法及系统 |
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 |