CN113744137B - 一种螺旋矩阵式的帧差平滑处理方法 - Google Patents
一种螺旋矩阵式的帧差平滑处理方法 Download PDFInfo
- Publication number
- CN113744137B CN113744137B CN202010460280.XA CN202010460280A CN113744137B CN 113744137 B CN113744137 B CN 113744137B CN 202010460280 A CN202010460280 A CN 202010460280A CN 113744137 B CN113744137 B CN 113744137B
- Authority
- CN
- China
- Prior art keywords
- frame
- frame difference
- block
- difference
- smoothing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000009499 grossing Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000010606 normalization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/223—Analysis of motion using block-matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本申请在现有技术方法的基础上,提出了一种螺旋矩阵式的帧差平滑处理方法。通过对某一时间段内的局部帧差进行滑动平均,可以减小全局帧差波动干扰,增加检测准确度。所述方法包括以下步骤:S1.参数初始化,包括:背景初始化,创建分块帧差缓存空向量;S2.计算分块帧差:将每帧图像等分成16区域,分别统计各个区域内帧差图像中非零像素点的总数,即各个分块的帧差特征,并进行归一化;S3.分块帧差重排序;S4.缓存分块帧差;S5.帧差平滑。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种螺旋矩阵式的帧差平滑处理方法。
背景技术
目前,车内监控画面主要基于背景帧差来实现遮挡检测,由于车内环境复杂,车内监控画面的背景帧差易受乘车人员增减、活动,车窗外光线、景物变化等因素影响,而且车辆行驶过程中,不可避免的产生画面抖动;这些都会导致背景帧差一直处于波动状态,给遮挡检测带来了很大的不确定性。因此,统计某一时间段内的帧差,通过加权平均的方法进行平滑是一种有效的排除干扰的方法。
然而,现有技术中存在以下的缺陷:某一帧图像的全局帧差受环境等因素影响波动大,对遮挡检测结果干扰大。
发明内容
为了解决上述问题,本发明的目的在于:本申请在现有技术方法的基础上,提出了一种螺旋矩阵式的帧差平滑处理方法。通过对某一时间段内的局部帧差进行滑动平均,可以减小全局帧差波动干扰,增加检测准确度。
具体地,本发明提供一种螺旋矩阵式的帧差平滑处理方法,所述方法包括以下步骤:
S1.参数初始化,包括:背景初始化,创建分块帧差缓存空向量D;
S2.计算分块帧差:
将每帧图像分成16区域,分别统计各个区域内帧差图像中非零像素点的总数,即各个分块的帧差特征,并进行归一化,计算方法如公式(1)所示;
其中,k=1,2,3……16;k表示区域号,dk表示区域k的归一化分块帧差特征;
S3.分块帧差重排序:
当i=i0时,原排序为:对应16个分块区域按照从上至下、从左至右的规则进行帧差数值排序;
按螺旋矩阵对进行分块帧差重排序,其结果如公式(2)所示:
公式(2):
S4.缓存分块帧差:
S4.1求分块帧差缓存向量大小,即缓存了多少帧的分块帧差;
S4.2如果分块帧差缓存向量大小大于或等于16,表示缓存已满,需要先删除向量头部存储的分块帧差然后在向量尾部存入当前帧图像的分块帧差/>否则,表示缓存未满,直接在尾部存入当前帧图像的分块帧差;当缓存向量满存时,其缓存的16帧分块帧差可表示为:/>
S5.帧差平滑:
S5.1等权重平滑:
按照公式(3)计算缓存的16帧帧差等权重均值;
其中:D[it][16-t]表示第it帧图像第16-t块螺旋矩阵帧差,其中0≤t≤15;
S5.2不等权重平滑:
按照公式(4)计算缓存16帧帧差不等权重均值;
其中:w为权重向量,满足
所述将每帧图像分成16区域为等分;也可以不等分,即进行不规则的区域划分。
S3中分块帧差重排序的结果,具体排序方式为:在数组中按照螺旋形态从16块的中间按序号大小依次排列,从1开始,在所述帧差数值排序中找到对应位置的帧差数值依次放到向量中。
S4.2,当缓存向量满存时,其缓存的16帧分块帧差可表示为:其中/>即:D[i0][1]=d7,D[i0][2]=d11,······,D[i0][16]=d1,其他时刻同理亦然。
S5.2中,考虑到越接近当前帧时刻的帧差权重越大,因此本方法中设定权重函数条件需要满足公式(5);
w[i]<w[i+1]其中,0≤i≤14 公式(5)。
由此,本申请的优势在于:通过对某一时间段内的局部帧差进行滑动平均,可以减小全局帧差波动干扰,增加检测准确度,提高了车内监控画面检测的确定性,方法简单。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。
图1是本发明方法中将每帧图像等分成16区域的示意图。
图2是本发明方法中数组中按照螺旋形态按序号依次排列的示意图。
图3是本发明方法中每一帧图像取其中某一块的帧差,16帧分别取不同区域,最后组成一个完整的帧差图。
图4是本发明方法中将每帧图像不等分成16区域的示意图。
图5是本发明方法的流程示意图。
具体实施方式
为了能够更清楚地理解本发明的技术内容及优点,现结合附图对本发明进行进一步的详细说明。
如图5所示,本发明涉及一种螺旋矩阵式的帧差平滑处理方法,所述方法包括以下步骤:
S1.参数初始化,包括:背景初始化,创建分块帧差缓存空向量D;
S2.计算分块帧差:
按图1所示,将每帧图像等分成16区域(也可以不等分,即进行不规则的区域划分,如图4所示),分别统计各个区域内帧差图像中非零像素点的总数,即各个分块的帧差特征,并进行归一化,计算方法如公式(1)所示;
其中,k=1,2,3...16;k表示区域号,dk表示区域k的归一化分块帧差特征;
S3.分块帧差重排序:
当i=i0时,原排序为:对应16个分块区域按照从上至下、从左至右的规则进行帧差数值排序;
按螺旋矩阵对进行分块帧差重排序,其结果如公式(2)所示:
公式(2):
在附图2的数组中按照序号大小,从1开始,在附图1中的找到对应位置的帧差数值依次放到向量中;
S4.缓存分块帧差:
S4.1求分块帧差缓存向量大小,即缓存了多少帧的分块帧差;
S4.2如果分块帧差缓存向量大小大于或等于16,表示缓存已满,需要先删除向量头部存储的分块帧差然后在向量尾部存入当前帧图像的分块帧差/>否则,表示缓存未满,直接在尾部存入当前帧图像的分块帧差;当缓存向量满存时,其缓存的16帧分块帧差可表示为:/>其中/>即:D[i0][1]=d7,D[i0][2]=d11,······,D[i0][16]=d1,其他时刻同理亦然;
S5.帧差平滑:
S5.1等权重平滑:
按照公式(3)计算缓存的16帧帧差等权重均值;
其中:D[it][16-t]表示第it帧图像第16-t块螺旋矩阵帧差,其中0≤t≤15;
S5.2不等权重平滑:
按照公式(4)计算缓存16帧帧差不等权重均值;
其中:w为权重向量,满足考虑到越接近当前帧时刻的帧差权重越大,因此本方法中设定权重函数条件需要满足公式(5);
w[i]<w[i+1]其中,0≤i≤14 公式(5)。
如图3所示,每一帧图像取其中某一块的帧差,16帧分别取不同区域,最后组成一个完整的帧差图。其中帧差的组合过程可以认为是步骤5中帧差平滑处理过程,图3中白色区域表示权重为0,灰色区域表示图像帧中在组合帧差图时的有效区域;如果采用等权重帧差平滑,可认为灰色部分所有权重相等,如果采用不等权重平滑,则灰色的深浅表示权重的大小,颜色越深,表示权重越大,也就是缓存中越接近当前时刻的图像帧。可以看出,采用螺旋矩阵式的帧差平滑方法,不仅在时间轴上对图像帧差进行了滑动平均处理,而且在图像平面内对帧差也进行了一次区域滑动平均。
如图3所示,如果采用不等权重平滑,各区域的帧差重要性为:例如汽车位置中:右侧司机>左侧副驾>四周区域,且缓存中距离当前时刻越久的图像帧差重要性越低,即当前帧图像的右侧司机区域帧差权重越大,按螺旋矩阵式权重慢慢降低,至缓存第一帧(距离当前帧的前第15帧图像)左上角边缘区域帧差权重越小。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种螺旋矩阵式的帧差平滑处理方法,其特征在于,所述方法包括以下步骤:
S1.参数初始化,包括:背景初始化,创建分块帧差缓存空向量D;
S2.计算分块帧差:
将每帧图像分成16区域,分别统计各个区域内帧差图像中非零像素点的总数,即各个分块的帧差特征,并进行归一化,计算方法如公式(1)所示;
其中,k=1,2,3……16;k表示区域号,dk表示区域k的归一化分块帧差特征;
S3.分块帧差重排序:
当i=i0时,原排序为:对应16个分块区域按照从上至下、从左至右的规则进行帧差数值排序;
按螺旋矩阵对进行分块帧差重排序,其结果如公式(2)所示:
公式(2):
S4.缓存分块帧差:
S4.1求分块帧差缓存向量大小,即缓存了多少帧的分块帧差;
S4.2如果分块帧差缓存向量大小大于或等于16,表示缓存已满,需要先删除向量头部存储的分块帧差然后在向量尾部存入当前帧图像的分块帧差/>否则,表示缓存未满,直接在尾部存入当前帧图像的分块帧差;当缓存向量满存时,其缓存的16帧分块帧差可表示为:/>
S5.帧差平滑:
S5.1等权重平滑:
按照公式(3)计算缓存的16帧帧差等权重均值;
其中:D[it][16-t]表示第it帧图像第16-t块螺旋矩阵帧差,其中0≤t≤15;
S5.2不等权重平滑:
按照公式(4)计算缓存16帧帧差不等权重均值;
其中:w为权重向量,满足
S3中分块帧差重排序的结果,具体排序方式为:在数组中按照螺旋形态从16块的中间按序号大小依次排列,从1开始,在所述帧差数值排序中找到对应位置的帧差数值依次放到向量中;
S5.2中,考虑到越接近当前帧时刻的帧差权重越大,因此本方法中设定权重函数条件需要满足公式(5);
w[i]<w[i+1]其中,0≤i≤14 公式(5)。
2.根据权利要求1所述的一种螺旋矩阵式的帧差平滑处理方法,其特征在于,S2中所述将每帧图像分成16区域为等分;也可以不等分,即进行不规则的区域划分。
3.根据权利要求1所述的一种螺旋矩阵式的帧差平滑处理方法,其特征在于,S4.2,当缓存向量满存时,其缓存的16帧分块帧差可表示为:其中/>即:D[i0][1]=d7,D[i0][2]=d11,······,D[i0][16]=d1,其他时刻同理亦然。
4.根据权利要求1所述的一种螺旋矩阵式的帧差平滑处理方法,其特征在于,所述方法还包括将每一帧图像取其中某一块的帧差,16帧分别取不同区域,最后组成一个完整的帧差图,其中帧差的组合过程被认为是步骤S5中帧差平滑处理过程。
5.根据权利要求1所述的一种螺旋矩阵式的帧差平滑处理方法,其特征在于,S5中如果采用不等权重平滑,缓存中距离当前时刻越久的图像帧差重要性越低,各区域的帧差重要性按螺旋矩阵式权重降低,至缓存第一帧左上角边缘区域帧差权重越小。
6.根据权利要求5所述的一种螺旋矩阵式的帧差平滑处理方法,其特征在于,所述缓存第一帧为距离当前帧的前第15帧图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460280.XA CN113744137B (zh) | 2020-05-27 | 2020-05-27 | 一种螺旋矩阵式的帧差平滑处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460280.XA CN113744137B (zh) | 2020-05-27 | 2020-05-27 | 一种螺旋矩阵式的帧差平滑处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744137A CN113744137A (zh) | 2021-12-03 |
CN113744137B true CN113744137B (zh) | 2024-05-31 |
Family
ID=78723676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010460280.XA Active CN113744137B (zh) | 2020-05-27 | 2020-05-27 | 一种螺旋矩阵式的帧差平滑处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744137B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100053030A (ko) * | 2008-11-12 | 2010-05-20 | (주)인펙비전 | 차량 영상 검지 및 속도 산출방법 |
CN102917224A (zh) * | 2012-10-18 | 2013-02-06 | 北京航空航天大学 | 基于新型十字菱形搜索及五帧背景对齐的动背景视频对象提取 |
CN107948465A (zh) * | 2017-12-11 | 2018-04-20 | 南京行者易智能交通科技有限公司 | 一种检测摄像头被干扰的方法和装置 |
CN108198155A (zh) * | 2017-12-27 | 2018-06-22 | 合肥君正科技有限公司 | 一种自适用色调映射方法及系统 |
CN108596169A (zh) * | 2018-03-12 | 2018-09-28 | 北京建筑大学 | 基于视频流图像的分块信号转换与目标检测方法及装置 |
CN111160304A (zh) * | 2019-12-31 | 2020-05-15 | 华中科技大学 | 一种局部帧差和多帧融合的地面动目标检测与跟踪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10169655B2 (en) * | 2016-11-30 | 2019-01-01 | Arris Enterprises Llc | Detection of logos in a sequence of video frames |
GB2575117B (en) * | 2018-06-29 | 2021-12-08 | Imagination Tech Ltd | Image component detection |
-
2020
- 2020-05-27 CN CN202010460280.XA patent/CN113744137B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100053030A (ko) * | 2008-11-12 | 2010-05-20 | (주)인펙비전 | 차량 영상 검지 및 속도 산출방법 |
CN102917224A (zh) * | 2012-10-18 | 2013-02-06 | 北京航空航天大学 | 基于新型十字菱形搜索及五帧背景对齐的动背景视频对象提取 |
CN107948465A (zh) * | 2017-12-11 | 2018-04-20 | 南京行者易智能交通科技有限公司 | 一种检测摄像头被干扰的方法和装置 |
CN108198155A (zh) * | 2017-12-27 | 2018-06-22 | 合肥君正科技有限公司 | 一种自适用色调映射方法及系统 |
CN108596169A (zh) * | 2018-03-12 | 2018-09-28 | 北京建筑大学 | 基于视频流图像的分块信号转换与目标检测方法及装置 |
CN111160304A (zh) * | 2019-12-31 | 2020-05-15 | 华中科技大学 | 一种局部帧差和多帧融合的地面动目标检测与跟踪方法 |
Non-Patent Citations (2)
Title |
---|
A block-wise frame difference method for real-time video motion detection;Han Wei et al.;《International Journal of Advanced Robotic Systems》;1-13页 * |
基于交错帧差和高斯模型的运动车辆检测;李文举;姚建国;董天祯;李海峰;何祥健;;计算机工程与设计(05);235-239 * |
Also Published As
Publication number | Publication date |
---|---|
CN113744137A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8736767B2 (en) | Efficient motion vector field estimation | |
EP3467772A1 (en) | Method for segmenting an image and device using the same | |
CN111611947B (zh) | 一种车牌检测方法、装置、设备及介质 | |
JP6044134B2 (ja) | 最適画像サイズによる画像領域分割装置、方法、およびプログラム | |
US20200242777A1 (en) | Depth-aware object counting | |
US9043848B2 (en) | System and method for interactive spatio-temporal streaming data | |
CN110839155A (zh) | 运动估计的方法、装置、电子设备及计算机可读存储介质 | |
CN112052782B (zh) | 基于环视的停车位识别方法、装置、设备及存储介质 | |
CN103186887A (zh) | 图像除雾装置和图像除雾方法 | |
CN110298898B (zh) | 更改汽车图像车身颜色的方法及其算法结构 | |
US20220392019A1 (en) | Method for denoising videos and electronic device therefor | |
CN115147580A (zh) | 图像处理装置、图像处理方法、移动装置和存储介质 | |
CN113744137B (zh) | 一种螺旋矩阵式的帧差平滑处理方法 | |
US9953235B2 (en) | Image pickup device, vehicle number image pickup device, and image pickup method | |
CN111160491B (zh) | 一种卷积神经网络中的池化方法和池化模型 | |
US20080199084A1 (en) | Category Classification Apparatus and Category Classification Method | |
CN112507872B (zh) | 人体头肩区域的定位方法、定位装置和电子设备 | |
WO2021014809A1 (ja) | 画像認識評価プログラム、画像認識評価方法、評価装置及び評価システム | |
CN114140757A (zh) | 基于改进fcos的道路场景多类别检测方法及系统 | |
US11580832B2 (en) | Motion detection system and method | |
CN112102412B (zh) | 一种无人机降落过程中视觉锚点的检测方法及系统 | |
CN110647898B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
CN113014744B (zh) | 一种检测车内监控画面遮挡的方法 | |
CN109815782A (zh) | 一种信息处理设备 | |
CN113011217B (zh) | 一种车内监控画面晃动状态的判断方法 |
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 |