CN114170090A - 一种由模糊监控视频重建高分辨率图像的方法与系统 - Google Patents
一种由模糊监控视频重建高分辨率图像的方法与系统 Download PDFInfo
- Publication number
- CN114170090A CN114170090A CN202111541295.XA CN202111541295A CN114170090A CN 114170090 A CN114170090 A CN 114170090A CN 202111541295 A CN202111541295 A CN 202111541295A CN 114170090 A CN114170090 A CN 114170090A
- Authority
- CN
- China
- Prior art keywords
- pictures
- resolution
- fuzzy
- background
- target
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000000203 mixture Substances 0.000 claims description 31
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 238000007499 fusion processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明实施例涉及视频处理技术领域,具体公开了一种由模糊监控视频重建高分辨率图像的方法与系统。本发明实施例通过获取模糊监控视频,根据模糊监控视频生成多个模糊背景图片和多个模糊目标图片;对多个模糊背景图片进行图像增强、图像复原和超分辨率重构,生成高分辨率背景图片;对多个模糊目标图片进行图像增强、图像复原和超分辨率重构,生成高分辨率目标图片;融合处理高分辨率背景图片和高分辨率目标图片,生成高分辨率监控图像。能够通过分别对模糊监控视频中的背景图片和目标图片进行提取和高分辨率的重建,得到高分辨率背景图片和高分辨率目标图片,并融合生成高分辨率监控图像,能够有效避免背景和目标的细节被遗漏。
Description
技术领域
本发明属于视频处理技术领域,尤其涉及一种由模糊监控视频重建高分辨率图像的方法与系统。
背景技术
目前在遥感成像、医疗诊断和公共安防等领域中,需要通过高分辨率的图像获得更多的细节信息,但是由于图像采集设备的分辨率限制,会使数字图像的清晰度受到影响,对这一问题的解决手段是通过模糊监控视频重建高分辨率图像,用以提高图像的清晰度。现有的模糊监控视频重建高分辨率图像的方式主要是通过对模糊监控视频进行最优图片的选取,并通过专业的图像处理软件,对最优图片进行图像处理,生成高分辨率图像,然而这种重建高分辨率图像的方法通常容易导致监控视频中的细节被遗漏,无法获得监控视频中监控目标的更多细节。
发明内容
本发明实施例的目的在于提供一种由模糊监控视频重建高分辨率图像的方法与系统,旨在解决背景技术中提出的问题。
为实现上述目的,本发明实施例提供如下技术方案:
一种由模糊监控视频重建高分辨率图像的方法,所述方法具体包括以下步骤:
获取模糊监控视频,根据所述模糊监控视频生成多个模糊监控图片,并对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片;
对多个所述模糊背景图片进行图像增强、图像复原和超分辨率重构,生成高分辨率背景图片;
对多个所述模糊目标图片进行图像增强、图像复原和超分辨率重构,生成高分辨率目标图片;
融合处理所述高分辨率背景图片和所述高分辨率目标图片,生成高分辨率监控图像。
作为本发明实施例技术方案进一步的限定,所述获取模糊监控视频,根据所述模糊监控视频生成多个模糊监控图片,并对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片具体包括以下步骤:
获取模糊监控视频;
对所述模糊监控视频进行逐帧化处理,得到多个模糊监控图片;
对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片。
作为本发明实施例技术方案进一步的限定,所述对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片具体包括以下步骤:
通过高斯混合模型对多个所述模糊监控图片进行运动物体的识别与剔除,生成多个模糊背景图片;
对连续的两帧模糊监控图片进行图像数据差分处理,获取差分相减的差分绝对值;
将所述差分绝对值与预设阈值进行比较,将所述差分绝对值大于预设阈值的像素点进行赋值,构建运动物体的多个模糊目标图片。
作为本发明实施例技术方案进一步的限定,所述通过高斯混合模型对多个所述模糊监控图片进行运动物体的识别与剔除,生成多个模糊背景图片具体包括以下步骤:
对多个所述模糊监控图片进行灰度级分布统计,生成多个灰度直方图;
根据所述灰度直方图构建高斯模型;
将所述模糊监控图片中的像素点与高斯模型的距离进行比较;
将距离大于预设标准值的像素点标记为运动物体,并进行剔除,生成多个模糊背景图片。
作为本发明实施例技术方案进一步的限定,所述对多个所述模糊背景图片进行图像增强、图像复原和超分辨率重构,生成高分辨率背景图片具体包括以下步骤:
通过多个组合算法对多个所述模糊背景图片分别进行图像增强处理,生成多个增强背景图片;
对多个所述增强背景图片分别进行图像复原处理,生成多个复原背景图片;
对多个所述复原背景图片进行超分辨率重构,生成高分辨率背景图片。
作为本发明实施例技术方案进一步的限定,所述对多个所述模糊目标图片进行图像增强、图像复原和超分辨率重构,生成高分辨率目标图片具体包括以下步骤:
通过多个组合算法对多个所述模糊目标图片分别进行图像增强处理,生成多个增强目标图片;
对多个所述增强目标图片分别进行图像复原处理,生成多个复原目标图片;
对多个所述复原目标图片进行超分辨率重构,生成高分辨率目标图片。
作为本发明实施例技术方案进一步的限定,所述融合处理所述高分辨率背景图片和所述高分辨率目标图片,生成高分辨率监控图像具体包括以下步骤:
根据所述高分辨率背景图片和所述高分辨率目标图片构建像素坐标系;
获取所述高分辨率目标图片的轮廓坐标;
根据所述轮廓坐标,将所述高分辨率目标图片与所述高分辨率背景图片融合,生成高分辨率监控图像。
一种由模糊监控视频重建高分辨率图像的系统,其特征在于,所述系统包括背景目标生成单元、背景图片处理单元、目标图片处理单元和图片融合处理单元,其中:
背景目标生成单元,用于获取模糊监控视频,根据所述模糊监控视频生成多个模糊监控图片,并对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片;
背景图片处理单元,用于对多个所述模糊背景图片进行图像增强、图像复原和超分辨率重构,生成高分辨率背景图片;
目标图片处理单元,用于对多个所述模糊目标图片进行图像增强、图像复原和超分辨率重构,生成高分辨率目标图片;
图片融合处理单元,用于融合处理所述高分辨率背景图片和所述高分辨率目标图片,生成高分辨率监控图像。
作为本发明实施例技术方案进一步的限定,所述背景目标生成单元具体包括:
视频获取模块,用于获取模糊监控视频;
逐帧化处理模块,用于对所述模糊监控视频进行逐帧化处理,得到多个模糊监控图片;
背景目标生成模块,用于对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片。
作为本发明实施例技术方案进一步的限定,所述背景目标生成模块具体包括:
运动物体剔除子模块,用于通过高斯混合模型对多个所述模糊监控图片进行运动物体的识别与剔除,生成多个模糊背景图片;
图像差分处理子模块,用于对连续的两帧模糊监控图片进行图像数据差分处理,获取差分相减的差分绝对值;
模糊目标图片构建子模块,用于将所述差分绝对值与预设阈值进行比较,将所述差分绝对值大于预设阈值的像素点进行赋值,构建运动物体的多个模糊目标图片。
与现有技术相比,本发明的有益效果是:
本发明实施例通过获取模糊监控视频,根据模糊监控视频生成多个模糊背景图片和多个模糊目标图片;对多个模糊背景图片进行图像增强、图像复原和超分辨率重构,生成高分辨率背景图片;对多个模糊目标图片进行图像增强、图像复原和超分辨率重构,生成高分辨率目标图片;融合处理高分辨率背景图片和高分辨率目标图片,生成高分辨率监控图像。能够通过分别对模糊监控视频中的背景图片和目标图片进行提取和高分辨率的重建,得到高分辨率背景图片和高分辨率目标图片,并融合生成高分辨率监控图像,能够有效避免背景和目标的细节被遗漏。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1示出了本发明实施例提供的方法的流程图。
图2示出了本发明实施例提供的方法中自适应高斯混合背景建模帧差处理的流程图。
图3示出了本发明实施例提供的方法中生成多个模糊背景图片和多个模糊目标图片的流程图。
图4示出了本发明实施例提供的方法中运动物体的识别与剔除的流程图。
图5示出了本发明实施例提供的方法中生成高分辨率背景图片的流程图。
图6示出了本发明实施例提供的方法中生成高分辨率目标图片的流程图。
图7示出了本发明实施例提供的方法中生成高分辨率监控图像的流程图。
图8示出了本发明实施例提供的系统的应用架构图。
图9示出了本发明实施例提供的系统中背景目标生成单元的结构框图。
图10示出了本发明实施例提供的系统中背景目标生成模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解的是,现有的模糊监控视频重建高分辨率图像的方式主要是通过对模糊监控视频进行最优图片的选取,并通过专业的图像处理软件,对最优图片进行图像处理,生成高分辨率图像,然而这种方法通常容易导致监控视频中的细节被遗漏,无法获得监控视频中监控目标的更多细节。
为解决上述问题,本发明实施例通过获取模糊监控视频,根据模糊监控视频生成多个模糊背景图片和多个模糊目标图片;对多个模糊背景图片进行图像增强、图像复原和超分辨率重构,生成高分辨率背景图片;对多个模糊目标图片进行图像增强、图像复原和超分辨率重构,生成高分辨率目标图片;融合处理高分辨率背景图片和高分辨率目标图片,生成高分辨率监控图像。能够通过分别对模糊监控视频中的背景图片和目标图片进行提取和高分辨率的重建,得到高分辨率背景图片和高分辨率目标图片,并融合生成高分辨率监控图像,能够有效避免背景和目标的细节被遗漏。
图1示出了本发明实施例提供的方法的流程图。
具体的,一种由模糊监控视频重建高分辨率图像的方法,所述方法具体包括以下步骤:
步骤S101,获取模糊监控视频,根据所述模糊监控视频生成多个模糊监控图片,并对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片。
在本发明实施例中,截取待分析处理的模糊监控视频,将模糊监控视频转化为多个模糊监控图片,基于自适应高斯混合背景建模帧差法,将多个模糊监控图片中的前景和背景分别进行提取,得到多个模糊背景图片和多个模糊目标图片。
具体的,图2示出了本发明实施例提供的方法中自适应高斯混合背景建模帧差处理的流程图。
其中,在本发明提供的优选实施方式中,所述获取模糊监控视频,根据所述模糊监控视频生成多个模糊监控图片,并对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片具体包括以下步骤:
步骤S1011,获取模糊监控视频。
在本发明实施例中,对监控实时传输的视频数据进行截取,获取有监控目标的模糊监控视频。
步骤S1012,对所述模糊监控视频进行逐帧化处理,得到多个模糊监控图片。
在本发明实施例中,根据模糊监控视频的帧率,将模糊监控视频进行逐帧化处理,获取多个模糊监控图片。
步骤S1013,对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片。
在本发明实施例中,通过自适应高斯混合背景建模帧差法,对多个模糊监控图片进行前景和背景的分别检测与提取,得到多个模糊背景图片和多个模糊目标图片。
具体的,图3示出了本发明实施例提供的方法中生成多个模糊背景图片和多个模糊目标图片的流程图。
其中,在本发明提供的优选实施方式中,所述对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片具体包括以下步骤:
步骤S10131,通过高斯混合模型对多个所述模糊监控图片进行运动物体的识别与剔除,生成多个模糊背景图片。
在本发明实施例中,通过高斯混合模型对模糊监控图片的图像灰度进行统计,并将新的像素点与高斯混合模型的距离进行比较,进行运动物体像素点的识别与剔除,得到模糊背景图片。
具体的,图4示出了本发明实施例提供的方法中运动物体的识别与剔除的流程图。
其中,在本发明提供的优选实施方式中,所述通过高斯混合模型对多个所述模糊监控图片进行运动物体的识别与剔除,生成多个模糊背景图片具体包括以下步骤:
步骤S101311,对多个所述模糊监控图片进行灰度级分布统计,生成多个灰度直方图。
在本发明实施例中,图像灰度直方图反映的是图像中某个灰度级出现的频次,将多个模糊监控图片进行灰度级分布统计,得到每个模糊监控图片对应的灰度直方图。
步骤S101312,根据所述灰度直方图构建高斯模型。
在本发明实施例中,对灰度直方图中的灰度峰提取作为高斯分布的中心,进而获取多个高斯模型。
步骤S101313,将所述模糊监控图片中的像素点与高斯模型的距离进行比较。
步骤S101314,将距离大于预设标准值的像素点标记为运动物体,并进行剔除,生成多个模糊背景图片。
在本发明实施例中,在出现新的像素点时,比较该像素点与多个高斯模型的距离,在该像素点与多个高斯模型的距离都大于预设标准值时,将该像素点标记为运动物体,并将该像素点剔除,得到多个对应的模糊背景图片。
进一步的,所述对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片还包括以下步骤:
步骤S10132,对连续的两帧模糊监控图片进行图像数据差分处理,获取差分相减的差分绝对值。
在本发明实施例中,将连续的两帧模糊监控图片的图像数据进行相减的差分处理,得到差分相减的差分绝对值。
步骤S10133,将所述差分绝对值与预设阈值进行比较,将所述差分绝对值大于预设阈值的像素点进行赋值,构建运动物体的多个模糊目标图片。
在本发明实施例中,将差分绝对值与预设阈值进行比较,判断差分绝对值是否大于预设阈值,若差分绝对值大于预设阈值,则对应的像素点变为255,在差分绝对值不大于预设阈值时,对应的像素点变为0,从而找出运动物体的模糊目标图片。
进一步的,所述由模糊监控视频重建高分辨率图像的方法还包括以下步骤:
步骤S102,对多个所述模糊背景图片进行图像增强、图像复原和超分辨率重构,生成高分辨率背景图片。
在本发明实施例中,对多个模糊背景图片分别进行图像增强和图像复原,再进行超分辨率重构,得到高分辨率背景图片。
具体的,图5示出了本发明实施例提供的方法中生成高分辨率背景图片的流程图。
其中,在本发明提供的优选实施方式中,所述对多个所述模糊背景图片进行图像增强、图像复原和超分辨率重构,生成高分辨率背景图片具体包括以下步骤:
步骤S1021,通过多个组合算法对多个所述模糊背景图片分别进行图像增强处理,生成多个增强背景图片。
在本发明实施例中,通过图像去雾算法、图像锐化算法、图像去噪算法等多个算法进行组合,对多个模糊背景图片分别进行图像增强处理,降低模糊背景图片的模糊程度,生成多个增强背景图片。
步骤S1022,对多个所述增强背景图片分别进行图像复原处理,生成多个复原背景图片。
在本发明实施例中,对于散焦、运动、大气湍流等原因造成的图像模糊,通过进行图像复原处理,生成多个复原背景图片。
步骤S1023,对多个所述复原背景图片进行超分辨率重构,生成高分辨率背景图片。
在本发明实施例中,通过估计信号的高频成分来提高图像的分辨率,并根据多个复原背景图片之间的额外信息,对某一个复原背景图片进行超分辨率重构,生成高分辨率背景图片。
进一步的,所述由模糊监控视频重建高分辨率图像的方法还包括以下步骤:
步骤S103,对多个所述模糊目标图片进行图像增强、图像复原和超分辨率重构,生成高分辨率目标图片。
在本发明实施例中,对多个模糊目标图片分别进行图像增强和图像复原,再进行超分辨率重构,得到高分辨率目标图片。
具体的,图6示出了本发明实施例提供的方法中生成高分辨率目标图片的流程图。
其中,在本发明提供的优选实施方式中,所述对多个所述模糊目标图片进行图像增强、图像复原和超分辨率重构,生成高分辨率目标图片具体包括以下步骤:
步骤S1031,通过多个组合算法对多个所述模糊目标图片分别进行图像增强处理,生成多个增强目标图片。
在本发明实施例中,通过图像去雾算法、图像锐化算法、图像去噪算法等多个算法进行组合,对多个模糊目标图片分别进行图像增强处理,降低模糊目标图片的模糊程度,生成多个增强目标图片。
步骤S1032,对多个所述增强目标图片分别进行图像复原处理,生成多个复原目标图片。
在本发明实施例中,对于散焦、运动、大气湍流等原因造成的图像模糊,通过进行图像复原处理,生成多个复原目标图片。
步骤S1033,对多个所述复原目标图片进行超分辨率重构,生成高分辨率目标图片。
在本发明实施例中,通过估计信号的高频成分来提高图像的分辨率,并根据多个复原目标图片之间的额外信息,对某一个复原目标图片进行超分辨率重构,生成高分辨率目标图片。
进一步的,所述由模糊监控视频重建高分辨率图像的方法还包括以下步骤:
步骤S104,融合处理所述高分辨率背景图片和所述高分辨率目标图片,生成高分辨率监控图像。
在本发明实施例中,构建高分辨率背景图片和高分辨率目标图片中像素点的坐标系,将高分辨率背景图片和高分辨率目标图片进行像素点剔除与融合,生成高分辨率监控图像。
具体的,图7示出了本发明实施例提供的方法中生成高分辨率监控图像的流程图。
其中,在本发明提供的优选实施方式中,所述融合处理所述高分辨率背景图片和所述高分辨率目标图片,生成高分辨率监控图像具体包括以下步骤:
步骤S1041,根据所述高分辨率背景图片和所述高分辨率目标图片构建像素坐标系。
步骤S1042,获取所述高分辨率目标图片的轮廓坐标。
步骤S1043,根据所述轮廓坐标,将所述高分辨率目标图片与所述高分辨率背景图片融合,生成高分辨率监控图像。
进一步的,图8示出了本发明实施例提供的系统的应用架构图。
其中,在本发明提供的又一个优选实施方式中,一种由模糊监控视频重建高分辨率图像的系统,包括:
背景目标生成单元101,用于获取模糊监控视频,根据所述模糊监控视频生成多个模糊监控图片,并对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片。
在本发明实施例中,背景目标生成单元101截取待分析处理的模糊监控视频,将模糊监控视频转化为多个模糊监控图片,基于自适应高斯混合背景建模帧差法,将多个模糊监控图片中的前景和背景分别进行提取,得到多个模糊背景图片和多个模糊目标图片。
具体的,图9示出了本发明实施例提供的系统中背景目标生成单元101的结构框图。
其中,在本发明提供的优选实施方式中,所述背景目标生成单元101具体包括:
视频获取模块1011,用于获取模糊监控视频。
逐帧化处理模块1012,用于对所述模糊监控视频进行逐帧化处理,得到多个模糊监控图片。
背景目标生成模块1013,用于对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片。
具体的,图10示出了本发明实施例提供的系统中背景目标生成模块1013的结构框图。
其中,在本发明提供的优选实施方式中,所述背景目标生成模块1013具体包括:
运动物体剔除子模块10131,用于通过高斯混合模型对多个所述模糊监控图片进行运动物体的识别与剔除,生成多个模糊背景图片。
图像差分处理子模块10132,用于对连续的两帧模糊监控图片进行图像数据差分处理,获取差分相减的差分绝对值。
模糊目标图片构建子模块10133,用于将所述差分绝对值与预设阈值进行比较,将所述差分绝对值大于预设阈值的像素点进行赋值,构建运动物体的多个模糊目标图片。
进一步的,所述由模糊监控视频重建高分辨率图像的系统还包括:
背景图片处理单元102,用于对多个所述模糊背景图片进行图像增强、图像复原和超分辨率重构,生成高分辨率背景图片。
在本发明实施例中,背景图片处理单元102对多个模糊背景图片分别进行图像增强和图像复原,再进行超分辨率重构,得到高分辨率背景图片。
目标图片处理单元103,用于对多个所述模糊目标图片进行图像增强、图像复原和超分辨率重构,生成高分辨率目标图片。
在本发明实施例中,目标图片处理单元103对多个模糊目标图片分别进行图像增强和图像复原,再进行超分辨率重构,得到高分辨率目标图片。
图片融合处理单元104,用于融合处理所述高分辨率背景图片和所述高分辨率目标图片,生成高分辨率监控图像。
在本发明实施例中,图片融合处理单元104构建高分辨率背景图片和高分辨率目标图片中像素点的坐标系,将高分辨率背景图片和高分辨率目标图片进行像素点剔除与融合,生成高分辨率监控图像。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种由模糊监控视频重建高分辨率图像的方法,其特征在于,所述方法具体包括以下步骤:
获取模糊监控视频,根据所述模糊监控视频生成多个模糊监控图片,并对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片;
对多个所述模糊背景图片进行图像增强、图像复原和超分辨率重构,生成高分辨率背景图片;
对多个所述模糊目标图片进行图像增强、图像复原和超分辨率重构,生成高分辨率目标图片;
融合处理所述高分辨率背景图片和所述高分辨率目标图片,生成高分辨率监控图像。
2.根据权利要求1所述的由模糊监控视频重建高分辨率图像的方法,其特征在于,所述获取模糊监控视频,根据所述模糊监控视频生成多个模糊监控图片,并对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片具体包括以下步骤:
获取模糊监控视频;
对所述模糊监控视频进行逐帧化处理,得到多个模糊监控图片;
对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片。
3.根据权利要求2所述的由模糊监控视频重建高分辨率图像的方法,其特征在于,所述对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片具体包括以下步骤:
通过高斯混合模型对多个所述模糊监控图片进行运动物体的识别与剔除,生成多个模糊背景图片;
对连续的两帧模糊监控图片进行图像数据差分处理,获取差分相减的差分绝对值;
将所述差分绝对值与预设阈值进行比较,将所述差分绝对值大于预设阈值的像素点进行赋值,构建运动物体的多个模糊目标图片。
4.根据权利要求3所述的由模糊监控视频重建高分辨率图像的方法,其特征在于,所述通过高斯混合模型对多个所述模糊监控图片进行运动物体的识别与剔除,生成多个模糊背景图片具体包括以下步骤:
对多个所述模糊监控图片进行灰度级分布统计,生成多个灰度直方图;
根据所述灰度直方图构建高斯模型;
将所述模糊监控图片中的像素点与高斯模型的距离进行比较;
将距离大于预设标准值的像素点标记为运动物体,并进行剔除,生成多个模糊背景图片。
5.根据权利要求1所述的由模糊监控视频重建高分辨率图像的方法,其特征在于,所述对多个所述模糊背景图片进行图像增强、图像复原和超分辨率重构,生成高分辨率背景图片具体包括以下步骤:
通过多个组合算法对多个所述模糊背景图片分别进行图像增强处理,生成多个增强背景图片;
对多个所述增强背景图片分别进行图像复原处理,生成多个复原背景图片;
对多个所述复原背景图片进行超分辨率重构,生成高分辨率背景图片。
6.根据权利要求1所述的由模糊监控视频重建高分辨率图像的方法,其特征在于,所述对多个所述模糊目标图片进行图像增强、图像复原和超分辨率重构,生成高分辨率目标图片具体包括以下步骤:
通过多个组合算法对多个所述模糊目标图片分别进行图像增强处理,生成多个增强目标图片;
对多个所述增强目标图片分别进行图像复原处理,生成多个复原目标图片;
对多个所述复原目标图片进行超分辨率重构,生成高分辨率目标图片。
7.根据权利要求1所述的由模糊监控视频重建高分辨率图像的方法,其特征在于,所述融合处理所述高分辨率背景图片和所述高分辨率目标图片,生成高分辨率监控图像具体包括以下步骤:
根据所述高分辨率背景图片和所述高分辨率目标图片构建像素坐标系;
获取所述高分辨率目标图片的轮廓坐标;
根据所述轮廓坐标,将所述高分辨率目标图片与所述高分辨率背景图片融合,生成高分辨率监控图像。
8.一种由模糊监控视频重建高分辨率图像的系统,其特征在于,所述系统包括背景目标生成单元、背景图片处理单元、目标图片处理单元和图片融合处理单元,其中:
背景目标生成单元,用于获取模糊监控视频,根据所述模糊监控视频生成多个模糊监控图片,并对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片;
背景图片处理单元,用于对多个所述模糊背景图片进行图像增强、图像复原和超分辨率重构,生成高分辨率背景图片;
目标图片处理单元,用于对多个所述模糊目标图片进行图像增强、图像复原和超分辨率重构,生成高分辨率目标图片;
图片融合处理单元,用于融合处理所述高分辨率背景图片和所述高分辨率目标图片,生成高分辨率监控图像。
9.根据权利要求8所述的由模糊监控视频重建高分辨率图像的系统,其特征在于,所述背景目标生成单元具体包括:
视频获取模块,用于获取模糊监控视频;
逐帧化处理模块,用于对所述模糊监控视频进行逐帧化处理,得到多个模糊监控图片;
背景目标生成模块,用于对多个所述模糊监控图片进行自适应高斯混合背景建模帧差处理,生成多个模糊背景图片和多个模糊目标图片。
10.根据权利要求9所述的由模糊监控视频重建高分辨率图像的系统,其特征在于,所述背景目标生成模块具体包括:
运动物体剔除子模块,用于通过高斯混合模型对多个所述模糊监控图片进行运动物体的识别与剔除,生成多个模糊背景图片;
图像差分处理子模块,用于对连续的两帧模糊监控图片进行图像数据差分处理,获取差分相减的差分绝对值;
模糊目标图片构建子模块,用于将所述差分绝对值与预设阈值进行比较,将所述差分绝对值大于预设阈值的像素点进行赋值,构建运动物体的多个模糊目标图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111541295.XA CN114170090A (zh) | 2021-12-16 | 2021-12-16 | 一种由模糊监控视频重建高分辨率图像的方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111541295.XA CN114170090A (zh) | 2021-12-16 | 2021-12-16 | 一种由模糊监控视频重建高分辨率图像的方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170090A true CN114170090A (zh) | 2022-03-11 |
Family
ID=80486954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111541295.XA Withdrawn CN114170090A (zh) | 2021-12-16 | 2021-12-16 | 一种由模糊监控视频重建高分辨率图像的方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170090A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912426A (zh) * | 2023-09-11 | 2023-10-20 | 山东迈尔医疗科技有限公司 | 一种基于图像处理的义齿模型生成系统 |
-
2021
- 2021-12-16 CN CN202111541295.XA patent/CN114170090A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912426A (zh) * | 2023-09-11 | 2023-10-20 | 山东迈尔医疗科技有限公司 | 一种基于图像处理的义齿模型生成系统 |
CN116912426B (zh) * | 2023-09-11 | 2023-11-21 | 山东迈尔医疗科技有限公司 | 一种基于图像处理的义齿模型生成系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569721B (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN110490078B (zh) | 监控视频处理方法、装置、计算机设备和存储介质 | |
Yousif et al. | Fast human-animal detection from highly cluttered camera-trap images using joint background modeling and deep learning classification | |
US9619696B2 (en) | Duplicate reduction for face detection | |
JP6362333B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN111242128B (zh) | 目标检测方法、装置、计算机可读存储介质和计算机设备 | |
CN111401205A (zh) | 动作识别方法及装置、电子设备、计算机可读存储介质 | |
JP2018010621A (ja) | 画像の背景差分に用いられる背景モデルを更新する方法及び装置 | |
WO2014004901A1 (en) | Unsupervised learning of feature anomalies for a video surveillance system | |
EP3016383A1 (en) | Method, device, and system for pre-processing a video stream for subsequent motion detection processing | |
CN108710837A (zh) | 吸烟行为识别方法、装置、计算机设备和存储介质 | |
CN111241938A (zh) | 基于图像校验的人脸识别方法、装置和计算机设备 | |
CN111696064B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111192241A (zh) | 一种人脸图像的质量评估方法、装置及计算机存储介质 | |
Bagiwa et al. | Digital video inpainting detection using correlation of hessian matrix | |
CN111462178A (zh) | 基于热成像的活体流向检测方法、装置、设备及存储介质 | |
CN111488779B (zh) | 视频图像超分辨率重建方法、装置、服务器及存储介质 | |
CN110348425B (zh) | 去底纹的方法、装置、设备及计算机可读存储介质 | |
CN114170090A (zh) | 一种由模糊监控视频重建高分辨率图像的方法与系统 | |
US9818178B1 (en) | Method and system for detection of ghosting artifact in a video | |
CN111445487A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN111091146A (zh) | 图片相似度获取方法、装置、计算机设备及存储介质 | |
Kaur et al. | Automated Multimodal image fusion for brain tumor detection | |
CN113888438A (zh) | 图像处理方法、装置及存储介质 | |
CN111460944A (zh) | 一种基于热成像的活体识别方法、装置、设备及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220311 |