CN114283293A - 一种红外目标检测虚警抑制方法 - Google Patents
一种红外目标检测虚警抑制方法 Download PDFInfo
- Publication number
- CN114283293A CN114283293A CN202111546599.5A CN202111546599A CN114283293A CN 114283293 A CN114283293 A CN 114283293A CN 202111546599 A CN202111546599 A CN 202111546599A CN 114283293 A CN114283293 A CN 114283293A
- Authority
- CN
- China
- Prior art keywords
- target
- detection
- monitoring video
- false alarm
- false
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例涉及目标检测技术领域,具体公开了一种红外目标检测虚警抑制方法。本发明实施例通过灰度投影法对监控视频中的显著建筑物进行第一次检测剔虚警;使用平行直线段密度对监控视频中的显著建筑物进行第二次检测剔虚警;对监控视频中的多帧目标进行轨迹关联去虚警;对监控视频中的疑似目标采取管道滤波轨迹外推去虚警;通过两级投票法确定监控视频中的最终目标。能够针对目标小,轮廓不清晰,没有纹理信息的情况,综合使用目标的有限信息和邻域信息,利用目标的轨迹信息,对目标进行识别和剔伪,提高识别准确率和实时性。
Description
技术领域
本发明属于目标检测技术领域,尤其涉及一种红外目标检测虚警抑制方法。
背景技术
现有的红外目标检测通常采用以下三种方法:一、利用分块匹配算法,对视频序列的前后两帧进行匹配,匹配后利用前后两帧进行差分,得到运动目标。但是,这种算法对匹配精度要求极高,一旦匹配错误或者匹配精度较低,则会产生大量的虚警,并且在目标不运动时,该方法失效;二、利用深度学习框架YOLO v3,对红外目标进行检测识别,由于识别的目标小、对比度低,因此该算法的识别概率只有70%;三、使用线性拉伸法,对图像进行对比度增强,然后使用边缘检测算法,检测出目标的轮廓,利用轮廓信息,检测目标,这种方法对于面积较小的车辆目标,识别率低,虚警率高。
发明内容
本发明实施例的目的在于提供一种红外目标检测虚警抑制方法,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:
一种红外目标检测虚警抑制方法,所述方法具体包括以下步骤:
通过灰度投影法对监控视频中的显著建筑物进行第一次检测剔虚警;
使用平行直线段密度对监控视频中的显著建筑物进行第二次检测剔虚警;
对监控视频中的多帧目标进行轨迹关联去虚警;
对监控视频中的疑似目标采取管道滤波轨迹外推去虚警;
通过两级投票法确定监控视频中的最终目标。
作为本发明实施例技术方案进一步的限定,所述通过灰度投影法对监控视频中的显著建筑物进行第一次检测剔虚警具体包括以下步骤:
获取所述监控视频中的背景图像;
将所述背景图像向X方向投影,将所有Y坐标值相同的点的灰度累加后求均值,得到灰度均值;
将所述灰度均值与全图灰度值进行比较,并将灰度均值为全图灰度均值1.3倍及以上X方向的投影标记为显著建筑物进行剔除。
作为本发明实施例技术方案进一步的限定,所述使用平行直线段密度对监控视频中的显著建筑物进行第二次检测剔虚警具体包括以下步骤:
利用sobel算法对所述背景图像进行图像边缘检测与提取;
利用Hough变换进行直线检测,得到建筑物的直线段集合;
通过计算直线段集合的直线密度,确定建筑物区域范围;
将所述建筑物区域范围剔除。
作为本发明实施例技术方案进一步的限定,所述对监控视频中的多帧目标进行轨迹关联去虚警具体包括以下步骤:
获取所述监控视频的多帧图像;
对多帧图像中的同一目标进行确认,确认的依据包括候选目标的面积、亮度和位置;
对于多帧图像进行目标轨迹关联,将无法关联的候选目标剔除。
作为本发明实施例技术方案进一步的限定,所述对监控视频中的疑似目标采取管道滤波轨迹外推去虚警具体包括以下步骤:
对于多帧图像中的目标物进行识别;
若所述目标物在连续的5帧范围内出现3次以上,则被确认为是真实目标;
若所述目标物在连续的5帧范围内出现3次及以下,则被确认为是虚假目标进行排除。
作为本发明实施例技术方案进一步的限定,所述通过两级投票法确定监控视频中的最终目标具体包括以下步骤:
对所述定监控视频中的候选目标进行标记;
利用候选目标的亮度、对比度和面积信息进行第一轮投票并统分;
将所有候选目标两两比较后,得分最高的两个候选目标进行第二轮投票,得分高的候选目标即为需要截获的最终目标。
作为本发明实施例技术方案进一步的限定,所述通过两级投票法确定监控视频中的最终目标还包括以下步骤:
通过多个弱分类器,剔除一部分监控视频中的虚假目标。
与现有技术相比,本发明的有益效果是:
本发明实施例灰度投影法对监控视频中的显著建筑物进行第一次检测剔虚警;使用平行直线段密度对监控视频中的显著建筑物进行第二次检测剔虚警;对监控视频中的多帧目标进行轨迹关联去虚警;对监控视频中的疑似目标采取管道滤波轨迹外推去虚警;通过两级投票法确定监控视频中的最终目标。能够针对目标小,轮廓不清晰,没有纹理信息的情况,综合使用目标的有限信息和邻域信息,利用目标的轨迹信息,对目标进行识别和剔伪,提高识别准确率和实时性。
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第一次检测剔虚警的流程图。
图3示出了本发明实施例提供的方法中第二次检测剔虚警的流程图。
图4示出了本发明实施例提供的方法中轨迹关联去虚警的流程图。
图5示出了本发明实施例提供的方法中管道滤波轨迹外推去虚警的流程图。
图6示出了本发明实施例提供的方法中两级投票法确定最终目标的流程图。
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。
图1示出了本发明实施例提供的方法的流程图。
具体的,一种红外目标检测虚警抑制方法,所述方法具体包括以下步骤:
步骤S101,通过灰度投影法对监控视频中的显著建筑物进行第一次检测剔虚警。
在本发明实施例中,灰度投影法主要针对数据集中可能有大片建筑物,建筑物的高频分量会带来大量虚警,因此使用灰度投影法可以初步判断是否有大片建筑物。获取监控视频中的背景图像,将背景图像X方向投影,将所有Y坐标值相同的点的灰度和累加后求均值,然后与全图灰度均值进行比较。灰度均值为全图灰度均值1.3倍及以上的X方向的投影,认为是可能存在显著建筑物,在显著建筑物区域内的可疑目标,将其作为虚假目标进行剔除。
具体的,图2示出了本发明实施例提供的方法中第一次检测剔虚警的流程图。
其中,在本发明提供的优选实施方式中,所述通过灰度投影法对监控视频中的显著建筑物进行第一次检测剔虚警具体包括以下步骤:
步骤S1011,获取所述监控视频中的背景图像。
步骤S1012,将所述背景图像向X方向投影,将所有Y坐标值相同的点的灰度累加后求均值,得到灰度均值。
步骤S1013,将所述灰度均值与全图灰度值进行比较,并将灰度均值为全图灰度均值1.3倍及以上X方向的投影标记为显著建筑物进行剔除。
进一步的,所述红外目标检测虚警抑制方法还包括以下步骤:
步骤S102,使用平行直线段密度对监控视频中的显著建筑物进行第二次检测剔虚警。
在本发明实施例中,对某些建筑物,建筑物存在较多的平行直线,利用Hough变换,检测出直线,利用直线的密度,对建筑物进行第二次检测。具体的,图像的边缘即为图像中灰度变化剧烈的位置,可以对图像进行差分运算获得图像的梯度。Sobel算子垂直方向和水平方向的模板如图5所示,前者可以检测出图像中的水平方向的边缘,后者则可以检测图像中垂直方向的边缘。实际应用中,图像中的每一个像素点都用这两个卷积核进行卷积运算,对其求和作为输出。运算结果是一幅体现边缘幅度的图像。为了求取的边缘完整,对于边缘求取的阈值进行自适应设置。求取整帧图像的灰度均值和灰度方差,将边缘阈值THRESH设置为灰度均值减去三倍标准差,即可实现自适应提取边缘。通过Sobel边缘提取和Hough变换,可以获得建筑物的直线段集合。连片建筑存在大量方向近乎平行的直线段,通过计算大量平行直线的密度,即可最终确定连片建筑物的位置。确定建筑物区域范围,将该区域中的候选目标从候选目标链表中删除。
具体的,图3示出了本发明实施例提供的方法中第二次检测剔虚警的流程图。
其中,在本发明提供的优选实施方式中,所述使用平行直线段密度对监控视频中的显著建筑物进行第二次检测剔虚警具体包括以下步骤:
步骤S1021,利用sobel算法对所述背景图像进行图像边缘检测与提取.
可以理解的是,sobel算法是计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度,常见的应用和物理意义是边缘检测。索贝尔算子是把图像中每个像素的上下左右四领域的灰度值加权差,在边缘处达到极值从而检测边缘。
步骤S1022,利用Hough变换进行直线检测,得到建筑物的直线段集合。
可以理解的是,Hough变换的基本原理是将影像空间中的曲线(包括直线)变换到参数空间中,通过检测参数空间中的极值点,确定出该曲线的描述参数,从而提取影像中的规则曲线。
步骤S1023,通过计算直线段集合的直线密度,确定建筑物区域范围。
步骤S1024,将所述建筑物区域范围剔除。
进一步的,所述红外目标检测虚警抑制方法还包括以下步骤:
步骤S103,对监控视频中的多帧目标进行轨迹关联去虚警。
在本发明实施例中,将监控视频进行逐帧化,在多帧图像中可能检测出同一目标,因此需要对多帧目标进行轨迹关联,利用目标空间连续性,提高检测概率,剔除虚警。
具体的,图4示出了本发明实施例提供的方法中轨迹关联去虚警的流程图。
其中,在本发明提供的优选实施方式中,所述对监控视频中的多帧目标进行轨迹关联去虚警具体包括以下步骤:
步骤S1031,获取所述监控视频的多帧图像。
步骤S1032,对多帧图像中的同一目标进行确认,确认的依据包括候选目标的面积、亮度和位置。
步骤S1033,对于多帧图像进行目标轨迹关联,将无法关联的候选目标剔除。
进一步的,所述红外目标检测虚警抑制方法还包括以下步骤:
步骤S104,对监控视频中的疑似目标采取管道滤波轨迹外推去虚警。
在本发明实施例中,在监控视频的多帧图像中,如果被检测出的目标在连续的5帧范围内出现3次以上,将被确认为是真实目标,不满足此条件则可被认为属于虚假目标进行排除。管道滤波能解决单帧检测失败问题及目标短时丢失问题。对于某一候选目标出现短时丢失,则利用轨迹外推算法对候选目标进行轨迹外推。
具体的,图5示出了本发明实施例提供的方法中管道滤波轨迹外推去虚警的流程图。
其中,在本发明提供的优选实施方式中,所述对监控视频中的疑似目标采取管道滤波轨迹外推去虚警具体包括以下步骤:
步骤S1041,对于多帧图像中的目标物进行识别。
步骤S1042,若所述目标物在连续的5帧范围内出现3次以上,则被确认为是真实目标。
步骤S1043,若所述目标物在连续的5帧范围内出现3次及以下,则被确认为是虚假目标进行排除。
进一步的,所述红外目标检测虚警抑制方法还包括以下步骤:
步骤S105,通过两级投票法确定监控视频中的最终目标。
在本发明实施例中,首先进行第一轮投票,利用候选目标的亮度、对比度和面积信息作为投票依据,亮度高、对比度强或者面积大的候选目标得分增加。对所有的候选目标进行两两之间的比较;三个投票依据分别比较,如候选目标1高于候选目标2,则候选目标1得分加一分,反之,候选目标2得分加一分。所有候选目标两两比较后,得分最高的两个候选目标进行第二轮投票。将这两个候选目标的亮度、对比度和面积之间进行比较,得分高的候选目标即为需要截获的目标。
具体的,图6示出了本发明实施例提供的方法中两级投票法确定最终目标的流程图。
其中,在本发明提供的优选实施方式中,所述通过两级投票法确定监控视频中的最终目标具体包括以下步骤:
步骤S1051,对所述定监控视频中的候选目标进行标记。
步骤S1052,利用候选目标的亮度、对比度和面积信息进行第一轮投票并统分。
步骤S1053,将所有候选目标两两比较后,得分最高的两个候选目标进行第二轮投票,得分高的候选目标即为需要截获的最终目标。
进一步的,在本发明的又一个实施例中,所述通过两级投票法确定监控视频中的最终目标还包括以下步骤:
通过多个弱分类器,剔除一部分监控视频中的虚假目标。
在本发明实施例中,过多个弱分类器,可以剔除一部分虚假目标,剩下的候选目标,使用两级投票法,选取概率最高的候选目标,作为需要截获的最终目标。
综上所述,本发明实施例能够针对目标小,轮廓不清晰,没有纹理信息的情况,综合使用目标的有限信息和邻域信息,利用目标的轨迹信息,对目标进行识别和剔伪,提高识别准确率和实时性。
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 (7)
1.一种红外目标检测虚警抑制方法,其特征在于,所述方法具体包括以下步骤:
通过灰度投影法对监控视频中的显著建筑物进行第一次检测剔虚警;
使用平行直线段密度对监控视频中的显著建筑物进行第二次检测剔虚警;
对监控视频中的多帧目标进行轨迹关联去虚警;
对监控视频中的疑似目标采取管道滤波轨迹外推去虚警;
通过两级投票法确定监控视频中的最终目标。
2.根据权利要求1所述的红外目标检测虚警抑制方法,其特征在于,所述通过灰度投影法对监控视频中的显著建筑物进行第一次检测剔虚警具体包括以下步骤:
获取所述监控视频中的背景图像;
将所述背景图像向X方向投影,将所有Y坐标值相同的点的灰度累加后求均值,得到灰度均值;
将所述灰度均值与全图灰度值进行比较,并将灰度均值为全图灰度均值1.3倍及以上X方向的投影标记为显著建筑物进行剔除。
3.根据权利要求2所述的红外目标检测虚警抑制方法,其特征在于,所述使用平行直线段密度对监控视频中的显著建筑物进行第二次检测剔虚警具体包括以下步骤:
利用sobel算法对所述背景图像进行图像边缘检测与提取;
利用Hough变换进行直线检测,得到建筑物的直线段集合;
通过计算直线段集合的直线密度,确定建筑物区域范围;
将所述建筑物区域范围剔除。
4.根据权利要求1所述的红外目标检测虚警抑制方法,其特征在于,所述对监控视频中的多帧目标进行轨迹关联去虚警具体包括以下步骤:
获取所述监控视频的多帧图像;
对多帧图像中的同一目标进行确认,确认的依据包括候选目标的面积、亮度和位置;
对于多帧图像进行目标轨迹关联,将无法关联的候选目标剔除。
5.根据权利要求4所述的红外目标检测虚警抑制方法,其特征在于,所述对监控视频中的疑似目标采取管道滤波轨迹外推去虚警具体包括以下步骤:
对于多帧图像中的目标物进行识别;
若所述目标物在连续的5帧范围内出现3次以上,则被确认为是真实目标;
若所述目标物在连续的5帧范围内出现3次及以下,则被确认为是虚假目标进行排除。
6.根据权利要求1所述的红外目标检测虚警抑制方法,其特征在于,所述通过两级投票法确定监控视频中的最终目标具体包括以下步骤:
对所述定监控视频中的候选目标进行标记;
利用候选目标的亮度、对比度和面积信息进行第一轮投票并统分;
将所有候选目标两两比较后,得分最高的两个候选目标进行第二轮投票,得分高的候选目标即为需要截获的最终目标。
7.根据权利要求6所述的红外目标检测虚警抑制方法,其特征在于,所述通过两级投票法确定监控视频中的最终目标还包括以下步骤:
通过多个弱分类器,剔除一部分监控视频中的虚假目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111546599.5A CN114283293A (zh) | 2021-12-16 | 2021-12-16 | 一种红外目标检测虚警抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111546599.5A CN114283293A (zh) | 2021-12-16 | 2021-12-16 | 一种红外目标检测虚警抑制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114283293A true CN114283293A (zh) | 2022-04-05 |
Family
ID=80872720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111546599.5A Pending CN114283293A (zh) | 2021-12-16 | 2021-12-16 | 一种红外目标检测虚警抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114283293A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394026A (zh) * | 2022-07-15 | 2022-11-25 | 安徽电信规划设计有限责任公司 | 一种基于5g技术的智能监控方法及系统 |
-
2021
- 2021-12-16 CN CN202111546599.5A patent/CN114283293A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394026A (zh) * | 2022-07-15 | 2022-11-25 | 安徽电信规划设计有限责任公司 | 一种基于5g技术的智能监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944427B (zh) | 动态人脸识别方法及计算机可读存储介质 | |
CN110930377B (zh) | 一种基于多任务学习的排水管道异常类型自动检测方法 | |
CN111191532A (zh) | 基于施工区域的人脸识别方法、装置、计算机设备 | |
CN114782330B (zh) | 基于人工智能的炉排异常检测方法及系统 | |
CN111753794B (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN112597928B (zh) | 一种事件检测方法及相关装置 | |
CN110738237A (zh) | 缺陷分类的方法、装置、计算机设备和存储介质 | |
CN114283293A (zh) | 一种红外目标检测虚警抑制方法 | |
CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
CN113487607A (zh) | 基于多视场图像的缺陷检测方法及装置 | |
CN111738120A (zh) | 人物识别方法、装置、电子设备及存储介质 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN115880481A (zh) | 一种基于边缘轮廓的曲线定位算法及系统 | |
CN108664853B (zh) | 人脸检测方法及装置 | |
CN115796660A (zh) | 一种基于大数据的制造业产品质量监测方法及系统 | |
CN115759964A (zh) | 一种投标文件通用资格验证的方法、系统及设备 | |
CN115272952A (zh) | 新能源基建的安全监控方法、装置、系统和存储介质 | |
CN115761842A (zh) | 一种人脸底库自动更新方法、装置 | |
CN108960181A (zh) | 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法 | |
CN112307916A (zh) | 一种基于可见光摄像机的报警监控方法 | |
CN112381058A (zh) | 基于行人重识别的黑白名单管控方法及设备 | |
CN116894102B (zh) | 毫米波成像视频流的过滤方法、装置、设备、存储介质 | |
US20230169762A1 (en) | Method for optimizing detection of abnormalities in images, terminal device, and computer readable storage medium applying the method | |
CN114220142B (zh) | 一种深度学习算法的人脸特征识别方法 | |
CN114663750B (zh) | 一种基于机器视觉与深度学习的海缆填充条断裂识别方法 |
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 |