CN114463389A - 一种运动目标检测方法以及检测系统 - Google Patents
一种运动目标检测方法以及检测系统 Download PDFInfo
- Publication number
- CN114463389A CN114463389A CN202210389058.4A CN202210389058A CN114463389A CN 114463389 A CN114463389 A CN 114463389A CN 202210389058 A CN202210389058 A CN 202210389058A CN 114463389 A CN114463389 A CN 114463389A
- Authority
- CN
- China
- Prior art keywords
- image
- foreground
- image sequence
- carrying
- moving object
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000005540 biological transmission Effects 0.000 claims abstract description 33
- 238000005286 illumination Methods 0.000 claims abstract description 30
- 230000035945 sensitivity Effects 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000015654 memory Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G06T5/94—
-
- 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
- G06T7/10—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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20224—Image 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
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
本发明适用于图像数据处理技术领域,提供了一种运动目标检测方法,所述方法包括以下步骤:获取输电线路监控图像序列;对获取到的监控图像序列进行光照均衡预处理;对预处理后的图像通过自适应敏感度阈值前景分割进行前景目标的提取;通过对图像序列中两个连续图像的前景目标进行差分运算,并进行二值化与形态学滤波处理,提取出运动目标。本发明实施例提供的运动目标检测方法采用背景变化自适应敏感度前景分割方法解决了输电线路监控视频存在的背景扰动大、随机噪声多、光照变化大等前景难以分割的问题,实现了在输电线路重点监控区域对异常运动目标进行检测并预警,能有效避免重大电力生产安全事故。本发明还提供了运动目标检测系统。
Description
技术领域
本发明实施例属于图像数据处理技术领域,尤其涉及一种运动目标检测方法以及检测系统。
背景技术
输电线路是我国能源互联网最重要的基础设施之一,其运行状态的安全稳定是电能传输的重要前提。近年来电网的外部环境日趋恶化,使得电网安全面临严峻考验。目前,输电线路排查异物主要有两种方法:人工巡检和无人机巡检。对巡检工人来说,不仅危险系数高、劳动强度大,而且由于人员素质参差不齐,漏检误检事件时有发生,使得巡检效率低下。无人机空中飞行视野比较全面,相对于人工巡查的视野范围大了许多,并且无人机的速度,比起人工快了太多,无人机能充分发挥视野广、机动性好、时效性强、巡查范围广的优点。但是无人飞行器传回的大量图像数据还是需要人为地判断线路上是否存在异物,因此导致了这种方法的局限性。
随着计算机视觉和深度学习的发展,输电线路的异常目标检测方法应运而生,甚至成为了目标检测领域研究的热点。运动目标检测通常通过对视频或者是监控图像序列分析进行实现,现基于输电线路监控图像序列中的运动目标检测主要有以下几个方面的不足:
1、输电线路监控采用按照一定时间间隔进行拍摄获取图像序列的模式,不同于传统的基于视频的运动目标检测,由于帧数少、在一定间隔时间内背景变化可能较大,信息关联少,导致背景建模难度大。
2、如今采用深度学习方法进行移动目标识别过程复杂,系统开销大,而移动设备相对于个人计算机或云服务器来说性能将成为瓶颈;
3、传统基于图像序列的采用帧间差法,利用目标图像与背景模型做比较做差分,得到运动目标,在实际操作中常采用中值滤波的方法进行图像滤波后进行帧间差法,该方法具有较高的准确度,是对连续的序列都做中值运算,得到这些序列的中值,然后将得到的数据当作背景模型,该方法也有一些缺点,针对非视频源的监控图像序列,检测的成功率和准确率往往较低,同时,该方法对内存的耗损也比较严重,计算量较大,而且在室外光照环境下,容易受到光照的影响,导致最终结果不太准确。
发明内容
本发明实施例的目的在于提供一种运动目标检测方法以及检测系统,旨在解决输电线路监控视频存在的背景扰动大、随机噪声多、光照变化大等前景难以分割的问题。为实现上述目的,本发明实施例是这样实现的:
在本发明提供的一个优选实施例中,一种运动目标检测方法,所述方法包括以下步骤:
获取输电线路监控图像序列;
对获取到的监控图像序列进行光照均衡预处理;
对预处理后的图像通过自适应敏感度阈值前景分割进行前景目标的提取;
通过对图像序列中两个连续图像的前景目标进行差分运算,并进行二值化与形态学滤波处理,提取出运动目标。
作为本发明优选实施例技术方案的进一步限定,所述对获取到的监控图像序列进行光照均衡预处理包括:
将图像序列进行分解处理,得到携带图像细节信息的目标物体的反射分量;
将所述反射分量取对数,变换到对数域;
基于单尺度Retinex算法将转化为对数域的反射分量进行卷积运算。
作为本发明优选实施例技术方案的进一步限定,所述将图像序列进行分解处理的步骤采用如下公式:
公式(1)中:S(x,y)代表被观察或照相机接收到的图像信号;L(x,y)代表环境光的照射分量,R(x,y)表示携带图像细节信息的目标物体的反射分量。
作为本发明优选实施例技术方案的进一步限定,所述将所述反射分量取对数,变换到对数域的步骤采用如下公式:
根据公式(1)、公式(2)读入原图S(x,y),将图像每个像素的灰度值由整数值转换为浮点数,并转换到对数域;若输入是彩图,将图像的每个颜色分类分别处理,将每个分量的像素值由整数值转换为浮点数,并转换到对数域中。
作为本发明优选实施例技术方案的进一步限定,所述基于单尺度Retinex算法将转化为对数域的反射分量进行卷积运算的步骤采用如下公式:
公式(3)中:(x,y)为输出图像,*为卷积运算符号,F(x,y)为中心环绕函数,S(x,y)代表被观察或照相机接收到的图像信号,F(x,y)为中心环绕函数表示为:
作为本发明优选实施例技术方案的进一步限定,所述对预处理后的图像通过自适应敏感度阈值前景分割进行前景目标的提取的步骤包括:
采用基于非参考背景模型中的局部二元相似模式特征的适应和集成作为初始化模型;
提取图像中的每个像素点的局部二元相似模式特征,构建自适应敏感度阈值的背景建模;
使用像素级反馈循环完成图像序列的自动协调,通过像素级特征相似性,保留出前景的运动目标轮廓,提取前景目标。
作为本发明优选实施例技术方案的进一步限定,所述提取图像中的每个像素点的局部二元相似模式特征,构建自适应敏感度阈值的背景建模的步骤包括:
在进行前景检测时,需要进行颜色和纹理双重匹配判定,判定方式如下:
公式(6)中:Ft(x)= 1表示当前像素点x检测为前景,否则记为背景;#{.}表示像素点观测值与样本之间的距离小于给定距离阈值的样本数量; #min表示最小匹配数量;
作为本发明优选实施例技术方案的进一步限定,所述距离阈值R(x)的修正机制如下:
在本发明的另一个实施方式中,还提供了一种运动目标检测系统,所述系统包括:
图像获取单元,用于获取输电线路监控图像序列;
预处理单元,用于对获取到的监控图像序列进行光照均衡预处理;
前景目标提取单元,用于对预处理后的图像通过自适应敏感度阈值前景分割进行前景目标的提取;
运动目标提取单元,用于通过对图像序列中两个连续图像的前景目标进行差分运算,并进行二值化与形态学滤波处理,提取出运动目标。
与现有技术相比,本发明实施例提供的运动目标检测方法采用背景变化自适应敏感度前景分割方法解决了输电线路监控视频存在的背景扰动大、随机噪声多、光照变化大等前景难以分割的问题,实现了在输电线路重点监控区域对异常运动目标进行检测并预警,能有效避免重大电力生产安全事故的发生。该方法具有检测速度快、计算的系统开销小、可扩展优化等优点,同时采用了传统的数字图像处理方法,容易在边缘端进行移植实工程应用部署。
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为应用本发明公开的运动目标检测方法的实施例的示例性系统架构示意图。
图2为本发明实施例提供的一种运动目标检测方法的实现流程图;
图3为本发明实施例提供的一种运动目标检测方法的一个子流程图;
图4为本发明实施例提供的一种运动目标检测方法的另一个子流程图;
图5为本发明实施例提供的一种运动目标检测方法中输电线路下运动目标检测的效果图。
图6为本发明实施例提供的一种运动目标检测系统的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
运动目标检测通常通过对视频或者是监控图像序列分析进行实现,现基于输电线路监控图像序列中的运动目标检测主要有以下几个方面的不足:由于帧数少、在一定间隔时间内背景变化可能较大,信息关联少,导致背景建模难度大;采用深度学习方法进行移动目标识别过程复杂,系统开销大,而移动设备相对于个人计算机或云服务器来说性能将成为瓶颈;传统基于图像序列的采用帧间差法,利用目标图像与背景模型做比较做差分,得到运动目标,在实际操作中常采用中值滤波的方法进行图像滤波后进行帧间差法,该方法具有较高的准确度,在室外光照环境下,容易受到光照的影响,导致最终结果不太准确。
为解决上述问题,本发明实施例提供了一种运动目标检测方法,该方法主要采用背景变化自适应敏感度前景分割方法解决了输电线路监控视频存在的背景扰动大、随机噪声多、光照变化大等前景难以分割的问题,实现了在输电线路重点监控区域对异常运动目标进行检测并预警,能有效避免重大电力生产安全事故的发生。该方法具有检测速度快、计算的系统开销小、可扩展优化等优点,同时采用了传统的数字图像处理方法,容易在边缘端进行移植实工程应用部署。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本发明公开的运动目标检测方法的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括检测设备101、网络102和服务器103。网络102可以是用以在检测设备101和服务器103之间提供通信链路的介质。
网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等。
检测设备101通过网络102与服务器103交互,以实现数据的传递。检测设备101可以是监控设备,如固定式摄像机、具有摄像功能的无人机等等,检测设备101安装在输电线路需要重点监控的区域,以获取输电线路监控图像序列。
检测设备101可以是硬件,也可以是软件。当检测设备101为硬件时,可以是具有通信功能的各种监控设备,包括但不限于摄像机、具有摄像功能的智能手机、具有摄像功能的平板电脑、具有摄像功能的无人机等等。当检测设备101为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器,例如对检测设备101上的摄像类应用支持的后台服务器。服务器103可以接收检测设备101发送的序列图像数据。然后,服务器103可以对序列图像数据进行处理,对图像中的运动目标进行提取。
需要说明的是,本公开实施例所提供的运动目标检测方法一般由服务器103执行,相应地,运动目标检测系统一般设置于服务器103中。可选的,本公开实施例所提供的运动目标检测方法也可以由检测设备101执行。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,在图1中所示的检测设备101、网络102和服务器103的数目仅仅是示意性的。根据实现需要,可以具有任意数目的检测设备101、网络102和服务器103。
以下结合具体实施例对本发明实施例提供的运动目标检测方法的具体实现进行详细描述。
图示出了为本发明实施例提供的一种运动目标检测方法的实现流程图;
在本发明提供的一个优选实施例中,一种运动目标检测方法,所述方法包括以下步骤:
步骤S200:获取输电线路监控图像序列;
步骤S300:对获取到的监控图像序列进行光照均衡预处理;
步骤S400:对预处理后的图像通过自适应敏感度阈值前景分割进行前景目标的提取;
步骤S500:通过对图像序列中两个连续图像的前景目标进行差分运算,并进行二值化与形态学滤波处理,提取出运动目标。
其中,本发明实施例通过在输电线路需要重点监控的区域安装监控设备以获取输电线路监控图像序列;由于输电线路背景复杂、光照变化大且室外物体存在反光等现象导致所获取的图像存在高光照区域,同时也会受天气影造成得监控成像质量差,高光区域会严重影响运动目标检测的准确率,成像质量差会直接导致目标漏检错检,故需在该发明中采用了改进的Retinex算法对获取到的监控图像序列做高光抑制预处理,校正图像光照不均以及阴雨、雾霾天气图像昏暗模糊等问题,消除对检测的干扰;由于目标运动与背景不变的特性,背景前景可采用差分的方式分离,故对经过预处理后的图像进行自适应敏感度阈值背景建模,得到背景模型;采用帧间差分法可能会因为运动目标的重叠部分会造成“空洞”等现象,故而在该发明中提出的方法基于非参考背景模型中的局部二元相似模式(LBSP)特征的适应和集成,然后使用像素级反馈循环完成图像序列的自动协调,通过像素级特征相似性,准确保留出前景的运动目标轮廓,结合建立的背景模型可得到分割图(Segmentation Map);本发明实施例通过分割图进行二值化处理可得到二进制掩膜图像,进而可以通过计算和分割得到序列图像中的运动目标。
图3示出了本发明实施例提供的运动目标检测方法的一个子流程图;本发明对获取到的监控图像序列进行光照均衡预处理的步骤包括:
步骤S301:将图像序列进行分解处理,得到携带图像细节信息的目标物体的反射分量;
其中,在本发明实施例中,所述将图像序列进行分解处理的步骤采用如下公式:
公式(1)中:S(x,y)代表被观察或照相机接收到的图像信号;L(x,y)代表环境光的照射分量,R(x,y)表示携带图像细节信息的目标物体的反射分量。
步骤S302:将所述反射分量取对数,变换到对数域,则可抛开入射光的性质得到物体的本来面貌,即有关系式 :
根据公式(1)、公式(2)读入原图S(x,y),将图像每个像素的灰度值由整数值转换为浮点数,并转换到对数域;若输入是彩图,将图像的每个颜色分类分别处理,将每个分量的像素值由整数值转换为浮点数,并转换到对数域中。
进一步的,在本发明提供的优选实施方式中,本发明对获取到的监控图像序列进行光照均衡预处理的步骤还包括:
步骤S303:基于单尺度Retinex算法将转化为对数域的反射分量进行卷积运算,其中,所述基于单尺度Retinex算法将转化为对数域的反射分量进行卷积运算的步骤采用如下公式:
公式(3)中:(x,y)为输出图像,*为卷积运算符号,F(x,y)为中心环绕函数,S(x,y)代表被观察或照相机接收到的图像信号,F(x,y)为中心环绕函数表示为:
因此,从式子可以知道,单尺度Retinex算法中的卷积可以看做是对空间中的照度图像的计算,它的物理意义可以表示为通过计算图像中像素点与周围区域在加权平均来估计图像中照度的变化,并将其去除,最后只保留图像中物体的反射属性,从而达到增强的目的。
因此,本发明对获取到的监控图像序列进行光照均衡预处理的简化步骤如下:A、输入: 原始图像数据I(x,y),尺度C(也就是所谓的中心环绕函数模糊的半径)。B、处理:(1)是计算原始图像按指定尺度进行模糊后的图像 L(x,y)。C、按照(2)式的计算方法计算出log[R(x,y)]的值。D、通过(3)式结合(4)(5)式量化为0到255范围的像素值,作为最终的输出。
图4示出了本发明实施例提供的运动目标检测方法的另一个子流程图;
作为本发明优选实施例技术方案的进一步限定,所述对预处理后的图像通过自适应敏感度阈值前景分割进行前景目标的提取的步骤包括:
步骤S401:采用基于非参考背景模型中的局部二元相似模式特征的适应和集成作为初始化模型;
步骤S402:提取图像中的每个像素点的局部二元相似模式特征,构建自适应敏感度阈值的背景建模;
步骤S403:使用像素级反馈循环完成图像序列的自动协调,通过像素级特征相似性,保留出前景的运动目标轮廓,提取前景目标。
其中,在本发明实施例中,采用基于非参考背景模型中的局部二元相似模式(LBSP)特征的适应和集成作为初始化模型,然后使用像素级反馈循环自动调谐。采用LBSP特征,当目标纹理与背景不同时,该方法可以提高检测伪装物体的几率,并且当所有局部颜色强度随时间同样变化时,甚至可以容忍照明变化。此外,这些特征具有非常低的计算成本,并且是足以直接使用在像素模型中的鉴别,而无需依赖于局部直方图。
进一步的,在本发明实施例中,所述提取图像中的每个像素点的局部二元相似模式特征,构建自适应敏感度阈值的背景建模的步骤包括:
基于上述模型的初始化方式,在进行前景检测时,需要进行颜色和纹理双重匹配判定,判定方式如下:
公式(6)中:Ft(x)= 1表示当前像素点x检测为前景,否则记为背景;#{.}表示像素点观测值与样本之间的距离小于给定距离阈值的样本数量; #min表示最小匹配数量;距离阈值R(x)是一个抽象值,实际前景检测时获取对应的颜色级阈值R(x)和纹理阈值R(x),具体的;
进一步的,自适应阈值模型更新,由于监控视频的复杂性学习得来的像素背景模型必须能够适应环境变化从而得到维护。距离阈值R(x)根据当前帧的检测结果自适应变化。当像素点x被分类为背景像素点后,有1/T(x)的概率用其替代对应模型中被随机选中的样本。对于特定应用程序找到最佳的值集需要时间以及对方法和数据集的良好知识。因此,考虑R和T像素级状态变量,并动态调整它们以避免这些参数化问题。对此使用了R(x)的修正机制。
其中:所述距离阈值R(x)的修正机制如下:
进一步的,经过图像增强与检测后,通过图像序列中两个连续图像的经过差分运算,进行二值化与形态学膨胀操作,最终可分割出目标。
图5为本发明实施例提供的一种运动目标检测方法中输电线路下运动目标检测的效果图,其中,图5左侧部分为图像序列中的一帧;图5右侧部分为二进制掩膜图像。
与现有技术相比,本发明实施例提供的运动目标检测方法采用背景变化自适应敏感度前景分割方法解决了输电线路监控视频存在的背景扰动大、随机噪声多、光照变化大等前景难以分割的问题,实现了在输电线路重点监控区域对异常运动目标进行检测并预警,能有效避免重大电力生产安全事故的发生。该方法具有检测速度快、计算的系统开销小、可扩展优化等优点,同时采用了传统的数字图像处理方法,容易在边缘端进行移植实工程应用部署。
图6为本发明实施例提供的运动目标检测系统的结构框图;
在本发明的另一个实施方式中,还提供了一种运动目标检测系统,所述检测系统600包括:
图像获取单元601,用于获取输电线路监控图像序列;
预处理单元602,用于对获取到的监控图像序列进行光照均衡预处理;
前景目标提取单元603,用于对预处理后的图像通过自适应敏感度阈值前景分割进行前景目标的提取;
运动目标提取单元604,用于通过对图像序列中两个连续图像的前景目标进行差分运算,并进行二值化与形态学滤波处理,提取出运动目标。
综上所述,本发明实施例提供的运动目标检测方法和检测系统不仅克服了光照不均、随机噪声多等缺点,同时基于颜色和纹理的时空信息,以在像素级模型中表征本地表示,保持了对大多数类型的照明变化(包括阴影)的鲁棒性;该方法还可以不断监控本地模型保真度和分段噪声,以前馈信息进行调整,允许快速响应间歇性动态背景运动。因此,可以有效地用于同时呈现许多不同挑战的复杂监视场景中,由于该方法相对简单并且在像素层面进行计算,因此它具有很多硬件和高速并行实现的潜力。
另外,本实施例还提供一种计算机可读存储介质,计算机可读存储介质可以为非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现上述实施例提供的运动目标检测方法的步骤。
其中,被处理器执行的所述运动目标检测方法包括以下步骤:
获取输电线路监控图像序列;
对获取到的监控图像序列进行光照均衡预处理;
对预处理后的图像通过自适应敏感度阈值前景分割进行前景目标的提取;
通过对图像序列中两个连续图像的前景目标进行差分运算,并进行二值化与形态学滤波处理,提取出运动目标。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
在本发明实施例的一个典型的配置中,终端、服务网络的设备和计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各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各实施例技术方案的范围。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开的实施例旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种运动目标检测方法,其特征在于,包括以下步骤:
获取输电线路监控图像序列;
对获取到的监控图像序列进行光照均衡预处理;
对预处理后的图像通过自适应敏感度阈值前景分割进行前景目标的提取;
通过对图像序列中两个连续图像的前景目标进行差分运算,并进行二值化与形态学滤波处理,提取出运动目标。
2.根据权利要求1所述的运动目标检测方法,其特征在于,所述对获取到的监控图像序列进行光照均衡预处理包括:
将图像序列进行分解处理,得到携带图像细节信息的目标物体的反射分量;
将所述反射分量取对数,变换到对数域;
基于单尺度Retinex算法将转化为对数域的反射分量进行卷积运算。
6.根据权利要求3-5任一所述的运动目标检测方法,其特征在于,所述对预处理后的图像通过自适应敏感度阈值前景分割进行前景目标的提取的步骤包括:
采用基于非参考背景模型中的局部二元相似模式特征的适应和集成作为初始化模型;
提取图像中的每个像素点的局部二元相似模式特征,构建自适应敏感度阈值的背景建模;
使用像素级反馈循环完成图像序列的自动协调,通过像素级特征相似性,保留出前景的运动目标轮廓,提取前景目标。
10.一种运动目标检测系统,其特征在于,所述系统包括:
图像获取单元,用于获取输电线路监控图像序列;
预处理单元,用于对获取到的监控图像序列进行光照均衡预处理;
前景目标提取单元,用于对预处理后的图像通过自适应敏感度阈值前景分割进行前景目标的提取;
运动目标提取单元,用于通过对图像序列中两个连续图像的前景目标进行差分运算,并进行二值化与形态学滤波处理,提取出运动目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210389058.4A CN114463389B (zh) | 2022-04-14 | 2022-04-14 | 一种运动目标检测方法以及检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210389058.4A CN114463389B (zh) | 2022-04-14 | 2022-04-14 | 一种运动目标检测方法以及检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463389A true CN114463389A (zh) | 2022-05-10 |
CN114463389B CN114463389B (zh) | 2022-07-22 |
Family
ID=81418642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210389058.4A Active CN114463389B (zh) | 2022-04-14 | 2022-04-14 | 一种运动目标检测方法以及检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463389B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272984A (zh) * | 2022-09-29 | 2022-11-01 | 江西电信信息产业有限公司 | 占道经营检测方法、系统、计算机及可读存储介质 |
CN115657580A (zh) * | 2022-12-14 | 2023-01-31 | 北京交科公路勘察设计研究院有限公司 | 基于组合算法的隧道消防水池监控方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354398A (zh) * | 2011-09-22 | 2012-02-15 | 苏州大学 | 基于密度中心与自适应的基因芯片处理方法 |
CN104077788A (zh) * | 2014-07-10 | 2014-10-01 | 中国科学院自动化研究所 | 融合颜色和纹理信息进行块背景建模的运动目标检测方法 |
US20150348274A1 (en) * | 2014-05-27 | 2015-12-03 | Stc. Unm | Incremental principal component pursuit for video background modeling |
CN105261037A (zh) * | 2015-10-08 | 2016-01-20 | 重庆理工大学 | 一种自适应复杂场景的运动目标检测方法 |
CN105678803A (zh) * | 2015-12-29 | 2016-06-15 | 南京理工大学 | 基于w4算法和帧间差分的视频监控目标检测方法 |
CN107133610A (zh) * | 2017-06-01 | 2017-09-05 | 电子科技大学 | 一种复杂路况下行车流量视觉检测与计数方法 |
-
2022
- 2022-04-14 CN CN202210389058.4A patent/CN114463389B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354398A (zh) * | 2011-09-22 | 2012-02-15 | 苏州大学 | 基于密度中心与自适应的基因芯片处理方法 |
US20150348274A1 (en) * | 2014-05-27 | 2015-12-03 | Stc. Unm | Incremental principal component pursuit for video background modeling |
CN104077788A (zh) * | 2014-07-10 | 2014-10-01 | 中国科学院自动化研究所 | 融合颜色和纹理信息进行块背景建模的运动目标检测方法 |
CN105261037A (zh) * | 2015-10-08 | 2016-01-20 | 重庆理工大学 | 一种自适应复杂场景的运动目标检测方法 |
CN105678803A (zh) * | 2015-12-29 | 2016-06-15 | 南京理工大学 | 基于w4算法和帧间差分的视频监控目标检测方法 |
CN107133610A (zh) * | 2017-06-01 | 2017-09-05 | 电子科技大学 | 一种复杂路况下行车流量视觉检测与计数方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272984A (zh) * | 2022-09-29 | 2022-11-01 | 江西电信信息产业有限公司 | 占道经营检测方法、系统、计算机及可读存储介质 |
CN115272984B (zh) * | 2022-09-29 | 2022-12-20 | 江西电信信息产业有限公司 | 占道经营检测方法、系统、计算机及可读存储介质 |
CN115657580A (zh) * | 2022-12-14 | 2023-01-31 | 北京交科公路勘察设计研究院有限公司 | 基于组合算法的隧道消防水池监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114463389B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114463389B (zh) | 一种运动目标检测方法以及检测系统 | |
CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及系统 | |
WO2021126531A1 (en) | Automated machine vision-based defect detection | |
CN111260684A (zh) | 基于帧差法和背景差分法结合的前景像素提取方法及系统 | |
CN112395972B (zh) | 一种基于无人机图像处理的电力系统绝缘子串识别方法 | |
JP2022103003A (ja) | 画像ヘイズ除去方法及びその方法を用いる画像ヘイズ除去装置 | |
CN111985314B (zh) | 一种基于ViBe与改进LBP的烟雾检测方法 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN109255799B (zh) | 一种基于空间自适应相关滤波器的目标跟踪方法及系统 | |
CN113129236A (zh) | 基于Retinex和卷积神经网络的单张低光照图像增强方法及系统 | |
CN116228780A (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN117392615B (zh) | 一种基于监控视频的异常识别方法及系统 | |
TWI425446B (zh) | 日夜環境物件偵測方法 | |
CN117218026A (zh) | 一种红外图像增强方法及装置 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN111652821A (zh) | 基于梯度信息的微光视频图像降噪处理方法、装置和设备 | |
Senthilkumar et al. | A review on haze removal techniques | |
CN116189037A (zh) | 一种火焰检测的识别方法、装置及终端设备 | |
CN110580706A (zh) | 一种视频背景模型的提取方法及装置 | |
Li et al. | Image object detection algorithm based on improved Gaussian mixture model | |
CN104732503B (zh) | 图像去雾增强方法和装置 | |
Huang et al. | Single image dehazing via color balancing and quad-decomposition atmospheric light estimation | |
CN117690096B (zh) | 一种适应不同场景的接触网安全巡检系统 | |
He et al. | Pipeline Image Dehazing Algorithm Based on Atmospheric Scattering Model and Multi-Scale Retinex Strategy | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 |
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 |