CN114674321A - 一种基于均方差比率的可见光图像的虚警判断方法 - Google Patents

一种基于均方差比率的可见光图像的虚警判断方法 Download PDF

Info

Publication number
CN114674321A
CN114674321A CN202210281168.9A CN202210281168A CN114674321A CN 114674321 A CN114674321 A CN 114674321A CN 202210281168 A CN202210281168 A CN 202210281168A CN 114674321 A CN114674321 A CN 114674321A
Authority
CN
China
Prior art keywords
mean square
image
sub
square error
error ratio
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
Application number
CN202210281168.9A
Other languages
English (en)
Inventor
何启斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Zhongke Lanxing Photoelectric Technology Co ltd
Original Assignee
Sichuan Zhongke Lanxing Photoelectric Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Zhongke Lanxing Photoelectric Technology Co ltd filed Critical Sichuan Zhongke Lanxing Photoelectric Technology Co ltd
Priority to CN202210281168.9A priority Critical patent/CN114674321A/zh
Publication of CN114674321A publication Critical patent/CN114674321A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于均方差比率的可见光图像的虚警判断方法，步骤a，将图像转为单通道的灰度图，并截取目标框内部区域作为子图；步骤b，对目标子图做拉普拉斯滤波，对滤波后子图求均方差stdI；步骤c，对目标子图求每个像素对应的梯度幅值,构成子图梯度幅值图；步骤d，对子图梯度幅值图进行拉普拉斯滤波，再求滤波后子图梯度幅值图的均方差stddivI；步骤e，求均方差比率R_std并判断是否小于均方差比率阈值Tr；本发明基于目标区域若冗余度高则均方差比率低，冗余度低则均方差比率高的特点，制定基于均方差比率的虚警判断机制。此方法鲁棒稳定，且不受子图局部的影响，呈现较好的数据分离性，是一个稳定好用的虚警判断方法。

Description

一种基于均方差比率的可见光图像的虚警判断方法
技术领域
本发明涉及光跟踪技术领域，具体是一种基于均方差比率的可见光图像的虚警判断方法。
背景技术
在实时跟瞄系统中，需要对捕获的结果和跟踪过程进行实时的虚警排除。主要包括以下三类方法:
一类是局部对比度方法，即LCM，其利用了HVS和DK model，其改进的数据分块型局部对比度也是基于此思想。
二类是进行区域显著性度量，其利用了信息熵，并进行二值分割，且定义相似性度量，去除视觉冗余区域。
三类是对目标区域计算均值或均方差，此方法容易受到子图的局部影响，效果有限。
基于以上总结，需要计算目标区域的内在性质对应的稳定不变量来进行虚警排除。另外，计算复杂度和运行时间也需要着重考虑，因为这直接影响到了图像跟踪时的效率。
发明内容
本发明的目的在于提供一种基于均方差比率的可见光图像的虚警判断方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于均方差比率的可见光图像的虚警判断方法，包括以下步骤：
步骤a，将图像转为单通道的灰度图，并截取目标框内部区域作为子图；
步骤b，对目标子图做拉普拉斯滤波，对滤波后子图求均方差stdI；
步骤c，对目标子图求每个像素对应的梯度幅值，构成子图梯度幅值图；
步骤d，对子图梯度幅值图进行拉普拉斯滤波再求滤波后子图梯度幅值图的均方差stddivI；
步骤e，求均方差比率R_std并判断是否小于均方差比率阈值Tr，从而判断此帧目标标识是否为虚警。
作为本发明进一步的方案：所述步骤a中，将图像转为单通道的灰度图，并截取目标框内部区域作为子图的计算方法为：
grayI＝G(I)
Isub＝grayI(WT,HT,CT)
其中，G(·)为灰度化操作，WT,HT,CT为目标框的宽、高、中心位置，grayI为灰度图像，Isub为所截取子图。
作为本发明再进一步的方案：所述步骤b中，对目标子图做拉普拉斯滤波，对滤波后子图求均方差stdI具体计算方法为：
用标准拉普拉斯掩膜
Figure BDA0003557021180000021
对子图Isub进行卷积
Ilap_sub＝Isub*w
其中，*是卷积(滑窗)，Ilap_sub指对子图进行Laplace滤波后的子图，
stdI＝std(Ilap_stb)
其中，std(·)是对图像求均方差。
作为本发明再进一步的方案：所述步骤c中，对目标子图求每个像素对应的梯度幅值，构成子图梯度幅值图的计算方法为：
Figure BDA0003557021180000022
G(x)＝I*A
G(y)＝I*B
其中，
Figure BDA0003557021180000023
即G(x)是原子图与A的卷积所成图像，
G(y)是原子图与B的卷积所成图像，
G为G(x)与G(y)对应像素位置值的平方和再开根。
作为本发明再进一步的方案：所述步骤d中,对子图梯度幅值图进行拉普拉斯滤波,再求滤波后子图梯度幅值图的均方差stddivI的计算方法为：
Glap＝G*w
Figure BDA0003557021180000031
stddivI＝std(Glap)
作为本发明再进一步的方案：所述步骤e中,求均方差比率R_std并判断是否小于均方差比率阈值Tr，从而判断此帧目标标识是否为虚警的判断方法为：
Figure BDA0003557021180000032
虚警 R_std＜Tr
非虚警 R_std≥Tr
与现有技术相比，本发明的有益效果是：
本发明基于目标区域若冗余度高则均方差比率低，冗余度低则均方差比率高的特点，制定基于均方差比率的虚警判断机制。此方法鲁棒稳定，且不受子图局部的影响，呈现较好的数据分离性，是一个稳定好用的虚警判断方法。
附图说明
图1为针对应用于跟瞄系统上基于均方差比率的可见光图像的虚警判断方法的流程结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明公开的应用于跟瞄系统基于均方差比率的可见光图像的虚警判断方法，包括以下步骤：
步骤a，将图像转为单通道的灰度图，截取目标框内部区域作为子图的计算方法为：
grayI＝G(I)
Isub＝grayI(WT,HT,CT)
其中，G(·)为灰度化操作，WT,HT,CT为目标框的宽、高、中心位置，grayI为灰度图像，Isub为所截取子图；
步骤b，对目标子图做拉普拉斯滤波，对滤波后子图求均方差stdI具体计算方法为：
用标准拉普拉斯掩膜
Figure BDA0003557021180000041
对子图Isub进行卷积
Ilap_sub＝Isub*w
其中，*是卷积(滑窗)，Ilap_sub指对子图进行Laplace滤波后的子图，
stdI＝std(Ilap_stb)
其中，std(·)是对图像求均方差；
步骤c，对目标子图求每个像素对应的梯度幅值形成子图梯度幅值图的计算方法为：
Figure BDA0003557021180000042
G(x)＝I*A
G(y)＝I*B
其中，
Figure BDA0003557021180000043
即G(x)是原子图与A的卷积所成图像，
G(y)是原子图与B的卷积所成图像，
G为G(x)与G(y)对应像素位置值的平方和再开根；
步骤d，对子图梯度幅值图进行拉普拉斯滤波，再求滤波后子图梯度幅值图的均方差stddivI的计算方法为：
Glap＝G*w
Figure BDA0003557021180000051
stddivI＝std(Glap)
步骤e，求均方差比率R_std并判断是否小于均方差比率阈值Tr，从而判断此帧目标标识是否为虚警的判断方法为：
Figure BDA0003557021180000052
虚警 R_std＜Tr
非虚警 R_std≥Tr
基于上述应用于瞄系统基于均方差比率的可见光图像的虚警判断方法，本发明公开一实施例。
实施例一:
在本实施例中，经过大量的实验验证和理论推导，确定均方差比率阈值Tr为1.2
在设定了以上参数后，方法即可以实现实时虚警判断，步骤如下：
步骤a，将图像转为单通道的灰度图，并截取目标框内部区域作为子图的计算方法为：
grayI＝G(I)
Isub＝grayI(WT,HT,CT)
其中，G(·)为灰度化操作，WT,HT,CT为目标框的宽、高、中心位置，grayI为灰度图像，Isub为所截取子图；
步骤b，对目标子图做拉普拉斯滤波，对滤波后子图求均方差stdI具体计算方法为：
用标准拉普拉斯掩膜
Figure BDA0003557021180000061
对子图Isub进行卷积
Ilap_sub＝Isub*w
其中，*是卷积(滑窗)，Ilap_sub指对子图进行Laplace滤波后的子图，
stdI＝std(Ilap_sub)
其中，std(·)是对图像求均方差；
步骤c，对目标子图求每个像素对应的梯度幅值形成子图梯度幅值图的计算方法为：
Figure BDA0003557021180000062
G(x)＝I*A
G(y)＝I*B
其中，
Figure BDA0003557021180000063
即G(x)是原子图与A的卷积所成图像，
G(y)是原子图与B的卷积所成图像，
G为G(x)与G(y)对应像素位置值的平方和再开根；
步骤d，对子图梯度幅值图进行拉普拉斯滤波，再求滤波后子图梯度幅值图的均方差stddivI的计算方法为：
Glap＝G*w
Figure BDA0003557021180000071
stddivI＝std(Glap)
步骤e，求均方差比率R_std并判断是否小于均方差比率阈值Tr，从而判断此帧目标标识是否为虚警的判断方法为：
Figure BDA0003557021180000072
虚警 R_std＜1.2
非虚警 R_std≥1.2
本发明基于目标区域若冗余度高则均方差比率低，冗余度低则均方差比率高的特点，制定基于均方差比率的虚警判断机制。与图像跟踪算法一起，做到了跟踪-捕获闭环的自我判断与纠正，有益于long-term track。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种基于均方差比率的可见光图像的虚警判断方法，其特征在于，包括以下步骤：
步骤a，将图像转为单通道的灰度图，并截取目标框内部区域作为子图；
步骤b，对目标子图做拉普拉斯滤波，对滤波后子图求均方差stdI；
步骤c，对目标子图求每个像素对应的梯度幅值，构成子图梯度幅值图；
步骤d，对子图梯度幅值图进行拉普拉斯滤波，再求滤波后子图梯度幅值图的均方差stddivI；
步骤e，求均方差比率R_std并判断是否小于均方差比率阈值Tr，从而判断此帧目标标识是否为虚警。
2.根据权利要求1所述的基于均方差比率的可见光图像的虚警判断方法，其特征在于，所述步骤a中，将图像转为单通道的灰度图，并截取目标框内部区域作为子图的计算方法为：
grayI＝G(I)
Isub＝grayI(WT,HT,GT)
其中，G(·)为灰度化操作，WT,HT,CT为目标框的宽、高、中心位置，
grayI为灰度图像，Isub为所截取子图。
3.根据权利要求1所述的基于均方差比率的可见光图像的虚警判断方法，其特征在于，所述步骤b中，对目标子图做拉普拉斯滤波，对滤波后子图求均方差stdI具体计算方法为：
用标准拉普拉斯掩膜
Figure FDA0003557021170000011
对子图Isub进行卷积
Ilap_sub＝Isub*w
其中，*是卷积(滑窗)，Ilap_sub指对子图进行Laplace滤波后的子图，
stdI＝std(Ilap_sub)
其中，std(·)是对图像求均方差。
4.根据权利要求1所述的基于均方差比率的可见光图像的虚警判断方法，其特征在于，所述步骤c中，对目标子图求每个像素对应的梯度幅值，构成子图梯度幅值图的计算方法为：
Figure FDA0003557021170000021
G(x)＝I*A
G(y)＝I*B
其中，
Figure FDA0003557021170000022
即G(x)是原子图与A的卷积所成图像，
G(y)是原子图与B的卷积所成图像，
G为G(x)与G(y)对应像素位置值的平方和再开根。
5.根据权利要求1所述的基于均方差比率的可见光图像的虚警判断方法，其特征在于，所述步骤d中,对子图梯度幅值图进行拉普拉斯滤波,再求滤波后子图梯度幅值图的均方差stddivI的计算方法为：
Glap＝G*w
Figure FDA0003557021170000023
stddivI＝std(Glap) 。
6.根据权利要求1所述的基于均方差比率的可见光图像的虚警判断方法，其特征在于，所述步骤e中,求均方差比率R_std并判断是否小于均方差比率阈值Tr，从而判断此帧目标标识是否为虚警的判断方法为：
Figure FDA0003557021170000024
虚警R_std<Tr
非虚警R_std≥Tr。
CN202210281168.9A 2022-03-21 2022-03-21 一种基于均方差比率的可见光图像的虚警判断方法 Pending CN114674321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210281168.9A CN114674321A (zh) 2022-03-21 2022-03-21 一种基于均方差比率的可见光图像的虚警判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210281168.9A CN114674321A (zh) 2022-03-21 2022-03-21 一种基于均方差比率的可见光图像的虚警判断方法

Publications (1)

Publication Number Publication Date
CN114674321A true CN114674321A (zh) 2022-06-28

Family

ID=82073814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210281168.9A Pending CN114674321A (zh) 2022-03-21 2022-03-21 一种基于均方差比率的可见光图像的虚警判断方法

Country Status (1)

Country Link
CN (1) CN114674321A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116736256A (zh) * 2023-08-11 2023-09-12 南京隼眼电子科技有限公司 雷达的识别方法、装置及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116736256A (zh) * 2023-08-11 2023-09-12 南京隼眼电子科技有限公司 雷达的识别方法、装置及电子设备
CN116736256B (zh) * 2023-08-11 2023-10-24 南京隼眼电子科技有限公司 雷达的识别方法、装置及电子设备

Similar Documents

Publication Publication Date Title
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
CN108647572B (zh) 一种基于霍夫变换的车道偏离预警方法
CN111080620B (zh) 一种基于深度学习的道路病害检测方法
CN107808378B (zh) 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法
CN109859227B (zh) 翻拍图像检测方法、装置、计算机设备及存储介质
CN111681240A (zh) 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法
CN111079817B (zh) 一种铁路货车横跨梁故障图像识别方法
CN107563330B (zh) 一种监控视频中的水平倾斜车牌矫正方法
CN104966304A (zh) 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法
CN102768731A (zh) 基于高清视频图像目标自动定位识别系统及方法
CN102799862A (zh) 高清视频监控图像的行人快速定位、事件检测系统及方法
CN110991447B (zh) 基于深度学习的列车车号精确定位与识别方法
WO2023279966A1 (zh) 一种多车道线检测方法、装置及检测设备
CN112417955B (zh) 巡检视频流处理方法及装置
CN108932449B (zh) 一种基于聚类的条码二值化方法及系统
CN112580447B (zh) 一种基于边缘二阶统计与融合的电力线检测方法
CN102902951A (zh) 高清视频监控图像的车辆目标定位、事件检测系统及方法
CN114674321A (zh) 一种基于均方差比率的可见光图像的虚警判断方法
CN106778766B (zh) 一种基于定位点的旋转数字识别方法及系统
Premachandra et al. Image based automatic road surface crack detection for achieving smooth driving on deformed roads
CN112085721A (zh) 基于人工智能的水淹车定损方法、装置、设备及存储介质
CN111652228B (zh) 铁路货车枕梁孔异物检测方法
CN116152261B (zh) 一种印刷制品质量的视觉检测系统
CN115880683B (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
CN112037182A (zh) 基于时序图像的机车走行部故障检测方法、装置及存储介质

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