CN115633259B - 基于人工智能的智能摄像头自动调控方法及系统 - Google Patents

基于人工智能的智能摄像头自动调控方法及系统 Download PDF

Info

Publication number
CN115633259B
CN115633259B CN202211422734.XA CN202211422734A CN115633259B CN 115633259 B CN115633259 B CN 115633259B CN 202211422734 A CN202211422734 A CN 202211422734A CN 115633259 B CN115633259 B CN 115633259B
Authority
CN
China
Prior art keywords
image
closed
average
pixel point
exposure time
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
Application number
CN202211422734.XA
Other languages
English (en)
Other versions
CN115633259A (zh
Inventor
程伟
杨丽丹
杨顺作
杨丽香
杨金燕
杨丽霞
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.)
Shenzhen Telesin Digital Ltd
Original Assignee
Shenzhen Telesin Digital 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 Shenzhen Telesin Digital Ltd filed Critical Shenzhen Telesin Digital Ltd
Priority to CN202211422734.XA priority Critical patent/CN115633259B/zh
Publication of CN115633259A publication Critical patent/CN115633259A/zh
Application granted granted Critical
Publication of CN115633259B publication Critical patent/CN115633259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像通信技术领域，具体涉及基于人工智能的智能摄像头自动调控方法及系统，该方法获取监控图像的灰度图像，确定灰度图像中的边界点进而获取边界线，将不能构成封闭区域的边界线作为目标边界线，获取目标边界线的生长边缘线确定目标边界线的边缘细节丢失概率，根据边缘细节丢失概率获取目标边界线对应的封闭区域，通过灰度共生矩阵获取封闭区域的清晰度，通过封闭区域与背景区域之间的灰度值获取对比度，通过清晰度与对比度获取图像模糊程度，根据边缘细节丢失概率与图像模糊程度获取图像质量评价指标，基于图像质量评价指标获取最优曝光时间，基于最优曝光时间对图像采集设备进行自动调控，提高采集图像质量。

Description

基于人工智能的智能摄像头自动调控方法及系统
技术领域
本发明涉及图像通信技术领域，具体涉及基于人工智能的智能摄像头自动调控方法及系统。
背景技术
摄像头是一种视频输入设备，被广泛的运用于视频会议、远程医疗及实时监控等方面。一个涉及硬件和软件的成像系统，成像的质量好坏往往受到来自外界干扰和自身限制的很多因素的影响，这些影响会产生噪声和成像不均匀，导致图像数据质量较差，对后续的处理造成影响，故需对摄像头进行调控提高图像数据质量。
现有技术对于提高图像数据质量的方法通常是根据摄像头拍摄的历史图像的最大曝光时间和最小曝光时间，以及当前拍摄图像的灰度值和曝光时间获取最优曝光时间，进而基于最优曝光时间获取高质量的拍摄图像。由于该方法中当前拍摄图像中存在噪点或成像不均匀时，会导致当前拍摄图像的灰度值出现偏差，使得由灰度值获取的最优曝光时间不准确，进而影响拍摄的图像质量。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的智能摄像头自动调控方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了基于人工智能的智能摄像头自动调控方法，该方法包括以下步骤：
利用图像采集设备采集监控图像，获取监控图像对应的灰度图像；
将所述灰度图像中的像素点划分为核心点、边界点和噪声点，将相邻所述边界点连接，得到至少两条边界线，根据边界线获取封闭区域，将不能构成封闭区域的边界线作为目标边界线，基于目标边界线获得生长边缘线，在目标边界线上每间隔设定数量的像素点得到一个目标像素点，根据目标像素点获得至少两条实际边缘线，每条实际边缘线上的目标像素点的数量和生长边缘线上的像素点的数量相同，获取每条实际边缘线与生长边缘线之间的形状相似值，根据生长边缘线与每条实际边缘线之间的灰度差异以及形状相似值计算生长边缘线的边缘细节丢失概率，根据边缘细节丢失概率获取目标边界线对应的封闭区域；
获取所述灰度图像中每个封闭区域的灰度共生矩阵得到对应封闭区域的清晰度；根据每一个封闭区域和背景区域之间的灰度差异获得封闭区域与背景区域之间的对比度，背景区域是指所述灰度图像中除去封闭区域的其他区域；根据所述清晰度和所述对比度获得监控图像的图像模糊程度；
结合目标边界线的边缘细节丢失概率和图像模糊程度获取监控图像的图像质量评价指标，基于图像质量评价指标获取最优曝光时间，基于最优曝光时间对图像采集设备进行自动调控。
进一步的，所述将所述灰度图像中的像素点划分为核心点、边界点和噪声点的方法，包括：
以所述灰度图像中的每个像素点为中心像素点获取设定尺寸的窗口区域，计算窗口中每个邻域像素点与中心像素点之间的灰度差值绝对值，将灰度差值绝对值的相反数代入以自然常数e为底数的指数函数中得到第三结果，计算常数1与第三结果的差值作为对应邻域像素点与中心像素点之间的距离度量；获取窗口区域内每个邻域像素点与中心像素点之间的距离度量，当距离度量满足距离阈值时，确认对应邻域像素点为中心像素点的同类像素点；统计窗口区域内同类像素点的数量，当数量满足数量阈值时，确认中心像素点为核心点；当数量不满足数量阈值且对应中心像素点位于其他核心点的窗口区域内时，确认对应中心像素点为边界点；所述灰度图像中的非边界点和非核心点的像素点确认为噪声点。
进一步的，所述目标边界线对应的封闭区域的获取方法，包括：
计算生长边缘线上的任意一个像素点与任意一条实际边缘线上相对应位置的目标像素点之间的灰度差值绝对值，将灰度差值绝对值的相反数代入以自然常数e为底数的指数函数中得到第四结果，根据生长边缘线与任意一条实际边缘线之间的所有第四结果计算平均第四结果，将平均第四结果与对应的形状相似值的乘积作为边缘细节丢失概率；
获取每条实际边缘线与生长边缘线之间的边缘细节丢失概率，当最大的边缘细节丢失概率满足概率阈值时，确定生长边缘线作为目标边界线对应的缺失部分的实际边缘线，进而得到目标边界线的封闭区域。
进一步的，所述根据每一个封闭区域和背景区域之间的灰度差异获得封闭区域与背景区域之间的对比度的方法，包括：
获取任意一个封闭区域内以及背景区域内像素点的平均灰度值，得到最大平均灰度值；计算任意一个封闭区域的平均灰度值与背景区域的平均灰度值的差值绝对值，以差值绝对值为分子，最大平均灰度值为分母得到对应的比值，根据所有封闭区域对应的比值计算平均比值作为对比度。
进一步的，所述根据所述清晰度和所述对比度获得监控图像的图像模糊程度的方法，包括：
在封闭区域之间不存在包含的情况下，根据所述灰度图像中每个封闭区域的清晰度计算平均清晰度作为封闭区域的整体清晰度，获取整体清晰度与对比度的平均数，计算常数1与平均数的差值作为监控图像的图像模糊程度；
在封闭区域之间存在包含的情况下，计算相互包含的两个封闭区域属于同一区域的可能性指标，获取可能性指标大于或等于可能性阈值的这两个封闭区域中的最小封闭区域；计算可能性指标小于可能性阈值的这些封闭区域与所有最小封闭区域之间的第一平均清晰度；利用同一区域中的最大封闭区域减去最小封闭区域得到的剩余区域作为边界模糊区域，获取边界模糊区域的清晰度，计算所有边界模糊区域的第二平均清晰度，计算第一平均清晰度、第二平均清晰度和对比度之间的平均值，将常数1减去平均值的差值作为监控图像的图像模糊程度。
进一步的，所述计算相互包含的两个封闭区域属于同一区域的可能性指标的方法，包括：
对于相互包含的两个封闭区域，任意选一个封闭区域内的任意一个像素点作为第一目标像素点，过第一目标像素点作N条直线得到每条直线与对应封闭区域的两个交点，N为正整数；分别计算两个交点与第一目标像素点之间的欧式距离，获取每条直线对应的两个交点之间的欧式距离的差值绝对值，将差值绝对值的相反数代入以自然常数e为底数的指数函数中得到对应的指数函数结果，计算N条直线的指数函数结果的平均值作为第一目标像素点作为封闭区域的中心点的置信度；获取封闭区域中每个像素点作为封闭区域的中心点的置信度，取最大置信度对应的像素点作为中心点；
获取另一个封闭区域的中心点，计算相互包含的两个封闭区域之间的中心点的第一欧式距离；分别计算两个封闭区域的中心点的第i条直线的同侧两个交点之间的欧式距离和灰度差值绝对值，将两侧欧式距离的相加结果的相反数代入自然常数e为底数的指数函数中得到第一差异值，将两侧灰度差值绝对值的相加结果的相反数代入自然常数e为底数的指数函数中得到第二差异值，获取第一差异值与第二差异值的乘积；计算互相包含的两个封闭区域之间N条直线对应乘积的均值与第一欧式距离的倒数的乘积作为可能性指标。
进一步的，所述结合目标边界线的边缘细节丢失概率和图像模糊程度获取监控图像的图像质量评价指标的方法，包括：
根据每个目标边界线对应的最大的边缘细节丢失概率计算平均边缘细节丢失概率，将常数1减去平均边缘细节丢失概率的差值作为第一结果、常数1减去图像模糊程度的差值作为第二结果，将第一结果与第二结果的乘积作为监控图像的图像质量评价指标。
进一步的，所述基于图像质量评价指标获取最优曝光时间的方法，包括：
设置质量评价指标阈值，当图像质量评价指标大于质量评价指标阈值时，对应监控图像的曝光时间作为最优曝光时间；当图像质量评价指标小于或等于质量评价指标阈值时，根据平均边缘细节丢失概率和图像模糊程度获取最优曝光时间。
进一步的，所述根据平均边缘细节丢失概率和图像模糊程度获取最优曝光时间的方法，包括：
当平均边缘细节丢失概率大于或等于图像模糊程度时，获取常数1与平均边缘细节丢失概率之间的第一差值，将第一差值与监控图像的曝光时间的相乘结果与监控图像的曝光时间相加得到调节后的曝光时间；
当平均边缘细节丢失概率小于图像模糊程度时，获取监控图像的曝光时间与图像模糊程度的乘积，将监控图像的曝光时间减去乘积的差值作为调节后的曝光时间；
当调节后的曝光时间所采集的监控图像的图像质量评价指标大于质量评价指标阈值时，确认调节后的曝光时间为最优曝光时间；在调节次数满足调节次数阈值的情况下，当调节后的曝光时间所采集的监控图像的图像质量评价指标都是小于或等于质量评价指标阈值时，取图像质量评价指标最大所对应的曝光时间作为最优曝光时间。
第二方面，本发明另一个实施例提供了基于人工智能的智能摄像头自动调控系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述任意一项方法的步骤。
本发明具有如下有益效果：通过对灰度图像中的所有像素点进行分析，将灰度图像中的像素点划分为核心点、边界点和噪声点，对确定是噪声点的像素点全部进行去除，避免了噪声点对图像质量的影响；将相邻的边界点进行连接获得边界线，根据边界线获取封闭区域，将不能构成封闭区域的边界线作为目标边界线，基于目标边界线获得生长边缘线，根据生长边缘线上的每个像素点的灰度值和生长边缘线的形状相似值获得边缘细节丢失概率，根据边缘细节丢失概率获取目标边界线对应的封闭区域，避免了因曝光不足导致封闭区域的丢失以及封闭区域与背景区域的混淆，造成最优曝光时间获取的不准确；为检测封闭区域的成像纹理深浅，获取每个封闭区域的灰度共生矩阵得到对应封闭区域的清晰度，又通过对于每一个封闭区域和背景区域之间的灰度差异获得封闭区域与背景区域之间的对比度，进而令结合清晰度和对比度得到的监控图像的图像模糊程度更加严谨，根据边缘细节丢失概率和图像模糊程度获得质量评价指标，根据质量评价指标确定最优曝光时间，基于最优曝光时间对图像采集设备进行自动调控，提高拍摄的图像质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的智能摄像头自动调控方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的智能摄像头自动调控方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的智能摄像头自动调控方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于人工智能的智能摄像头自动调控方法的流程图，该方法包括以下步骤：
S1：利用图像采集设备采集监控图像，获取监控图像对应的灰度图像。
本发明通过智能摄像头，固定光源采集摄像头前方的监控图像，采集的监控图像为RGB图像，本发明使用加权灰度化的方法对RGB图像进行灰度化处理，获得智能摄像头前方的监控图像的灰度图像，其中，加权灰度化为公知技术，此处不再赘述。
S2：将所述灰度图像中的像素点划分为核心点、边界点和噪声点，将相邻所述边界点连接，得到至少两条边界线，根据边界线获取封闭区域，将不能构成封闭区域的边界线作为目标边界线，基于目标边界线获得生长边缘线，在目标边界线上每间隔设定数量的像素点得到一个目标像素点，根据目标像素点获得至少两条实际边缘线，每条实际边缘线上的目标像素点的数量和生长边缘线上的像素点的数量相同，通过形状上下文算法计算每条实际边缘线与生长边缘线之间的形状相似值，根据生长边缘线与每条实际边缘线之间的灰度差异以及形状相似值计算生长边缘线的边缘细节丢失概率，根据边缘细节丢失概率获取目标边界线对应的封闭区域。
具体的，根据先验知识可知，摄像头采集图像的时候，在感光度确定的情况下，光圈大小和快门速度（曝光的时间长短）决定了曝光量的大小，即光圈不变的情况下，曝光时间越长，曝光量越大；曝光时间不变的情况下，光圈越大，曝光量越大。曝光时间越长，进光量越多，就会有更多时间的图像出现在同一帧上，但曝光时间过长，会导致每一帧所用时间过长，造成图像卡顿，如果是拍摄运动过程，则会导致一帧图像上的运动物体的运动过程过长，导致运动物体在图像上呈现模糊状态。如果曝光时间很短，光圈一定的情况下，得到的光就会很少，拍摄的物体就会比较暗淡，会导致丢失掉物体的某些细节。
基于上述特征，首先以所述灰度图像中的每个像素点为中心像素点获取设定尺寸的窗口区域，计算窗口中每个邻域像素点与中心像素点之间的灰度差值绝对值，将灰度差值绝对值的相反数代入以自然常数e为底数的指数函数中得到第三结果，计算常数1与第三结果的差值作为对应邻域像素点与中心像素点之间的距离度量；获取窗口区域内每个邻域像素点与中心像素点之间的距离度量，当距离度量满足距离阈值时，确认对应邻域像素点为中心像素点的同类像素点；统计窗口区域内同类像素点的数量，当数量满足数量阈值时，确认中心像素点为核心点；当数量不满足数量阈值且对应中心像素点位于其他核心点的窗口区域内时，确认对应中心像素点为边界点；所述灰度图像中的非边界点和非核心点的像素点确认为噪声点。
作为一个示例，以所述灰度图像中的一个像素点q为例，以像素点q为中心像素点，获取其对应的5*5的窗口区域，根据窗口区域中每个像素点的灰度值，分别计算窗口区域中的每一个邻域像素点与中心像素点q之间的灰度差值绝对值，将每一个灰度差值绝对值的相反数分别代入以自然常数e为底数的指数函数中得到每个邻域像素点对应的第三结果，常数1与任意一个第三结果的差值为对应邻域像素点与中心像素点q之间的距离度量，每个邻域像素点对应一个距离度量，则距离度量
Figure DEST_PATH_IMAGE001
的计算公式为：
Figure DEST_PATH_IMAGE003
其中，
Figure 139058DEST_PATH_IMAGE004
为中心像素点q的灰度值；
Figure DEST_PATH_IMAGE005
为窗口区域内第i个邻域像素点的灰度值；
Figure 341369DEST_PATH_IMAGE006
为绝对值函数；
Figure 295287DEST_PATH_IMAGE001
为邻域像素点与中心像素点q的距离度量；
Figure DEST_PATH_IMAGE007
为自然常数。
需要说明的是，邻域像素点与中心像素点q之间的灰度差值越小，说明邻域像素点与中心像素点越属于同一类像素点，对应距离度量越小。
利用距离度量的计算公式，获取窗口区域内每个邻域像素点与中心像素点q之间的距离度量，本方案设置距离阈值为0.1，当距离度量
Figure 165023DEST_PATH_IMAGE001
小于距离阈值时，对应的邻域像素点与中心像素点q属于同一类像素点；对窗口区域内的所有邻域像素点通过距离度量进行判断，确定窗口区域内的邻域像素点与中心像素点q属于同一类像素点的数量，本方案设置的数量阈值为20，当数量大于或等于数量阈值时，确认中心像素点q为核心点；当数量小于数量阈值，但中心像素点q位于其它核心点的窗口区域内时，确认中心像素点q为边界点。基于边界点和核心点的确认方法，对灰度图像中的每个像素点进行确认，将既不属于核心点又不属于边界点的像素点作为噪声点。
然后，在确定了灰度图像中的核心点、边界点和噪声点后，先对噪声点进行去除，以避免噪声点对图像质量的影响，再对边界点进行如下操作：
连接相邻的边界点，获得至少两条边界线，判断边界线能否构成一个封闭区域，若能构成封闭区域，则封闭区域表示灰度图像中的一个物体，若不能构成封闭区域，将不能构成封闭区域的边界线作为目标边界线，考虑到曝光时间过短会导致物体的部分细节丢失，因此通过对目标边界线进行区域生长获取目标边界线的生长边缘线，具体过程如下：
以一条目标边界线为例，取当前目标边界线首尾的两个端点，分别设置为a点、b点；以a点为起始点，使用区域生长算法获取当前目标边界线对应的生长边缘线，其中区域生长算法的生长准则为：计算a点邻域内的待生长点与a点之间的差异程度，选择差异程度最小的待生长点进行生长，其中，待生长点为a点邻域内与b点之间的欧式距离小于a点与b点之间的欧式距离所对应的像素点；本方案中选择灰度差异程度最小的像素点进行生长，不断重复生长过程，直至生长到b点处结束，进而将生长的这条线作为当前目标边界线的生长边缘线。
需要说明的是，区域生长算法是公知技术，这里不再过多赘述。
确定生长边缘线是否可以作为当前目标边界线对应封闭区域的缺失部分的实际边缘线，具体如下：
（1）通过获得的生长边缘线，确定生长边缘线上的像素点的数量为
Figure 149291DEST_PATH_IMAGE008
，
Figure 776581DEST_PATH_IMAGE008
为正整数，在当前目标边缘线上每间隔设定数量的像素点开始截取目标像素点，且顺时针方向截取
Figure 753764DEST_PATH_IMAGE008
个目标像素点，将
Figure 415690DEST_PATH_IMAGE008
个目标像素点对应在当前目标边界线上的边界线作为一条实际边缘线，截取至少两条实际边缘线，且每条实际边缘线上的目标像素点的数量和生长边缘线上的像素点的数量相同；通过形状上下文算法计算每条实际边缘线与生长边缘线之间的形状相似值，形状上下文算法是公知的技术，这里不做过多赘述。
（2）计算生长边缘线上的任意一个像素点与任意一条实际边缘线上相对应位置的目标像素点之间的灰度差值绝对值，将灰度差值绝对值的相反数代入以自然常数e为底数的指数函数中得到第四结果，根据生长边缘线与任意一条实际边缘线之间的所有第四结果计算平均第四结果，将平均第四结果与对应的形状相似值的乘积作为边缘细节丢失概率，其中边缘细节丢失概率
Figure DEST_PATH_IMAGE009
的计算公式为：
Figure DEST_PATH_IMAGE011
其中，
Figure 194028DEST_PATH_IMAGE005
为生长边缘线上第i个像素点的灰度值；
Figure 59347DEST_PATH_IMAGE012
为截取出的任意一条实际边缘线上第i个像素点的灰度值；
Figure 574642DEST_PATH_IMAGE008
为生长边缘线或实际边缘线上的像素点数量；
Figure DEST_PATH_IMAGE013
为实际边缘线与生长边缘线之间的形状相似值；
Figure 668237DEST_PATH_IMAGE006
为绝对值函数；e为自然常数。
需要说明的是，
Figure 509154DEST_PATH_IMAGE014
的差值越小，生长边缘线与当前实际边缘线的灰度差值越小，表示两条边缘线之间越相似，对应细节丢失情况越大，边缘细节丢失概率
Figure 111037DEST_PATH_IMAGE009
越大；形状相似值越大，说明实际边缘线与生长边缘线之间的轮廓形状越相似，生长边缘线越可能为目标边界线对应的缺失部分的实际边缘线，对应边缘细节丢失概率
Figure 430023DEST_PATH_IMAGE009
越大，同时P值越大说明生长边缘线越有可能作为当前目标边界线对应的缺失部分的实际边缘线。
（3）利用步骤（2）的方法获取每条实际边缘线与生长边缘线之间的边缘细节丢失概率，当最大的边缘细节丢失概率满足概率阈值时，确定生长边缘线作为目标边界线对应的缺失部分的实际边缘线，进而得到目标边界线的封闭区域。
作为一个示例，分别计算当前目标边界线上截取的每一条实际边缘线对应的边缘细节丢失概率P，选择最大的边缘细节丢失概率P与概率阈值进行比较，本方案设置的概率阈值为0.95，当最大的边缘细节丢失概率P大于概率阈值时，说明生长边缘线处存在一条实际边缘线由于曝光时间过短丢失了，此时生长边缘线可以作为当前目标边界线对应的缺失部分的实际边缘线，进而获取当前目标边界线对应的封闭区域。通过以上操作，确定目标边界线的封闭区域。
利用获取目标边界线的封闭区域的方法，分别获取每个目标边界线对应的封闭区域，进而得到灰度图像中所有的封闭区域。
S3：获取所述灰度图像中每个封闭区域的灰度共生矩阵得到对应封闭区域的清晰度；根据每一个封闭区域和背景区域之间的灰度差异获得封闭区域与背景区域之间的对比度，背景区域是指所述灰度图像中除去封闭区域的其他区域；根据所述清晰度和所述对比度获得监控图像的图像模糊程度。
具体的，考虑到出现模糊会导致边界范围变宽出现边界区域，进而使得边界区域中存在实际物体对应的区域，也即是存在大封闭区域包含小封闭区域的情况，因此本发明实施例对灰度图像中的所有封闭区域进行了如下分析：
（1）在封闭区域之间不存在包含的情况下，根据所述灰度图像中每个封闭区域的清晰度计算平均清晰度作为封闭区域的整体清晰度，获取整体清晰度与对比度的平均数，计算常数1与平均数的差值作为监控图像的图像模糊程度。
具体的，当灰度图像中的所有封闭区域都是单独存在，没有互相包含的情况时，本发明中将灰度图像中像素点的灰度级压缩至16级，并进行了归一化处理，进而获取灰度图像中的每一个封闭区域的灰度共生矩阵，灰度共生矩阵的获取为公知技术，这里不再多过赘述，根据灰度共生矩阵获取每一个封闭区域的清晰度，则清晰度
Figure DEST_PATH_IMAGE015
的计算公式为：
Figure DEST_PATH_IMAGE017
其中，
Figure 614011DEST_PATH_IMAGE018
分别为灰度共生矩阵的第
Figure DEST_PATH_IMAGE019
行、第
Figure 412115DEST_PATH_IMAGE020
列；
Figure DEST_PATH_IMAGE021
为灰度点对
Figure 563610DEST_PATH_IMAGE022
在封闭区域内出现的概率。
需要说明的是，清晰度QX表示了封闭区域的清晰度和纹理的沟纹深浅，其值越大说明该封闭区域越清晰，其值越小说明该封闭区域越模糊。
获取任意一个封闭区域内以及背景区域内像素点的平均灰度值，得到最大平均灰度值；计算任意一个封闭区域的平均灰度值与背景区域的平均灰度值的差值绝对值，以差值绝对值为分子，最大平均灰度值为分母得到对应的比值，根据所有封闭区域对应的比值计算平均比值作为对比度，则对比度
Figure DEST_PATH_IMAGE023
的计算公式为：
Figure DEST_PATH_IMAGE025
其中，
Figure 499336DEST_PATH_IMAGE026
为第i个封闭区域内像素点的平均灰度值；
Figure DEST_PATH_IMAGE027
为背景区域内像素点的平均灰度值；
Figure 301945DEST_PATH_IMAGE028
为封闭区域的数量；
Figure DEST_PATH_IMAGE029
为取最大值函数；
Figure 750244DEST_PATH_IMAGE006
为绝对值函数。
需要说明的是，背景区域是指除去封闭区域的其他区域，
Figure 874189DEST_PATH_IMAGE030
的差值越大，封闭区域与背景区域之间的灰度差异越明显，封闭区域与背景区域的分割越明显，对比度
Figure 534977DEST_PATH_IMAGE023
越大；对比度
Figure 614929DEST_PATH_IMAGE023
越大，封闭区域与背景区域的差异越大，封闭区域的边界模糊或缺失的情况越少，图像越清晰。
基于上述清晰度的计算公式得到了每个封闭区域的清晰度，进而能够得到封闭区域的整体清晰度
Figure DEST_PATH_IMAGE031
，其中，
Figure 14555DEST_PATH_IMAGE032
为第i个封闭区域的清晰度，
Figure 609484DEST_PATH_IMAGE028
为封闭区域的数量；结合整体清晰度和对比度计算监控图像的图像模糊程度
Figure DEST_PATH_IMAGE033
：
Figure DEST_PATH_IMAGE035
其中，
Figure 621434DEST_PATH_IMAGE036
为封闭区域的整体清晰度；
Figure 821471DEST_PATH_IMAGE023
为对比度。
需要说明的是，整体清晰度
Figure 860840DEST_PATH_IMAGE036
越大，说明封闭区域的清晰度越大，封闭区域越清晰，图像模糊程度
Figure 677486DEST_PATH_IMAGE033
越小，也即是整体清晰度
Figure 211236DEST_PATH_IMAGE036
和图像模糊程度
Figure 750933DEST_PATH_IMAGE033
呈负相关关系；对比度
Figure 446356DEST_PATH_IMAGE023
越大，封闭区域与背景区域的差异越大，封闭区域边界线模糊或缺失的现象越少，图像模糊程度
Figure 219140DEST_PATH_IMAGE033
越小，也即是对比度
Figure 291001DEST_PATH_IMAGE023
和图像模糊程度
Figure 443460DEST_PATH_IMAGE033
呈负相关关系；因此图像模糊程度
Figure 716309DEST_PATH_IMAGE033
越小，图像越清晰。
（2）在封闭区域之间存在包含的情况下，计算相互包含的两个封闭区域属于同一区域的可能性指标，获取可能性指标大于或等于可能性阈值的这两个封闭区域中的最小封闭区域；计算可能性指标小于可能性阈值的这些封闭区域与所有最小封闭区域之间的第一平均清晰度；利用同一区域中的最大封闭区域减去最小封闭区域得到的剩余区域作为边界模糊区域，获取边界模糊区域的清晰度，计算所有边界模糊区域的第二平均清晰度，计算第一平均清晰度、第二平均清晰度和对比度之间的平均值，将常数1减去平均值的差值作为监控图像的图像模糊程度。
具体的，对于相互包含的两个封闭区域，首先，任意选一个封闭区域内的任意一个像素点作为第一目标像素点，过第一目标像素点作N条直线得到每条直线与对应封闭区域的两个交点，N为正整数；分别计算两个交点与第一目标像素点之间的欧式距离，获取每条直线对应的两个交点之间的欧式距离的差值绝对值，将差值绝对值的相反数代入以自然常数e为底数的指数函数中得到对应的指数函数结果，计算N条直线的指数函数结果的平均值作为第一目标像素点作为封闭区域的中心点的置信度；获取封闭区域中每个像素点作为封闭区域的中心点的置信度，取最大置信度对应的像素点作为中心点。
作为一个示例，假设封闭区域Q包含封闭区域W，在封闭区域Q内任意选一个像素点r，过像素点r作N条直线，N为正整数；每条直线必定与封闭区域Q有对应的两个交点，即交点c和交点f，分别计算交点c、交点f与像素点r的欧式距离，根据获得的两个欧式距离的差异计算像素点r作为中心点的置信度
Figure DEST_PATH_IMAGE037
：
Figure DEST_PATH_IMAGE039
其中，
Figure 287974DEST_PATH_IMAGE040
为第i条直线与封闭区域Q的交点c与像素点r的欧式距离；
Figure DEST_PATH_IMAGE041
为第i条直线与封闭区域Q的交点f与像素点r的欧式距离；N为直线的数量；
Figure 976575DEST_PATH_IMAGE006
为绝对值函数；
Figure 5711DEST_PATH_IMAGE007
为自然常数。
需要说明的是，
Figure 947997DEST_PATH_IMAGE040
与
Figure 242843DEST_PATH_IMAGE041
这两个欧式距离的差异越小，交点c与像素点r的欧式距离越等于交点f与像素点r的欧式距离，像素点r越有可能是中心点，置信度
Figure 390928DEST_PATH_IMAGE037
越大。
计算封闭区域Q内所有像素点的置信度，选择置信度最大的对应的像素点作为封闭区域Q的中心点
Figure 320575DEST_PATH_IMAGE042
。
然后，获取另一个封闭区域的中心点，计算相互包含的两个封闭区域之间的中心点的第一欧式距离；分别计算两个封闭区域的中心点的第i条直线的同侧两个交点之间的欧式距离和灰度差值绝对值，将两侧欧式距离的相加结果的相反数代入自然常数e为底数的指数函数中得到第一差异值，将两侧灰度差值绝对值的相加结果的相反数代入自然常数e为底数的指数函数中得到第二差异值，获取第一差异值与第二差异值的乘积；计算互相包含的两个封闭区域之间N条直线对应乘积的均值与第一欧式距离的倒数的乘积作为可能性指标。
作为一个示例，利用封闭区域Q的中心点
Figure 528703DEST_PATH_IMAGE042
的获取方法，获取封闭区域W的中心点
Figure DEST_PATH_IMAGE043
；计算中心点
Figure 310845DEST_PATH_IMAGE042
与中心点
Figure 262621DEST_PATH_IMAGE043
之间的欧式距离
Figure 770DEST_PATH_IMAGE044
。
封闭区域Q的中心点的第i条直线与封闭区域Q的交点分别为
Figure DEST_PATH_IMAGE045
点、
Figure 25138DEST_PATH_IMAGE046
点，封闭区域W的中心点的第i条直线与封闭区域W的交点分别为
Figure DEST_PATH_IMAGE047
点、
Figure 560156DEST_PATH_IMAGE048
点；计算
Figure 50043DEST_PATH_IMAGE045
点与
Figure 954283DEST_PATH_IMAGE047
点的欧式距离
Figure DEST_PATH_IMAGE049
以及灰度差值绝对值
Figure 848421DEST_PATH_IMAGE050
，计算
Figure 57685DEST_PATH_IMAGE046
点与
Figure 866110DEST_PATH_IMAGE048
点的欧式距离
Figure DEST_PATH_IMAGE051
以及灰度差值绝对值
Figure 641168DEST_PATH_IMAGE052
；结合欧式距离
Figure 175049DEST_PATH_IMAGE044
、欧式距离
Figure 606030DEST_PATH_IMAGE049
、欧式距离
Figure 703299DEST_PATH_IMAGE051
和灰度差值绝对值
Figure 254235DEST_PATH_IMAGE050
、灰度差值绝对值
Figure 411547DEST_PATH_IMAGE052
，计算相互包含的封闭区域Q和封闭区域W属于同一区域的可能性指标
Figure DEST_PATH_IMAGE053
：
Figure DEST_PATH_IMAGE055
其中，N为直线的数量；
Figure 674032DEST_PATH_IMAGE044
为中心点
Figure 574992DEST_PATH_IMAGE042
与中心点
Figure 262325DEST_PATH_IMAGE043
的欧式距离；
Figure 591805DEST_PATH_IMAGE049
为
Figure 731799DEST_PATH_IMAGE045
点与
Figure 967608DEST_PATH_IMAGE047
点的欧式距离；
Figure 260181DEST_PATH_IMAGE051
为
Figure 759295DEST_PATH_IMAGE046
点与
Figure 386586DEST_PATH_IMAGE048
点的欧式距离；
Figure 629348DEST_PATH_IMAGE056
为
Figure 947066DEST_PATH_IMAGE045
点的灰度值；
Figure DEST_PATH_IMAGE057
为
Figure 928666DEST_PATH_IMAGE047
点的灰度值；
Figure 777673DEST_PATH_IMAGE058
为
Figure 558547DEST_PATH_IMAGE046
点的灰度值；
Figure DEST_PATH_IMAGE059
为
Figure 153608DEST_PATH_IMAGE048
点的灰度值；
Figure 728946DEST_PATH_IMAGE006
为绝对值函数；
Figure 65249DEST_PATH_IMAGE007
为自然常数。
需要说明的是，欧式距离
Figure 961399DEST_PATH_IMAGE044
越小，中心点
Figure 332337DEST_PATH_IMAGE042
与中心点
Figure 740228DEST_PATH_IMAGE043
越接近，封闭区域Q与封闭区域W越可能为同一区域，可能性指标
Figure 829407DEST_PATH_IMAGE053
越大；
Figure 483242DEST_PATH_IMAGE060
越小，
Figure 724999DEST_PATH_IMAGE045
点与
Figure 907718DEST_PATH_IMAGE047
点越接近，
Figure 953035DEST_PATH_IMAGE046
点与
Figure 456566DEST_PATH_IMAGE048
点越接近，封闭区域Q的边界线与封闭区域W的边界线越接近，封闭区域Q与封闭区域W越可能为同一区域，可能性指标
Figure 67676DEST_PATH_IMAGE053
越大；
Figure 968767DEST_PATH_IMAGE050
越小，
Figure 766959DEST_PATH_IMAGE045
点与
Figure 497017DEST_PATH_IMAGE047
点之间的灰度差异越小，
Figure 87268DEST_PATH_IMAGE045
点与
Figure 923374DEST_PATH_IMAGE047
点越相似，
Figure 208862DEST_PATH_IMAGE052
越小，
Figure 539349DEST_PATH_IMAGE046
点与
Figure 344625DEST_PATH_IMAGE048
点之间的灰度差异越小，
Figure 774470DEST_PATH_IMAGE046
点与
Figure 343991DEST_PATH_IMAGE048
点越相似，所以
Figure DEST_PATH_IMAGE061
越小，封闭区域Q与封闭区域W越可能为同一区域，可能性指标
Figure 924840DEST_PATH_IMAGE053
越大；因此，可能性指标
Figure 630628DEST_PATH_IMAGE053
越大，封闭区域Q与封闭区域W越可能为同一区域。
本方案设置的可能性阈值为0.9，当
Figure 247685DEST_PATH_IMAGE053
大于可能性阈值时，封闭区域Q与封闭区域W为同一区域，发生这种情况是因为曝光过量导致灰度图像中的物体的边界出现了模糊现象，从而检测出两个封闭区域。
对灰度图像中的所有存在相互包含的封闭区域进行上述操作，确定相互包含的两个封闭区域是否为同一区域。基于确定为同一区域的两个封闭区域，需要重新确定灰度图像中封闭区域的实际数量，即将同一区域对应的两个封闭区域中的最大封闭区域排除，统计最小封闭区域和不是同一区域对应的所有封闭区域的数量作为封闭区域的实际数量，根据实际数量对应的封闭区域的清晰度计算清晰度的均值作为第一平均清晰度，其中利用上述清晰度的计算公式分别获取实际数量对应的每个封闭区域的清晰度；利用上述对比度的计算公式获取实际数量对应的封闭区域与背景区域之间的对比度；同时对于确认为同一区域的两个封闭区域，利用同一区域中的最大封闭区域减去最小封闭区域得到的剩余区域作为边界模糊区域，利用上述清晰度的计算公式获取边界模糊区域的清晰度，计算所有边界模糊区域的清晰度的均值作为第二平均清晰度，结合第一平均清晰度、对比度和第二平均清晰度计算监控图像的图像模糊程度
Figure 242186DEST_PATH_IMAGE033
Figure DEST_PATH_IMAGE063
其中，
Figure 429322DEST_PATH_IMAGE036
为整体清晰度；
Figure 192879DEST_PATH_IMAGE023
为对比度；
Figure 292422DEST_PATH_IMAGE064
为边界模糊区域的平均清晰度。
需要说明的是，当整体清晰度
Figure 524952DEST_PATH_IMAGE036
越大，说明封闭区域的清晰度越大，封闭区域越清晰，图像模糊程度
Figure 938615DEST_PATH_IMAGE033
越小，也即是整体清晰度
Figure 822258DEST_PATH_IMAGE036
和图像模糊程度
Figure 30385DEST_PATH_IMAGE033
呈负相关关系；对比度
Figure 248746DEST_PATH_IMAGE023
越大，封闭区域与背景区域的差异越大，封闭区域的边界线模糊或缺失的现象越少，图像模糊程度
Figure 262838DEST_PATH_IMAGE033
越小，也即是对比度
Figure 987DEST_PATH_IMAGE023
和图像模糊程度
Figure 130748DEST_PATH_IMAGE033
呈负相关关系；边界模糊区域的平均清晰度
Figure 587137DEST_PATH_IMAGE064
越大，边界模糊区域越清晰，图像模糊程度
Figure 342604DEST_PATH_IMAGE033
越小，也即是边界模糊区域的平均清晰度
Figure 200838DEST_PATH_IMAGE064
和图像模糊程度
Figure 796774DEST_PATH_IMAGE033
呈负相关关系；因此，图像模糊程度
Figure 740459DEST_PATH_IMAGE033
越小，图像越清晰。
S4：结合目标边界线的边缘细节丢失概率和图像模糊程度获取监控图像的图像质量评价指标，基于图像质量评价指标获取最优曝光时间，基于最优曝光时间对图像采集设备进行自动调控。
具体的，根据每个目标边界线对应的最大的边缘细节丢失概率计算平均边缘细节丢失概率，将常数1减去平均边缘细节丢失概率的差值作为第一结果、常数1减去图像模糊程度的差值作为第二结果，将第一结果与第二结果的乘积作为监控图像的图像质量评价指标；图像质量评价指标
Figure DEST_PATH_IMAGE065
的计算公式为：
Figure DEST_PATH_IMAGE067
其中，
Figure 847086DEST_PATH_IMAGE068
为平均边缘细节丢失概率；
Figure 356565DEST_PATH_IMAGE033
为图像模糊程度。
需要说明的是，
Figure 598102DEST_PATH_IMAGE068
越小，说明封闭区域的边界线越不会发生丢失，越不存在曝光不足的情况，相应的图像质量评价指标
Figure 763505DEST_PATH_IMAGE065
越大；
Figure 595194DEST_PATH_IMAGE033
越小，图像越清晰，相应的图像质量评价指标
Figure 428021DEST_PATH_IMAGE065
越大；因此，图像质量评价指标
Figure 336065DEST_PATH_IMAGE065
越大，图像越清晰，说明当前曝光时间越准确。
设置质量评价指标阈值，当图像质量评价指标大于质量评价指标阈值时，对应监控图像的曝光时间作为最优曝光时间；当图像质量评价指标小于或等于质量评价指标阈值时，根据平均边缘细节丢失概率和图像模糊程度获取最优曝光时间。
本方案中设置的质量评价指标阈值为0.9，当图像质量评价指标
Figure 988764DEST_PATH_IMAGE065
大于质量评价指标阈值时，则认为此时的曝光时间就是最优曝光时间，当图像质量评价指标
Figure 889724DEST_PATH_IMAGE065
小于或等于质量评价指标阈值时，对曝光时间进行以下调节：
当平均边缘细节丢失概率大于或等于图像模糊程度时，获取常数1与平均边缘细节丢失概率之间的第一差值，将第一差值与监控图像的曝光时间的相乘结果与监控图像的曝光时间相加得到调节后的曝光时间；当平均边缘细节丢失概率小于图像模糊程度时，获取监控图像的曝光时间与图像模糊程度的乘积，将监控图像的曝光时间减去乘积的差值作为调节后的曝光时间，其中，调节后的曝光时间的计算公式为：
Figure 577057DEST_PATH_IMAGE070
其中，t为当前曝光时间；
Figure 951275DEST_PATH_IMAGE068
为当前曝光时间t下的平均边缘细节丢失概率；
Figure 91270DEST_PATH_IMAGE033
为当前曝光时间t下的图像模糊程度；
Figure DEST_PATH_IMAGE071
为调节后的曝光时间。
需要说明的是，当
Figure 812232DEST_PATH_IMAGE072
时，图像中存在因曝光不足而导致的物体部分细节丢失的现象，调节曝光时间时，要增加曝光时间，提高进光量，因此利用平均边缘细节丢失概率来调节曝光时间，获取调节后的曝光时间
Figure 354072DEST_PATH_IMAGE071
；当
Figure DEST_PATH_IMAGE073
时，图像中存在因曝光过量而导致的物体模糊的现象，调节曝光时间时，要减小曝光时间，减少进光量，因此利用图像模糊程度来调节曝光时间，获取调节后的曝光时间
Figure 118765DEST_PATH_IMAGE071
。
进一步的，当调节后的曝光时间所采集的监控图像的图像质量评价指标大于质量评价指标阈值时，确认调节后的曝光时间为最优曝光时间；在调节次数满足调节次数阈值的情况下，当调节后的曝光时间所采集的监控图像的图像质量评价指标都是小于或等于质量评价指标阈值时，取图像质量评价指标最大所对应的曝光时间作为最优曝光时间。具体操作步骤如下：
得到调节后的曝光时间
Figure 995323DEST_PATH_IMAGE071
，计算调节后的曝光时间
Figure 769244DEST_PATH_IMAGE071
下的图像质量评价指标，当图像质量评价指标大于质量评价指标阈值时，调节后的曝光时间
Figure 165591DEST_PATH_IMAGE071
就为最优曝光时间；当图像质量评价指标小于或等于质量评价指标阈值时，继续调节曝光时间。本方案设置调节次数阈值为20次，当调节曝光时间的次数大于调节次数阈值时，仍未有图像质量评价指标大于质量评价指标阈值，则在获得的20个图像质量评价指标中选择最大的图像质量评价指标对应的曝光时间作为最优曝光时间。
基于获得的最优曝光时间对智能摄像头进行自动调控，提高采集图像质量。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了基于人工智能的智能摄像头自动调控系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述基于人工智能的智能摄像头自动调控方法实施例中的步骤，例如图1所示的步骤。该基于人工智能的智能摄像头自动调控方法在上述实施例中已经详细说明，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，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 (9)

1.一种基于人工智能的智能摄像头自动调控方法，其特征在于，该方法包括以下步骤：
利用图像采集设备采集监控图像，获取监控图像对应的灰度图像；
将所述灰度图像中的像素点划分为核心点、边界点和噪声点，将相邻所述边界点连接，得到至少两条边界线，根据边界线获取封闭区域，将不能构成封闭区域的边界线作为目标边界线，基于目标边界线获得生长边缘线，在目标边界线上每间隔设定数量的像素点得到一个目标像素点，根据目标像素点获得至少两条实际边缘线，每条实际边缘线上的目标像素点的数量和生长边缘线上的像素点的数量相同，获取每条实际边缘线与生长边缘线之间的形状相似值，根据生长边缘线与每条实际边缘线之间的灰度差异以及形状相似值计算生长边缘线的边缘细节丢失概率，根据边缘细节丢失概率获取目标边界线对应的封闭区域；
获取所述灰度图像中每个封闭区域的灰度共生矩阵得到对应封闭区域的清晰度；根据每一个封闭区域和背景区域之间的灰度差异获得封闭区域与背景区域之间的对比度，背景区域是指所述灰度图像中除去封闭区域的其他区域；根据所述清晰度和所述对比度获得监控图像的图像模糊程度；
结合目标边界线的边缘细节丢失概率和图像模糊程度获取监控图像的图像质量评价指标，基于图像质量评价指标获取最优曝光时间，基于最优曝光时间对图像采集设备进行自动调控；
所述将所述灰度图像中的像素点划分为核心点、边界点和噪声点的方法，包括：
以所述灰度图像中的每个像素点为中心像素点获取设定尺寸的窗口区域，计算窗口中每个邻域像素点与中心像素点之间的灰度差值绝对值，将灰度差值绝对值的相反数代入以自然常数e为底数的指数函数中得到第三结果，计算常数1与第三结果的差值作为对应邻域像素点与中心像素点之间的距离度量；获取窗口区域内每个邻域像素点与中心像素点之间的距离度量，当距离度量满足距离阈值时，确认对应邻域像素点为中心像素点的同类像素点；统计窗口区域内同类像素点的数量，当数量满足数量阈值时，确认中心像素点为核心点；当数量不满足数量阈值且对应中心像素点位于其他核心点的窗口区域内时，确认对应中心像素点为边界点；所述灰度图像中的非边界点和非核心点的像素点确认为噪声点。
2.如权利要求1所述的一种基于人工智能的智能摄像头自动调控方法，其特征在于，所述目标边界线对应的封闭区域的获取方法，包括：
计算生长边缘线上的任意一个像素点与任意一条实际边缘线上相对应位置的目标像素点之间的灰度差值绝对值，将灰度差值绝对值的相反数代入以自然常数e为底数的指数函数中得到第四结果，根据生长边缘线与任意一条实际边缘线之间的所有第四结果计算平均第四结果，将平均第四结果与对应的形状相似值的乘积作为边缘细节丢失概率；
获取每条实际边缘线与生长边缘线之间的边缘细节丢失概率，当最大的边缘细节丢失概率满足概率阈值时，确定生长边缘线作为目标边界线对应的缺失部分的实际边缘线，进而得到目标边界线的封闭区域。
3.如权利要求1所述的一种基于人工智能的智能摄像头自动调控方法，其特征在于，所述根据每一个封闭区域和背景区域之间的灰度差异获得封闭区域与背景区域之间的对比度的方法，包括：
获取任意一个封闭区域内以及背景区域内像素点的平均灰度值，得到最大平均灰度值；计算任意一个封闭区域的平均灰度值与背景区域的平均灰度值的差值绝对值，以差值绝对值为分子，最大平均灰度值为分母得到对应的比值，根据所有封闭区域对应的比值计算平均比值作为对比度。
4.如权利要求1所述的一种基于人工智能的智能摄像头自动调控方法，其特征在于，所述根据所述清晰度和所述对比度获得监控图像的图像模糊程度的方法，包括：
在封闭区域之间不存在包含的情况下，根据所述灰度图像中每个封闭区域的清晰度计算平均清晰度作为封闭区域的整体清晰度，获取整体清晰度与对比度的平均数，计算常数1与平均数的差值作为监控图像的图像模糊程度；
在封闭区域之间存在包含的情况下，计算相互包含的两个封闭区域属于同一区域的可能性指标，获取可能性指标大于或等于可能性阈值的这两个封闭区域中的最小封闭区域；计算可能性指标小于可能性阈值的这些封闭区域与所有最小封闭区域之间的第一平均清晰度；利用同一区域中的最大封闭区域减去最小封闭区域得到的剩余区域作为边界模糊区域，获取边界模糊区域的清晰度，计算所有边界模糊区域的第二平均清晰度，计算第一平均清晰度、第二平均清晰度和对比度之间的平均值，将常数1减去平均值的差值作为监控图像的图像模糊程度。
5.如权利要求4所述的一种基于人工智能的智能摄像头自动调控方法，其特征在于，所述计算相互包含的两个封闭区域属于同一区域的可能性指标的方法，包括：
对于相互包含的两个封闭区域，任意选一个封闭区域内的任意一个像素点作为第一目标像素点，过第一目标像素点作N条直线得到每条直线与对应封闭区域的两个交点，N为正整数；分别计算两个交点与第一目标像素点之间的欧式距离，获取每条直线对应的两个交点之间的欧式距离的差值绝对值，将差值绝对值的相反数代入以自然常数e为底数的指数函数中得到对应的指数函数结果，计算N条直线的指数函数结果的平均值作为第一目标像素点作为封闭区域的中心点的置信度；获取封闭区域中每个像素点作为封闭区域的中心点的置信度，取最大置信度对应的像素点作为中心点；
获取另一个封闭区域的中心点，计算相互包含的两个封闭区域之间的中心点的第一欧式距离；分别计算两个封闭区域的中心点的第i条直线的同侧两个交点之间的欧式距离和灰度差值绝对值，将两侧欧式距离的相加结果的相反数代入自然常数e为底数的指数函数中得到第一差异值，将两侧灰度差值绝对值的相加结果的相反数代入自然常数e为底数的指数函数中得到第二差异值，获取第一差异值与第二差异值的乘积；计算互相包含的两个封闭区域之间N条直线对应乘积的均值与第一欧式距离的倒数的乘积作为可能性指标。
6.如权利要求2所述的一种基于人工智能的智能摄像头自动调控方法，其特征在于，所述结合目标边界线的边缘细节丢失概率和图像模糊程度获取监控图像的图像质量评价指标的方法，包括：
根据每个目标边界线对应的最大的边缘细节丢失概率计算平均边缘细节丢失概率，将常数1减去平均边缘细节丢失概率的差值作为第一结果、常数1减去图像模糊程度的差值作为第二结果，将第一结果与第二结果的乘积作为监控图像的图像质量评价指标。
7.如权利要求6所述的一种基于人工智能的智能摄像头自动调控方法，其特征在于，所述基于图像质量评价指标获取最优曝光时间的方法，包括：
设置质量评价指标阈值，当图像质量评价指标大于质量评价指标阈值时，对应监控图像的曝光时间作为最优曝光时间；当图像质量评价指标小于或等于质量评价指标阈值时，根据平均边缘细节丢失概率和图像模糊程度获取最优曝光时间。
8.如权利要求7所述的一种基于人工智能的智能摄像头自动调控方法，其特征在于，所述根据平均边缘细节丢失概率和图像模糊程度获取最优曝光时间的方法，包括：
当平均边缘细节丢失概率大于或等于图像模糊程度时，获取常数1与平均边缘细节丢失概率之间的第一差值，将第一差值与监控图像的曝光时间的相乘结果与监控图像的曝光时间相加得到调节后的曝光时间；
当平均边缘细节丢失概率小于图像模糊程度时，获取监控图像的曝光时间与图像模糊程度的乘积，将监控图像的曝光时间减去乘积的差值作为调节后的曝光时间；
当调节后的曝光时间所采集的监控图像的图像质量评价指标大于质量评价指标阈值时，确认调节后的曝光时间为最优曝光时间；在调节次数满足调节次数阈值的情况下，当调节后的曝光时间所采集的监控图像的图像质量评价指标都是小于或等于质量评价指标阈值时，取图像质量评价指标最大所对应的曝光时间作为最优曝光时间。
9.一种基于人工智能的智能摄像头自动调控系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时，实现上述权利要求1-8任意一项所述一种基于人工智能的智能摄像头自动调控方法的步骤。
CN202211422734.XA 2022-11-15 2022-11-15 基于人工智能的智能摄像头自动调控方法及系统 Active CN115633259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211422734.XA CN115633259B (zh) 2022-11-15 2022-11-15 基于人工智能的智能摄像头自动调控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211422734.XA CN115633259B (zh) 2022-11-15 2022-11-15 基于人工智能的智能摄像头自动调控方法及系统

Publications (2)

Publication Number Publication Date
CN115633259A CN115633259A (zh) 2023-01-20
CN115633259B true CN115633259B (zh) 2023-03-10

Family

ID=84910684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211422734.XA Active CN115633259B (zh) 2022-11-15 2022-11-15 基于人工智能的智能摄像头自动调控方法及系统

Country Status (1)

Country Link
CN (1) CN115633259B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830106B (zh) * 2023-02-16 2023-04-25 智联信通科技股份有限公司 一种用于机房设备带电清洗的辅助定位方法
CN115868814B (zh) * 2023-03-02 2023-05-09 济南野风酥食品有限公司 一种具有视觉感知的煎饼机智能调控方法及系统
CN116071657B (zh) * 2023-03-07 2023-07-25 青岛旭华建设集团有限公司 一种建筑施工视频监控大数据的智能预警系统
CN116843757B (zh) * 2023-08-29 2023-12-01 山东千颐科技有限公司 基于计算机视觉的贴标机智能定位方法
CN117197741B (zh) * 2023-09-12 2024-02-13 杭州万禾电力科技有限公司 基于人工智能的开关柜运行异常监测方法
CN116952169B (zh) * 2023-09-21 2024-01-05 惠州市金箭精密部件有限公司 一种丝杆直线度智能检测系统及方法
CN117061710B (zh) * 2023-10-11 2024-02-27 深圳市蓝鲸智联科技股份有限公司 一种远程查看车内情况的系统及方法
CN117173641B (zh) * 2023-11-02 2024-03-05 南通苏禾车灯配件有限公司 基于机器视觉的自主洗车监测方法
CN117173191B (zh) * 2023-11-03 2024-03-05 南通鑫鑫医药药材有限公司 基于计算机视觉的药丸成型检测方法
CN117952860B (zh) * 2024-03-27 2024-06-21 山东正禾大教育科技有限公司 一种移动数字出版方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627140A (zh) * 2022-05-16 2022-06-14 新风光电子科技股份有限公司 基于高压变频器的煤矿通风机智能调节方法
CN115049669A (zh) * 2022-08-16 2022-09-13 如皋富美龙金属制品有限公司 金属缺陷识别方法
CN115311629A (zh) * 2022-10-12 2022-11-08 南通创为机械科技有限公司 一种折弯机的异常折弯精度监测系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102538765B (zh) * 2010-12-10 2014-09-03 上海卫星工程研究所 一种卫星的空间视频的测量方法
CN106856002B (zh) * 2016-11-22 2020-06-26 上海大学 一种无人机拍摄图像质量评价方法
CN108769543B (zh) * 2018-06-01 2020-12-18 北京壹卡行科技有限公司 曝光时间的确定方法及装置
CN112087556B (zh) * 2019-06-12 2023-04-07 武汉Tcl集团工业研究院有限公司 一种暗光成像方法、装置、可读存储介质及终端设备
CN114520880B (zh) * 2020-11-18 2023-04-18 华为技术有限公司 一种曝光参数调节方法及装置
CN112634160A (zh) * 2020-12-25 2021-04-09 北京小米松果电子有限公司 拍照方法及装置、终端、存储介质
CN114764775A (zh) * 2021-01-12 2022-07-19 深圳市普渡科技有限公司 红外图像质量评价方法、设备以及存储介质
CN114627524A (zh) * 2021-11-16 2022-06-14 浙江光珀智能科技有限公司 一种基于深度相机人脸自动曝光方法
CN114612946A (zh) * 2022-02-21 2022-06-10 北京极豪科技有限公司 曝光方法、电子设备、存储介质以及程序产品
CN115277984A (zh) * 2022-07-24 2022-11-01 湖南大学 玻璃尺寸检测中自适应的相机调整曝光时间的方法
CN115019160B (zh) * 2022-08-09 2022-11-11 中工重科智能装备有限责任公司 一种工厂仓库入库货物图像质量的控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627140A (zh) * 2022-05-16 2022-06-14 新风光电子科技股份有限公司 基于高压变频器的煤矿通风机智能调节方法
CN115049669A (zh) * 2022-08-16 2022-09-13 如皋富美龙金属制品有限公司 金属缺陷识别方法
CN115311629A (zh) * 2022-10-12 2022-11-08 南通创为机械科技有限公司 一种折弯机的异常折弯精度监测系统

Also Published As

Publication number Publication date
CN115633259A (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN115633259B (zh) 基于人工智能的智能摄像头自动调控方法及系统
CN115131354B (zh) 一种基于光学手段的实验室用塑料薄膜缺陷检测方法
CN116311079B (zh) 基于计算机视觉的民用安防工程监测方法
CN117132510B (zh) 一种基于图像处理的监控图像增强方法及系统
CN113327206B (zh) 基于人工智能的输电线智能巡检系统的图像模糊处理方法
CN117078565B (zh) 一种摄像头抖动模糊图像优化增强方法及系统
CN114612345A (zh) 一种基于图像处理的光源检测方法
CN115131346B (zh) 基于人工智能的发酵罐加工工序检测方法及系统
CN117557820B (zh) 一种基于机器视觉的量子点光学膜损伤检测方法及系统
CN114302226B (zh) 一种视频画幅智能裁剪方法
CN114998341A (zh) 一种基于模板匹配的齿轮缺陷检测方法及系统
CN113808135B (zh) 图像亮度异常检测方法、电子设备及存储介质
CN116993764B (zh) 一种胃部ct智能分割提取方法
CN113822927A (zh) 一种适用弱质量图像的人脸检测方法、装置、介质及设备
US11631183B2 (en) Method and system for motion segmentation
CN113362390B (zh) 一种基于椭圆检测的快速圆形目标定位视频处理方法
CN114923629A (zh) 一种纺织高速锭子旋转时振动幅值检测方法
CN115008255A (zh) 一种用于机床的刀具磨损识别方法及装置
CN114358131A (zh) 数码相框智能照片优化处理系统
CN114972084A (zh) 一种图像对焦准确度评价方法及系统
CN114143473A (zh) 一种智能成像光学参数自调整方法
CN116934636B (zh) 一种水质实时监测数据智能管理系统
CN117557587B (zh) 一种内窥镜冷光源亮度自动调节系统
CN117409275B (zh) 一种多角度雷达图像处理方法
CN117710245B (zh) 一种天体望远镜误差快速检测方法

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