CN115953419A - 一种基于超像素分析的动态视频检测预处理方法 - Google Patents

一种基于超像素分析的动态视频检测预处理方法 Download PDF

Info

Publication number
CN115953419A
CN115953419A CN202310223580.XA CN202310223580A CN115953419A CN 115953419 A CN115953419 A CN 115953419A CN 202310223580 A CN202310223580 A CN 202310223580A CN 115953419 A CN115953419 A CN 115953419A
Authority
CN
China
Prior art keywords
super
pixel
frame
superpixel
video
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
CN202310223580.XA
Other languages
English (en)
Inventor
柳若亮
郭守江
杜丽云
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.)
Tianjin Isecure Technology Co ltd
Original Assignee
Tianjin Isecure 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 Tianjin Isecure Technology Co ltd filed Critical Tianjin Isecure Technology Co ltd
Priority to CN202310223580.XA priority Critical patent/CN115953419A/zh
Publication of CN115953419A publication Critical patent/CN115953419A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于超像素分析的动态视频检测预处理方法，涉及计算机视觉视频分析技术领域，本发明将视频帧中的超像素作为基本单元提取光流特性，结合颜色、边界信息，将连续视频帧中的细节和特征信息进行细化增强，从而在复杂场景的运动视频中完整地提取显著目标，方便后续视频检测。本发明预处理方法与同类预处理方法相比能够很好抑制复杂场景的运动视频中的背景噪声，突出显著目标的细节特征，准确用边界和区域信息凸显视频中的运动变化，方便后续算法进行特征提取或者类似识别。

Description

一种基于超像素分析的动态视频检测预处理方法
技术领域
本发明涉及计算机视觉视频分析技术领域，更具体地说，涉及一种基于超像素分析的动态视频检测预处理方法。
背景技术
随着计算机视觉技术的发展，视频中运动目标的自动化检测和识别一直是近些年研究的热点方向。其中基于生物视觉的显著性监测模型利用中心环绕算子计算、亮度、颜色和方向特征图的方式可以定位显著目标区域。但这种方法应用在复杂场景的运动视频检测中由于场景存在快速变化、背景图像复杂或运动方向变化不定等因素，检测性能不尽人意。在一些改进算法中，研究人员将运动特征添加进了图像显著模型当中，提高了一些特定情况下的检测准确度，但是这些方法并未考虑视频显著性应具有时空一致性的约束，这就导致不少前景与背景区域的误识别，这些改进方法依旧导致在整体视场移动或存在背景运动时运动目标定位不准确，甚至存在不少误检测。因此上述这些传统视频预处理方法都会导致信息失真，例如运动检测不完全，检测结果中存在大量误检点等情况。
发明内容
本发明要解决的技术问题是提供一种基于超像素分析的动态视频检测预处理方法，解决在复杂场景的运动视频中完整地提取显著目标的视频预处理问题，最终实现在复杂场景的运动视频中通过预处理抑制背景噪声、突出显著目标的细节特征、准确用边界和区域信息凸显视频中的运动变化并输出图像预处理结果的目的，方便后续算法进行特征提取。
为了达到上述目的，本发明采取以下技术方案：
一种基于超像素分析的动态视频检测预处理方法，包括如下步骤：
S1、获取视频图像数据，进行视频编解码，并对视频进行抽帧处理；
S2、针对S1得到的帧进行超像素分割，对各超像素计算颜色梯度值；
S3、针对S1得到的帧进行相邻帧的光流变化量计算光流梯度值；
S4、将S2得到的颜色梯度值、S3得到的光流梯度值整合为时空梯度，并用此分割出当前帧的显著目标区域；
S5、对于S4得到的显著目标区域，利用像素点的时空场运动方向生成视频的运动显著图；
S6、对S1得到的帧，使用线性迭代聚类分割超像素图，然后利用图像边界信息从超像素图进行帧内背景种子的收集，然后再选择前景种子通过随机游走排序得出超像素背景显著图；
S7、对S6得到的超像素背景显著图进行二值化，选择基于背景的显著值大于阈值的超像素组成前景种子集，用前景种子计算每个超像素的空间颜色相似度；
S8、利用游走算法对S7得到的前景种子重新排序，获得最终优化后的超像素前景显著图；
S9、将S5得到的运动显著图与S8得到的超像素前景显著图整合为时空显著图，并输出预处理结果。
优选的，S2中，采用线性迭代聚类进行超像素的分割。
优选的，S3中用大位移运动估计法进行光流梯度值的计算。
优选的，S2中采用线性迭代聚类方法进行超像素分割，对Nk帧的各超像素计算X=(x,y)处的颜色梯度值
Figure SMS_1
，计算公式如下：
Figure SMS_2
        (1)
其中，
Figure SMS_3
是Nk帧的超像素抽象模型，
K为帧内超像素个数，
C为超像素紧凑程度。
优选的，S3中计算Nk帧图像中超像素点X=(x,y)处的光流梯度值
Figure SMS_4
，公式如下：
Figure SMS_5
          (2)
其中，
K为帧内超像素个数，
d为邻居框的距离参数，
Figure SMS_6
为Nk帧的光流场。
优选的，S4中，Nk帧图像中超像素点X=(x,y)处的时空梯度Mk(X)的整合公式为：
Figure SMS_7
 (3)
其中，
Figure SMS_8
为X=(x,y)处的颜色梯度值，
Figure SMS_9
为X=(x,y)处的光流梯度值，
Figure SMS_10
是比例因子，
Figure SMS_11
表示分割出静止画面，
Figure SMS_12
表示分割出显著目标区域。
优选的，S6中，第Nk帧背景种子子集设为B，第i个超像素背景显著图
Figure SMS_13
计算公式为：
Figure SMS_14
        (4)
其中，
d为邻居框的距离参数，
Figure SMS_15
为第i个超像素的颜色信息，
Figure SMS_16
为第n个超像素的颜色信息，
Figure SMS_17
为第i个超像素和第n个超像素的颜色距离的欧几里得归一化值，
Figure SMS_18
为第i个超像素的空间信息，
Figure SMS_19
为第n个超像素的空间信息，
Figure SMS_20
为第i个超像素和第n个超像素的空间距离的欧几里得归一化值，
Figure SMS_21
是调解颜色和空间距离的权重值。
优选的，S7中，获取背景显著值大于阈值的超像素的方法为：
Figure SMS_22
       (5)
Figure SMS_23
     (6)
其中，
Figure SMS_24
为背景显著值大于阈值的超像素背景显著图，
Figure SMS_25
为背景种子集的数值表示，
Figure SMS_26
为第m个超像素的背景显著图。
优选的，S8中，第Nk帧前景种子子集设为F，第i个超像素的前景显著图
Figure SMS_27
计算公式为：
Figure SMS_28
    (7)
其中，
d为邻居框的距离参数，
Figure SMS_29
为第i个超像素的颜色信息，
Figure SMS_30
为第n个超像素的颜色信息，
Figure SMS_31
为第i个超像素和第n个超像素的颜色距离的欧几里得归一化值，
Figure SMS_32
为第i个超像素的空间信息，
Figure SMS_33
为第n个超像素的空间信息，
Figure SMS_34
为第i个超像素和第n个超像素的空间距离的欧几里得归一化值，
Figure SMS_35
和
Figure SMS_36
分别为颜色和位置关系的权重值。
优选的，S9中的整合方法为加权处理运算：
Figure SMS_37
   (8)
Figure SMS_38
    (9)
其中，
S为整合后的时空显著图，
Sn表示运动显著图，
Figure SMS_39
表示超像素前景显著图，
Figure SMS_40
表示空间显著性权重，
mean表示求均值的矩阵运算。
本发明还公开一种用于上述方法的基于超像素分析的动态视频检测预处理设备，包括：
外壳，所述外壳内侧面设置有电源模块，所属电源模块通过电源线与外部连接；
所述外壳内底部架设有底板，所述底板用于视频编解码；
所述底板上方架设有视频预处理核心板，所述视频预处理核心板用于对已解码的视频进行处理；所述底板和所述视频预处理核心板之间通过线路通讯连接；
所述底板还通过RJ45数据线与网络中的其他设备进行数据交互。
优选的，所述设备还包括设置于所述外壳内的散热模块。
优选的，所述散热模块设置于所述视频预处理核心板与所述外壳顶面之间的中空区域，所述外壳顶面开设有散热孔。
优选的，所述散热模块包括位于下部的凹型散热片和位于上部的散热风扇，所述凹型散热片底部紧贴所述视频预处理核心板上的核心处理器，所述散热风扇正对外壳顶面上的散热孔。
优选的，所述凹型散热片和所述视频预处理核心板之间填充有散热硅胶。
优选的，所述电源线直接连接220V市电，所述电源模块将220V转化为12V直流电后与底板相连，所述底板与视频预处理核心板间采用标准插针连接。
优选的，所述外壳上固定有三个状态指示灯，三个所述状态指示灯分别指示电源状态、网络连接状态和视频预处理算法工作状态。
优选的，所述电源模块通过螺丝固定在外壳顶部；所述散热模块采用卡扣直接固定在所述外壳顶板内表面；所述底板和视频预处理核心板直接通过立柱固定在外壳底部。
本发明相对于现有技术的优点在于，本发明将视频帧中的超像素为基本单元提取光流特性，结合颜色、边界信息，能够将连续视频帧中的细节和特征信息进行细化增强，从而在复杂场景的运动视频中完整地提取显著目标，方便后续视频检测；本发明预处理方法与同类预处理方法相比能够很好抑制复杂场景的运动视频中的背景噪声，突出显著目标的细节特征，准确用边界和区域信息凸显视频中的运动变化，方便后续算法进行特征提取或者类似识别。同时，本发明设备将视频预处理算法集成在一个前端嵌入式设备中，可以通过网线直接接入监控摄像头端、医学影像设备、生物特征识别等设备的网络中，直接进行视频预处理，减少了因网络传输所带来的各项不确定性、减小了设备空间、方便了产品部署、减少了计算机识别系统的实施复杂性。
附图说明
图1是本发明方法流程图；
图2是本发明设备示意图；
图3是本发明设备与其他设备连接示意图。
图中，1、电源线，2、电源模块，3、散热模块，4、视频预处理核心板，5、状态指示灯，6、RJ45数据线通过口，7、底板。
具体实施方式
下面结合附图对本发明的具体实施方式作描述。
如图1所示，本发明一种在复杂场景的运动视频中完整地提取显著目标的视频预处理的检测方法，具体包括以下步骤；
S1、通过RJ45端口获取视频图像数据，将数据传送给底板，对视频进行抽帧处理，提取视频预处理所需的原始帧N={N1,N2,...,Nn}；
对于所抽的帧，同时进行下述S2、S3、S6的处理；
将S2与S3的处理结果一起输入S4进行处理，并将S4得到的结果输入S5，将S5得到的结果输入S9；
将S6得到的结果依次经过S7、S8处理后输入S9进行整合；
SS2、对于一个视频序列N={N1,N2,...,Nn}，使用线性迭代聚类分割每一帧的超像素，边界和不连续性揭示了帧的重要内容。对第k帧Nk的超像素集Pk可表述为Pk={P(k,1)，P(k,2)，...}。对各超像素计算X=(x,y)处的颜色梯度值：
Figure SMS_41
        (1)
其中，
Figure SMS_42
是Nk帧的超像素抽象模型，
K为帧内超像素个数，
C为超像素紧凑程度。
S3、令Nk帧的光流场为
Figure SMS_43
，通过相邻帧的光流变化量，用大位移运动估计法（DNN开源模块）计算Nk帧图像中超像素点X=(x,y)处的光流梯度值：
Figure SMS_44
  (2)
其中，
K为帧内超像素个数，
d为邻居框的距离参数，则框大小为D=2d+1
Figure SMS_45
为Nk帧的光流场。
S4、将S2和S3得到的颜色梯度值和光流梯度值整合为Nk帧的时空梯度Mk中：
Figure SMS_46
  (3)
其中，
Figure SMS_47
为X=(x,y)处的颜色梯度值，
Figure SMS_48
为X=(x,y)处的光流梯度值，
Figure SMS_49
是函数的比例因子，可简单取1简化运算，
Figure SMS_50
表示分割出静止画面，光流梯度可以忽略不计，
Figure SMS_51
表示可以准确地分割出显著目标区域。
S5、对于视频帧中的每个像素，设置上下左右四个方向作为时空梯度场的运动方向，将梯度流值最小的像素流值作为运动显著梯度流，对最小的像素梯度值大于设定阈值(0.1-0.9可调,如0.2)的前景进行灰度膨胀，作为视频的运动显著图Sn1。
第Nk帧背景种子子集设为，第i个超像素背景显著图
Figure SMS_52
计算公式为：
Figure SMS_53
          (4)
其中，
d为邻居框的距离参数，
Figure SMS_54
为第i个超像素的颜色信息，
Figure SMS_55
为第n个超像素的颜色信息，
Figure SMS_56
为第i个超像素和第n个超像素的颜色距离的欧几里得归一化值，
Figure SMS_57
为第i个超像素的空间信息，
Figure SMS_58
为第n个超像素的空间信息，
Figure SMS_59
为第i个超像素和第n个超像素的空间距离的欧几里得归一化值，
Figure SMS_60
是调解颜色和空间距离的权重值。
S7、对背景显著图进行二值化，选择基于背景的显著值大于阈值的超像素组成前景种子集，用前景种子计算每个超像素的空间颜色相似度，用前景种子计算每个超像素的空间颜色相似度。
获取背景显著值大于阈值的超像素的方法为：
Figure SMS_61
        (5)
Figure SMS_62
           (6)
其中，
Figure SMS_63
为背景显著值大于阈值的超像素背景显著图，
Figure SMS_64
为背景种子集的数值表示，
Figure SMS_65
为第m个超像素的背景显著图。
S8、将之前S2至S7所获取的背景种子和前景种子整合为
Figure SMS_66
,其中k=1时表述为背景种子集B，k=2时表述为前景种子集。利用游走算法重新排序，获得最终优化后的超像素前景显著图
Figure SMS_67
。
Figure SMS_68
        (7)
其中，
d为邻居框的距离参数，
Figure SMS_69
为第i个超像素的颜色信息，
Figure SMS_70
为第n个超像素的颜色信息，
Figure SMS_71
为第i个超像素和第n个超像素的颜色距离的欧几里得归一化值，
Figure SMS_72
为第i个超像素的空间信息，
Figure SMS_73
为第n个超像素的空间信息，
Figure SMS_74
为第i个超像素和第n个超像素的空间距离的欧几里得归一化值，
Figure SMS_75
和
Figure SMS_76
分别为颜色和位置关系的权重值。
S9、将运动显著图Sn1和超像素前景显著图Sn2整合为时空显著图，并输出预处理结果，整合方法为： 
Figure SMS_77
   (8)
Figure SMS_78
     (9)
其中，
S为整合后的时空显著图，
Sn表示运动显著图，
Figure SMS_79
表示超像素的前景显著图，
mean表示求均值的矩阵运算，
Figure SMS_80
表示空间显著性权重，由事件显著性的散度来决定，当运动目标较小或者运动区域较集中时，可通过减小此值来增加时间显著性的权重。
进一步，设备视频预处理算法中：抽帧、每帧超像素处理结果、相邻帧获得的光流梯度图、时空梯度场图、运动显著图Sn1、优化后的前景显著图Sn2和最终的时空显著图S均可以作为设备输出。
进一步，设备视频预处理算法中：最小的像素梯度阈值、调解颜色和空间距离的权重值、颜色和位置关系的权重值、时间显著性的权重值均可通过网络调用设备算法参数进行调整。
进一步，S1至S9的权重均可作为变量输出，用以调整不同场景的参数，供后续识别算法使用。
进一步，S1至S9中得到的：抽帧、每帧超像素处理结果、相邻帧获得的光流梯度图、时空梯度场图、运动显著图Sn1、优化后的前景显著图Sn2和最终的时空显著图S均可以作为系统输出，方便进行效果对比，后续算法为降低空间复杂度提升实施效果可以选取其中任意输出进行后续识别运算。
如图2所示，本发明还公开了一种基于超像素分析的动态视频检测预处理设备结构图。
设备包括外壳及其内部的电源模块2、底板7、视频预处理核心板4和散热模块3。
设备采用220v市电直接供电、采用RJ45数据线进行通讯、设备有状态指示灯5、采用视频处理底板7和视频预处理核心板4两级结构；
设备底板7、视频预处理核心板4均通过立柱固定架安装在壳体内；散热模块3由底部凹型的铝制散热片和其上的散热风扇组成。
壳体内部设有多个安装孔，底板7、视频预处理核心板4直接通过立柱固定在外壳底部；电源模块2通过螺丝固定在外壳顶部；散热模块3采用卡扣直接固定在视频预处理核心板4上。
设备通过RJ45数据线与网络中的其他设备进行数据交互，RJ45数据线通过口6位于外壳，RJ45接口位于底板7上，底板7通过线路与视频预处理核心板4连接。
设备电源线1直接连接220V市电，电源模块2将转化为12V直流电与底板7相连，底板7与视频预处理核心板4间采用标准插针连接，视频预处理核心板4与散热模块3连接。
设备状态指示灯5有三个一组，三个指示灯分别指示电源状态、网络连接状态和视频预处理算法工作状态。
散热模块3协助视频预处理核心板4模块降温。
产品视频预处理核心板4与壳体顶部间形成中空空间；散热模块3位于中空空间内，壳体顶部设有散热孔，散热孔位于中空空间正上方；散热模块3由下部凹型散热片和上部散热风扇两部分组成，凹型散热片底部紧贴视频预处理核心板4上的核心处理器，其间填充散热硅胶，凹型散热片上方有散热风扇正对外壳上的散热孔。
如图3所示，基于超像素分析的动态视频检测预处理设备将视频预处理算法集成在一个前端嵌入式设备中，可以通过网线直接接入原有监控系统、原有医学影像设备端、原有生物特征采集设备等的网络中，直接使用RJ45接口接入网络中的交换机，在计算机端输入设备IP地址即可登入设置，直接对视频源进行图像预处理，减少了因网络传输所带来的各项不确定性、减小了设备空间、方便了产品部署、减少了计算机视觉识别系统的实施复杂性；基于超像素分析的动态视频检测预处理设备输出的预处理结果传输到视频识别服务器或视频识别应用设备，为用户或企业提供相关的计算服务，便于相关研究、侦查、诊疗、产品开发等领域的应用。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于超像素分析的动态视频检测预处理方法，其特征在于，包括如下步骤：
S1、获取视频图像数据，进行视频编解码，并对视频进行抽帧处理；
S2、针对S1得到的帧进行超像素分割，对各超像素计算颜色梯度值；
S3、针对S1得到的帧进行相邻帧的光流变化量计算光流梯度值；
S4、将S2得到的颜色梯度值、S3得到的光流梯度值整合为时空梯度，并用此分割出当前帧的显著目标区域；
S5、对于S4得到的显著目标区域，利用像素点的时空场运动方向生成视频的运动显著图；
S6、对S1得到的帧，使用线性迭代聚类分割超像素图，然后利用图像边界信息从超像素图进行帧内背景种子的收集，然后再选择前景种子通过随机游走排序得出超像素背景显著图；
S7、对S6得到的超像素背景显著图进行二值化，选择基于背景的显著值大于阈值的超像素组成前景种子集；
S8、利用游走算法对S7得到的前景种子重新排序，获得最终优化后的超像素前景显著图；
S9、将S5得到的运动显著图与S8得到的超像素前景显著图整合为时空显著图，并输出预处理结果。
2.根据权利要求1所述基于超像素分析的动态视频检测预处理方法，其特征在于，S2中，采用线性迭代聚类进行超像素的分割。
3.根据权利要求1所述基于超像素分析的动态视频检测预处理方法，其特征在于，S3中用大位移运动估计法进行光流梯度值的计算。
4.根据权利要求1所述基于超像素分析的动态视频检测预处理方法，其特征在于，S2中采用线性迭代聚类方法进行超像素分割，对Nk帧的各超像素计算X=(x,y)处的颜色梯度值
Figure QLYQS_1
，计算公式如下：
Figure QLYQS_2
       (1)
其中，
Figure QLYQS_3
是Nk帧的超像素抽象模型，
K为帧内超像素个数，
C为超像素紧凑程度。
5.根据权利要求1所述基于超像素分析的动态视频检测预处理方法，其特征在于，S3中计算Nk帧图像中超像素点X=(x,y)处的光流梯度值
Figure QLYQS_4
，公式如下：
Figure QLYQS_5
          (2)
其中，
K为帧内超像素个数，
d为邻居框的距离参数，
Figure QLYQS_6
为Nk帧的光流场。
6.根据权利要求1所述基于超像素分析的动态视频检测预处理方法，其特征在于，S4中，Nk帧图像中超像素点X=(x,y)处的时空梯度Mk(X)的整合公式为：
Figure QLYQS_7
             (3)
其中，
Figure QLYQS_8
为X=(x,y)处的颜色梯度值，
Figure QLYQS_9
为X=(x,y)处的光流梯度值，
Figure QLYQS_10
是比例因子，
Figure QLYQS_11
表示分割出静止画面，
Figure QLYQS_12
表示分割出显著目标区域。
7.根据权利要求1所述基于超像素分析的动态视频检测预处理方法，其特征在于，S6中，第Nk帧背景种子子集设为B，第i个超像素背景显著图
Figure QLYQS_13
计算公式为：
Figure QLYQS_14
             (4)
其中，
d为邻居框的距离参数，
Figure QLYQS_15
为第i个超像素的颜色信息，
Figure QLYQS_16
为第n个超像素的颜色信息，
Figure QLYQS_17
为第i个超像素和第n个超像素的颜色距离的欧几里得归一化值，
Figure QLYQS_18
为第i个超像素的空间信息，
Figure QLYQS_19
为第n个超像素的空间信息，
Figure QLYQS_20
为第i个超像素和第n个超像素的空间距离的欧几里得归一化值，
Figure QLYQS_21
是调解颜色和空间距离的权重值。
8.根据权利要求1所述基于超像素分析的动态视频检测预处理方法，其特征在于，S7中，获取背景显著值大于阈值的超像素的方法为：
Figure QLYQS_22
         (5)
Figure QLYQS_23
                     (6)
其中，
Figure QLYQS_24
为背景显著值大于阈值的超像素背景显著图，
Figure QLYQS_25
为背景种子集的数值表示，
Figure QLYQS_26
为第m个超像素的背景显著图。
9.根据权利要求1所述基于超像素分析的动态视频检测预处理方法，其特征在于，S8中，第Nk帧前景种子子集设为F，第i个超像素的前景显著图
Figure QLYQS_27
计算公式为：
Figure QLYQS_28
               (7)
其中，
d为邻居框的距离参数，
Figure QLYQS_29
为第i个超像素的颜色信息，
Figure QLYQS_30
为第n个超像素的颜色信息，
Figure QLYQS_31
为第i个超像素和第n个超像素的颜色距离的欧几里得归一化值，
Figure QLYQS_32
为第i个超像素的空间信息，
Figure QLYQS_33
为第n个超像素的空间信息，
Figure QLYQS_34
为第i个超像素和第n个超像素的空间距离的欧几里得归一化值，
Figure QLYQS_35
和
Figure QLYQS_36
分别为颜色和位置关系的权重值。
10.根据权利要求1所述基于超像素分析的动态视频检测预处理方法，其特征在于，S9中的整合方法为加权处理运算：
Figure QLYQS_37
     (8)
Figure QLYQS_38
        (9)
其中，
S为整合后的时空显著图，
Sn表示运动显著图，
Figure QLYQS_39
表示超像素前景显著图，
Figure QLYQS_40
表示空间显著性权重，
mean表示求均值的矩阵运算。
CN202310223580.XA 2023-03-09 2023-03-09 一种基于超像素分析的动态视频检测预处理方法 Pending CN115953419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310223580.XA CN115953419A (zh) 2023-03-09 2023-03-09 一种基于超像素分析的动态视频检测预处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310223580.XA CN115953419A (zh) 2023-03-09 2023-03-09 一种基于超像素分析的动态视频检测预处理方法

Publications (1)

Publication Number Publication Date
CN115953419A true CN115953419A (zh) 2023-04-11

Family

ID=87286142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310223580.XA Pending CN115953419A (zh) 2023-03-09 2023-03-09 一种基于超像素分析的动态视频检测预处理方法

Country Status (1)

Country Link
CN (1) CN115953419A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853986A (zh) * 2024-03-06 2024-04-09 西安众望能源科技有限公司 一种基于油井设备的视频监控系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488812A (zh) * 2015-11-24 2016-04-13 江南大学 一种融合运动特征的时空显著性检测方法
CN105913456A (zh) * 2016-04-12 2016-08-31 西安电子科技大学 基于区域分割的视频显著性检测方法
CN106952286A (zh) * 2017-03-21 2017-07-14 中国人民解放军火箭军工程大学 基于运动显著图和光流矢量分析的动态背景目标分割方法
CN107392917A (zh) * 2017-06-09 2017-11-24 深圳大学 一种基于时空约束的视频显著性检测方法及系统
CN107564022A (zh) * 2017-07-13 2018-01-09 西安电子科技大学 基于贝叶斯融合的视频显著性检测方法
CN109711417A (zh) * 2018-12-06 2019-05-03 重庆邮电大学 一种基于低水平显著性融合和测地线的视频显著性检测方法
CN113128344A (zh) * 2021-03-19 2021-07-16 杭州电子科技大学 一种多信息融合的立体视频显著性检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488812A (zh) * 2015-11-24 2016-04-13 江南大学 一种融合运动特征的时空显著性检测方法
CN105913456A (zh) * 2016-04-12 2016-08-31 西安电子科技大学 基于区域分割的视频显著性检测方法
CN106952286A (zh) * 2017-03-21 2017-07-14 中国人民解放军火箭军工程大学 基于运动显著图和光流矢量分析的动态背景目标分割方法
CN107392917A (zh) * 2017-06-09 2017-11-24 深圳大学 一种基于时空约束的视频显著性检测方法及系统
CN107564022A (zh) * 2017-07-13 2018-01-09 西安电子科技大学 基于贝叶斯融合的视频显著性检测方法
CN109711417A (zh) * 2018-12-06 2019-05-03 重庆邮电大学 一种基于低水平显著性融合和测地线的视频显著性检测方法
CN113128344A (zh) * 2021-03-19 2021-07-16 杭州电子科技大学 一种多信息融合的立体视频显著性检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李春华 等: ""基于像素级估计的视频显著性检测"", 《河北工业科技》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853986A (zh) * 2024-03-06 2024-04-09 西安众望能源科技有限公司 一种基于油井设备的视频监控系统及方法
CN117853986B (zh) * 2024-03-06 2024-05-28 西安众望能源科技有限公司 一种基于油井设备的视频监控系统及方法

Similar Documents

Publication Publication Date Title
Zhou et al. Histogram of oriented gradients feature extraction from raw bayer pattern images
KR102319177B1 (ko) 이미지 내의 객체 자세를 결정하는 방법 및 장치, 장비, 및 저장 매체
CN110532970B (zh) 人脸2d图像的年龄性别属性分析方法、系统、设备和介质
CN108764071B (zh) 一种基于红外和可见光图像的真实人脸检测方法及装置
WO2016183766A1 (en) Method and apparatus for generating predictive models
TW202014984A (zh) 一種圖像處理方法、電子設備及存儲介質
CN110580428A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
WO2020134818A1 (zh) 图像处理方法及相关产品
BR102015005929B1 (pt) Sistema e método para composição e compressão de vídeo com base em contexto a partir de objetos com resolução espacial normalizada
CN114783003B (zh) 一种基于局部特征注意力的行人重识别方法和装置
CN109712177B (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN109359577B (zh) 一种基于机器学习的复杂背景下人数检测系统
CN113228626B (zh) 视频监控系统和方法
CN113762009B (zh) 一种基于多尺度特征融合及双注意力机制的人群计数方法
KR20140095333A (ko) 영상에서 객체 추적 방법 및 장치
WO2022116104A1 (zh) 图像处理方法、装置、设备及存储介质
CN115953419A (zh) 一种基于超像素分析的动态视频检测预处理方法
WO2023159898A1 (zh) 一种动作识别系统、方法、装置及模型训练方法、装置、计算机设备及计算机可读存储介质
CN113887387A (zh) 一种滑雪场目标影像生成方法、系统和服务器
CN112907569A (zh) 头部图像区域的分割方法、装置、电子设备和存储介质
CN109151325A (zh) 一种合成笑脸的处理方法及处理装置
CN116152439A (zh) 一种基于多视角人体图像的人体三维姿态重建方法及系统
CN110222647B (zh) 一种基于卷积神经网络的人脸活体检测方法
CN113065506B (zh) 一种人体姿态识别方法及系统
WO2020196520A1 (en) Method, system and computer readable media for object detection coverage estimation

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