CN116645527A - 图像识别方法、系统、电子设备和存储介质 - Google Patents
图像识别方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116645527A CN116645527A CN202310465327.5A CN202310465327A CN116645527A CN 116645527 A CN116645527 A CN 116645527A CN 202310465327 A CN202310465327 A CN 202310465327A CN 116645527 A CN116645527 A CN 116645527A
- Authority
- CN
- China
- Prior art keywords
- brightness
- pixel
- gray
- scene
- pixel region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims description 11
- 238000009826 distribution Methods 0.000 claims abstract description 48
- 238000010586 diagram Methods 0.000 claims abstract description 34
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000005192 partition Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种图像识别方法,该方法包括:根据当前帧图像的像素点灰度信息,得到像素区域分布图,通过该像素区域分布图确定场景判断参数,将场景判断参数及环境亮度与预设优化亮度表匹配,得到与当前场景适配的优化曝光亮度,将优化曝光亮度与默认曝光亮度进行对比,确定目标曝光亮度,通过目标曝光亮度对下一帧图像进行调优,并识别下一帧图像。解决了图像识别受环境因素影响大,导致识别成功率低的问题,结合曝光信息和像素点灰度信息分析目标对象所在场景,根据分析结果适配一个优化曝光亮度,通过优化曝光亮度拍摄下一帧图像并进行识别,提高了图像识别的成功率,该方法不依赖于硬件且对所有场景适用。
Description
技术领域
本申请涉及人工智能领域,特别是涉及图像识别方法、系统、电子设备和存储介质。
背景技术
随着人工智能领域的快速发展,图像识别技术的应用也越来越广泛。然而,图像识别的效果受环境因素(顺光、逆光、室内、室外等)影响较大,例如,在逆光环境下,拍摄的画面会出现背景区域发白、识别对象区域暗黑的情况,导致无法准确识别。
在相关技术中,图像质量调优的方法主要包括如下几种:
1.通过宽动态功能实现对图像的优化。其中,宽动态功能通过同一时间曝光两次(一次快一次慢)得到两张图像,再将两张图像合成得到能够区分暗区和亮区的图像。但是,该项功能依赖于硬件实现,无法在所有设备上实现;
2.通过背光补偿功能实现对图像的优化。背光补偿功能是通过图像分成几个不同的区域之后,对每个区域分别曝光,通过改善曝光量使得背景和主体的亮度差减小,进而实现对图像的调优。但是,背光补偿功能仅只针对背光场景调优,而其他场景(如顺光、多光源等)无法改善;
3.基于深度学习算法判断场景,根据场景信息调整相机曝光参数,得到优化的图像。该类方法需要引入算法库,且算法训练耗时长,对于资源有限的系统来说,引入算法库无疑增加了系统负担。
目前针对相关技术中图像识别受环境因素影响大,导致识别成功率低的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种图像识别方法、系统、电子设备和存储介质,以至少解决相关技术中图像识别受环境因素影响大,导致识别成功率低的问题。
第一方面,本申请实施例提供了一种图像识别方法,所述方法包括:
获取当前帧图像的环境亮度、默认曝光亮度和像素点灰度信息;
根据所述像素点灰度信息生成灰度直方图,对所述灰度直方图进行区域划分,得到像素区域分布图,根据所述像素区域分布图,确定第一场景判断参数和第二场景判断参数;
将所述第一场景判断参数、所述第二场景判断参数和所述环境亮度,与预设优化亮度表进行匹配,得到优化曝光亮度,其中,所述预设优化亮度表中保存了与真实场景匹配的曝光亮度;
根据所述优化曝光亮度和所述默认曝光亮度,确定目标曝光亮度;
通过所述目标曝光亮度获取下一帧图像,并识别所述下一帧图像。
在其中一些实施例中,根据所述像素点灰度信息生成灰度直方图,对所述灰度直方图进行区域划分,得到像素区域分布图包括:
通过所述像素点灰度信息,获取当前帧图像中各个灰度值对应的像素点数;
根据各个灰度值对应的像素点数,生成灰度直方图;
根据预设灰度分区条件,对所述灰度直方图进行区域划分,得到所述像素区域分布图,其中,所述像素区域分布图包括第一像素区域、第二像素区域和第三像素区域。
在其中一些实施例中,根据所述像素区域分布图,确定第一场景判断参数和第二场景判断参数包括:
根据所述像素区域分布图,确定各个像素区域的中心像素点;
根据所述各个像素区域的中心像素点,得到各个像素区域的中心灰度值;
通过所述各个像素区域的中心灰度值,确定所述第一场景判断参数和所述第二场景判断参数。
在其中一些实施例中,通过如下公式确定所述第一场景判断参数:
BD=m3-m1
其中,BD是第一场景判断参数,m1是第一像素区域对应的中心灰度值,m3是第三像素区域对应的中心灰度值;
通过如下公式确定所述第二场景判断参数:
其中,MBE是第二场景判断参数,m1是第一像素区域对应的中心灰度值,m2是第二像素区域对应的中心灰度值,m3是第三像素区域对应的中心灰度值。
在其中一些实施例中,所述将所述第一场景判断参数、所述第二场景判断参数和所述环境亮度,与预设优化亮度表进行匹配,得到优化曝光亮度包括:
根据所述第一场景判断参数、所述第二场景判断参数和所述环境亮度,查找所述预设优化亮度表,得到N个匹配曝光亮度;
根据所述匹配曝光亮度,通过线性插值算法,得到所述优化曝光亮度。
在其中一些实施例中,所述根据所述优化曝光亮度和所述默认曝光亮度,确定目标曝光亮度包括:
获取所述默认曝光亮度与所述优化曝光亮度的绝对差值,
在所述绝对差值大于预设亮度变化阈值的情况下,将所述目标曝光亮度设置为所述优化曝光亮度,
在所述绝对差值小于等于所述预设亮度变化阈值的情况下,将所述目标曝光亮度设置为所述默认曝光亮度。
第二方面,本申请实施例提供了一种图像识别系统,所述系统包括:信息获取模块、参数确定模块、亮度匹配模块、亮度调整模块和识别模块:
所述信息获取模块,用于获取当前帧图像的环境亮度、默认曝光亮度和像素点灰度信息;
所述参数确定模块,用于根据所述像素点灰度信息生成灰度直方图,对所述灰度直方图进行区域划分,得到像素区域分布图,根据所述像素区域分布图,确定第一场景判断参数和第二场景判断参数;
所述亮度匹配模块,用于将所述第一场景判断参数、所述第二场景判断参数和所述环境亮度,与预设优化亮度表进行匹配,得到优化曝光亮度,其中,所述预设优化亮度表中保存了与真实场景匹配的曝光亮度;
所述亮度调整模块,用于根据所述优化曝光亮度和所述默认曝光亮度,确定目标曝光亮度;
所述识别模块,用于通过所述目标曝光亮度获取下一帧图像,并识别所述下一帧图像。
在其中一些实施例中,所述参数确定模块还用于根据所述像素点灰度信息,获取当前帧图像中各个灰度值对应的像素点数,根据各个灰度值对应的像素点数,生成灰度直方图,根据预设灰度分区条件,对所述灰度直方图进行区域划分,得到所述像素区域分布图,其中,所述像素区域分布图包括第一像素区域、第二像素区域和第三像素区域。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的图像识别方法。
第四方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的图像识别方法。
相比于相关技术,本申请实施例提供的图像识别方法,通过当前帧图像的像素点灰度信息,得到像素区域分布图,根据该像素区域分布图确定场景判断参数,将场景判断参数及环境亮度与预设优化亮度表匹配,得到与当前场景适配的优化曝光亮度,将优化曝光亮度与默认曝光亮度对比,确定目标曝光亮度,通过目标曝光亮度对下一帧图像进行调优,并识别下一帧图像。解决了图像识别受环境因素影响大,导致识别成功率低的问题,结合曝光信息和像素点灰度信息对目标对象所在场景进行分析,根据分析结果适配一个较优的目标曝光亮度,通过目标曝光亮度拍摄图像并进行识别,提高了图像识别的成功率,该方法不依赖于硬件且对所有场景适用。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的图像识别方法的应用环境示意图;
图2是根据本申请实施例的图像识别方法的流程图;
图3是根据本申请实施例的一种灰度直方图;
图4是根据本申请实施例的一种像素区域分布图;
图5是根据本申请实施例的一种图像曝光亮度设置方法流程图;
图6是根据本申请实施例的图像识别的结构框图;
图7是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请提供的图像识别方法,可以应用于如图1所示的应用环境示意图。图1是根据本申请实施例的图像识别方法的应用环境示意图,如图1所示,识别终端10获取当前帧图像的环境亮度、默认曝光亮度和像素点灰度信息,根据获取到的信息设置目标曝光亮度,进一步的,通过目标曝光亮度获取下一帧图像之后,识别下一帧图像,其中,用于识别的图像可以是人脸图像,具体应用场景可以是人脸识别场景。需要说明的是,本实施例中的识别终端可以是门禁卡机、智能手机和平板电脑等智能终端设备。
本实施例还提供了一种图像识别方法。图2是根据本申请实施例的图像识别方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取当前帧图像的环境亮度、默认曝光亮度和像素点灰度信息,其中,像素点灰度信息包括当前帧图像中各像素点及其对应的灰度值。
需要说明的是,默认曝光亮度是由开发人员预先设置的曝光亮度,当前帧图像根据该默认曝光亮度得到,具体的,初次识别时,根据该默认曝光亮度指示识别设备调整曝光时间、ISP增益值或sensor增益值,在画面亮度达到默认曝光亮度的情况下,获取当前帧图像。
步骤S202,根据像素点灰度信息生成灰度直方图,对灰度直方图进行区域划分,得到像素区域分布图,根据像素区域分布图,确定第一场景判断参数和第二场景判断参数。
图3是根据本申请实施例的一种灰度直方图,如图3所示,灰度直方图的横坐标为灰度值,纵坐标为像素个数,该灰度直方图记录了当前帧图像各灰度值下对应的像素个数。
根据灰度值的不同,对灰度直方图进行像素区域划分,并确定每个像素区域中像素点对应的灰度值中位数,进一步的,通过各像素区域的灰度值中位数,确定第一场景判断参数和第二场景判断参数。
为了减少算力消耗,可选的,将[0,255]的灰度值映射到[0,M-1]的范围内,得到M个灰度级,其中,M可设置成128或64等数值。
公式1:Hist(k)=nk,k=0,1,...,M-1
其中,k为图像的第k级灰度值,nk则为图像中灰度级为k的像素个数,M为灰度级数。通过上述公式1分别统计各灰度级下的像素点数,生成灰度直方图。
例如,M设置成128时,0和1灰度值对应灰度级为0,2和3灰度值对应灰度级为1,4和5灰度值对应灰度级为2,以此类推,254和255灰度值对应的灰度级为127,分别统计各灰度级下的像素点数,生成灰度直方图,该灰度直方图的横坐标为灰度级,纵坐标为像素个数。
步骤S203,将第一场景判断参数、第二场景判断参数和环境亮度,与预设优化亮度表进行匹配,得到优化曝光亮度,其中,预设优化亮度表中保存了与真实场景匹配的曝光亮度。
需要说明的是,预设优化亮度表通过对实际场景测试得到,针对所有场景适配了一个较优的曝光亮度。由于不同场景的环境亮度和场景判断参数不同,可以通过环境亮度和场景判断参数确定识别对象所在场景,查找表得到该场景下较优的曝光亮度。
步骤S204,根据优化曝光亮度和默认曝光亮度,确定目标曝光亮度,通过目标曝光亮度获取下一帧图像,并识别下一帧图像。
需要说明的是,将优化曝光亮度与默认曝光亮度进行对比,若优化曝光亮度与默认曝光亮度差值大,则认为通过默认曝光亮度得到的图像质量较低,图像识别成功率小,需要将曝光亮度调整为优化曝光亮度,根据优化曝光亮度拍摄得到质量更优的图像,对该图像进行识别,从而,提高图像识别成功率。若曝光亮度与默认曝光亮度差值很小,则认为通过默认曝光亮度得到的图像质量与通过优化曝光亮度得到的图像质量差距很小,曝光亮度仍设置为默认曝光亮度,防止曝光亮度变化过于频繁导致用户体验感不佳。
本实施例中,通过调整曝光时间、ISP增益值或sensor增益值等参数,使拍摄下一帧图像时的曝光亮度达到目标曝光亮度,提高拍摄得到的图像质量,从而,提高了图像识别的成功率。
通过上述步骤S201至步骤S204,通过分析当前帧图像的环境亮度、默认曝光亮度和像素点灰度信息,判断识别对象所在场景,根据判断结果设置目标曝光亮度,并调整识别设备的拍摄参数使下一帧图像的曝光亮度达到目标曝光亮度,从而,解决了图像识别受环境因素影响大,导致识别成功率低的问题。通过像素点灰度信息和曝光信息实时判断拍摄图像所处的场景,根据判断结果优化下一帧图像质量,提高了不同场景下图像识别的成功率,且本实施例的图像识别方法不需要额外增加硬件模块,只需通过软件算法实现,在无宽动态模式和背光补偿功能的设备中也能实现多场景判断和图像调优。
在其中一些实施例中,根据像素点灰度信息生成灰度直方图,对灰度直方图进行区域划分,得到像素区域分布图包括:
通过像素点灰度信息,获取当前帧图像中各个灰度值对应的像素点数,根据各个灰度值对应的像素点数,生成灰度直方图;
根据预设灰度分区条件,对灰度直方图进行区域划分,得到像素区域分布图,其中,像素区域分布图包括第一像素区域、第二像素区域和第三像素区域。
图4是根据本申请实施例的一种像素区域分布图,如图4所示,第一像素区域对应像素区域分布图中Darkarea区域,第二像素区域对应素区域分布图中Middlekarea区域,第三像素区域对应素区域分布图中Brightarea区域。通过三个区域中的中心像素点得到可以反映当前帧图像亮暗区对比情况,进一步的,根据这些参数判断目标对象所在场景,并对曝光亮度进行调整,提高拍摄得到图像的识别成功率。
例如,预设灰度分区条件为:灰度值范围为0-49的像素点划为第一像素区域,灰度值范围为50-200的像素点划为第二像素区域,灰度值范围为200-255的像素点划为第三像素区域,通过预设灰度分区条件将灰度直方图划分为Darkarea、Middlekarea、Brightarea三个区域。
在其中一些实施例中,根据像素区域分布图,确定第一场景判断参数和第二场景判断参数包括:
根据像素区域分布图,确定各个像素区域的中心像素点,并得到各个像素区域中心像素点对应的中心灰度值,通过各个像素区域的中心灰度值,确定第一场景判断参数和第二场景判断参数。
公式2:
其中,N1为第一像素区域中像素点个数,M1为第一像素区域的最大灰度级,k为图像的第k级灰度值。通过上述公式2计算第一像素区域的像素点数。
公式3:
其中,N2为第二像素区域中像素点个数,M1为第一像素区域的最大灰度级,M2为第二像素区域的最大灰度级,k为图像的第k级灰度值。通过上述公式3计算第二像素区域的像素点数。
公式4:
其中,N3为第三像素区域中像素点个数,M2为第二像素区域的最大灰度级,M3为第三像素区域的最大灰度级,k为图像的第k级灰度值。通过上述公式4计算第三像素区域的像素点数。
本实施例通过统计各个像素区域的像素点数,结合像素区域分布图,得到各个像素区域的中心像素点,各个像素区域中心像素点对应的灰度值即为中心灰度值。本实施例得到的第一场景判断参数表现了当前帧图像的亮暗区灰度值对比情况,第二场景判断参数表现了当前帧图像亮暗区占比大小。
例如,通过上述公式2计算得到N1=140,通过上述公式3计算得到N2=260,通过上述公式4计算得到N3=100,则根据像素区域分布图中横坐标值的大小,第70个像素点为第一像素区域的中心像素点,第270个像素点为第二像素区域的中心像素点,第450个像素点为第三像素区域的中心像素点,各像素区域中心像素点的灰度值即为中心灰度值。
中心灰度值还可以通过计算各区域像素点数占比得到。
公式5:N=N1+N2+N3
其中,N为当前帧图像的总像素点个数,N1为第一像素区域中像素点个数,N2为第二像素区域中像素点个数,N3为第三像素区域中像素点个数。通过上述公式5计算当前帧图像的总像素点个数。
公式6:
其中,R(N1)为第一像素区域像素点数占总像素点数比例,N为当前帧图像的总像素点个数,N1为第一像素区域中像素点个数。通过上述公式6计算第一像素区域像素点数占总像素点数比例。
公式7:
其中,R(N2)为第一像素区域像素点数占总像素点数比例,N为当前帧图像的总像素点个数,N2为第二像素区域中像素点个数。通过上述公式7计算第二像素区域像素点数占总像素点数比例。
公式8:
其中,R(N3)为第一像素区域像素点数占总像素点数比例,N为当前帧图像的总像素点个数,N3为第三像素区域中像素点个数。通过上述公式8计算第三像素区域像素点数占总像素点数比例。
例如,通过上述公式2、公式3、公式4和公式5分别计算各个区域的像素点个数及当前帧图像的总像素点个数,通过上述公式6计算得到R(N1)=20%,通过上述公式7计算得到R(N2)=60%,通过上述公式8计算得到R(N3)=20%,则第一像素区域的中心灰度值为累计像素个数占总像素个数比为10%的像素点对应的灰度值,第二像素区域的中心灰度值为累计像素个数占总像素个数比为50%的像素点对应的灰度值,第三像素区域的中心灰度值为累计像素个数占总像素个数比为90%的像素点对应的灰度值。
在其中一些实施例中,通过如下公式确定第一场景判断参数:
BD=m3-m1
其中,BD是第一场景判断参数,m1是第一像素区域对应的中心灰度值,m3是第三像素区域对应的中心灰度值。本实施例得到的第一场景判断参数可以反映当前帧图像的亮暗区灰度值对比情况,该值越大说明所拍摄画面最亮的和最暗的区域占比越大。
通过如下公式确定第二场景判断参数:
其中,MBE是第二场景判断参数,m1是第一像素区域对应的中心灰度值,m2是第二像素区域对应的中心灰度值,m3是第三像素区域对应的中心灰度值。本实施例的第二场景判断参数可以反映当前帧图像中亮暗区占比大小,第二场景判断参数越大说明当前帧图像中亮度区域占比大,反之,暗的区域占比大。
综合考虑环境亮度、第一场景判断参数和第二场景判断参数可以确定当前识别对象所在场景。
例如,环境亮度和第一场景判断参数都较大,说明当前环境光线较强,且暗区和亮区对比度强,当前场景大概率是背光场景,与此同时,若第二场景判断参数较大,说明亮区占比较暗区大,背光场景中识别对象距离设备较远。
在其中一些实施例中,将第一场景判断参数、第二场景判断参数和环境亮度,与预设优化亮度表进行匹配,得到优化曝光亮度包括:
根据第一场景判断参数、第二场景判断参数和环境亮度,查找预设优化亮度表,得到N个匹配曝光亮度;根据匹配曝光亮度,通过线性插值算法,得到优化曝光亮度。通过本实施例,得到与当前场景最匹配的曝光亮度。
表1是根据本申请实施例的一种预设优化亮度表,如表1所示,记录了不同环境亮度(HightBV、MiddleBV和LOwBV)、不同第一场景判断参数(HightBD、MiddleBD和LowBD)和不同第二场景判断参数(HightMD/BD、MiddleMD/BD和LowMD/BD)分别对应的匹配曝光亮度。
表1预设优化亮度表
例如,环境亮度BV为80000,第一场景判断参数BD为150,第二场景判断参数MD/BD为78%时,查找表1可知,最接近的环境亮度为HightBV:100000,第一场景判断参数150在MiddleBD:127和LOwBD:200之间,第二场景判断参数78%在MiddleMD/BD:50%和LowMD/BD:80%之间,则得到四个匹配的曝光亮度:1000、1250、950和1150,通过线性插值算法,对这四个曝光亮度进行计算,得到优化曝光亮度。
在其中一些实施例中,根据优化曝光亮度和默认曝光亮度,确定目标曝光亮度包括:
获取默认曝光亮度与优化曝光亮度的绝对差值,在绝对差值大于预设亮度变化阈值的情况下,将目标曝光亮度设置为优化曝光亮度,在绝对差值小于等于预设亮度变化阈值的情况下,将目标曝光亮度设置为默认曝光亮度。其中,预设亮度变化阈值过大会导致优化效果不佳,过小会导致曝光亮度变化频繁影响用户体验,本实施例中,预设亮度变化阈值是通过对实际场景测试得到最适宜变化阈值。
通过本实施例,判断是否需要将曝光亮度调整为计算得到的优化曝光亮度,根据判断结果,调整拍摄下一帧图像时的曝光亮度,从而,优化拍摄得到的图像,提高了图像的识别成功率。
图5是根据本申请实施例的一种图像曝光亮度设置方法流程图,如图5所示,该流程包括如下步骤:
S51,获取当前帧图像信息,其中当前帧图像信息包括:环境亮度BV,默认曝光亮度Target_ori和像素点灰度信息hist[M-1];
S52,根据当前帧图像信息,将灰度直方图划分为Darkarea区域、Middlekarea区域和Brightarea区域,得到像素区域分布图;
S53,通过像素区域分布图,得到各区域中心位置坐标m1、m2和m3;
S54,计算第一场景判断参数BD和第二场景判断参数MBE,其中,BD=m3-m1,MD=m2-m1,MBE=MD/BD;
S55,根据场景判断参数查找预设优化亮度表,获取优化曝光亮度Target_eew;
S56,判断优化曝光亮度与默认曝光亮度的绝对差值是否达到预设亮度变化阈值T,若是,将目标曝光亮度设置为优化曝光亮度Target_new,若否,目标曝光亮度仍设置为默认曝光亮度Target_ori。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种图像识别系统,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本申请实施例的图像识别系统的结构框图,如图6所示,该系统包括:信息获取模块61、参数确定模块62、亮度匹配模块63、亮度调整模块64和识别模块65:
信息获取模块61,用于获取当前帧图像的环境亮度、默认曝光亮度和像素点灰度信息;
参数确定模块62,用于根据像素点灰度信息生成灰度直方图,对该灰度直方图进行区域划分,得到像素区域分布图,根据像素区域分布图,确定第一场景判断参数和第二场景判断参数;
亮度匹配模块63,用于将第一场景判断参数、第二场景判断参数和环境亮度,与预设优化亮度表进行匹配,得到优化曝光亮度,其中,预设优化亮度表中保存了与真实场景匹配的曝光亮度;
亮度调整模块64,用于根据优化曝光亮度和默认曝光亮度,确定目标曝光亮度;
识别模块65,用于通过目标曝光亮度获取下一帧图像,并识别下一帧图像。
本实施例通过信息获取模块61得到当前帧图像的环境亮度、默认曝光亮度和像素点灰度信息,基于获取到的当前帧图像信息,参数确定模块62通过预设规则得到场景判断参数,亮度匹配模块63将场景判断参数于预设优化亮度表匹配,获取最适宜当前场景的优化曝光亮度,亮度调整模块64基于该优化曝光亮度设置目标曝光亮度,最终,由识别模块65通过目标曝光亮度拍摄下一帧图像,并进行识别。解决了图像识别受环境因素影响大,导致识别成功率低的问题,结合环境亮度、默认曝光亮度和像素点灰度信息对目标对象所在场景进行判断,根据判断结果调整图像曝光亮度,进一步的,拍摄图像并进行识别,提高了图像识别的成功率。
在其中一些实施例中,参数确定模块62还用于根据像素点灰度信息,获取当前帧图像中各个灰度值对应的像素点数,根据各个灰度值对应的像素点数,生成灰度直方图,通过预设灰度分区条件,对灰度直方图进行区域划分,得到像素区域分布图,其中,像素区域分布图包括第一像素区域、第二像素区域和第三像素区域。本实施例根据预设灰度分区条件将灰度直方图划分为亮、中、暗三个区域,通过这三个区域中的像素点得到可以判断识别对象所在场景的参数,进一步的,根据这些参数对曝光亮度进行调整,提高拍摄得到图像的识别成功率。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子设备,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子设备还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取当前帧图像的环境亮度、默认曝光亮度和像素点灰度信息。
S2,根据像素点灰度信息生成灰度直方图,对灰度直方图进行区域划分,得到像素区域分布图,根据像素区域分布图,确定第一场景判断参数和第二场景判断参数。
S3,将第一场景判断参数、第二场景判断参数和环境亮度,与预设优化亮度表进行匹配,得到优化曝光亮度,其中,预设优化亮度表中保存了与真实场景匹配的曝光亮度。
S4,根据优化曝光亮度和默认曝光亮度,确定目标曝光亮度。
S5,通过目标曝光亮度获取下一帧图像,并识别下一帧图像。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
在一个实施例中,图4是根据本申请实施例的电子设备的内部结构示意图,如图4所示,提供了一种电子设备,该电子设备可以是服务器,其内部结构图可以如图4所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像识别方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
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,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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。
本领域的技术人员应该明白,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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像识别方法,其特征在于,所述方法包括:
获取当前帧图像的环境亮度、默认曝光亮度和像素点灰度信息;
根据所述像素点灰度信息生成灰度直方图,对所述灰度直方图进行区域划分,得到像素区域分布图,根据所述像素区域分布图,确定第一场景判断参数和第二场景判断参数;
将所述第一场景判断参数、所述第二场景判断参数和所述环境亮度,与预设优化亮度表进行匹配,得到优化曝光亮度,其中,所述预设优化亮度表中保存了与真实场景匹配的曝光亮度;
根据所述优化曝光亮度和所述默认曝光亮度,确定目标曝光亮度;
通过所述目标曝光亮度获取下一帧图像,并识别所述下一帧图像。
2.根据权利要求1所述的方法,其特征在于,根据所述像素点灰度信息生成灰度直方图,对所述灰度直方图进行区域划分,得到像素区域分布图包括:
通过所述像素点灰度信息,获取当前帧图像中各个灰度值对应的像素点数;
根据各个灰度值对应的像素点数,生成灰度直方图;
根据预设灰度分区条件,对所述灰度直方图进行区域划分,得到所述像素区域分布图,其中,所述像素区域分布图包括第一像素区域、第二像素区域和第三像素区域。
3.根据权利要求1所述的方法,其特征在于,根据所述像素区域分布图,确定第一场景判断参数和第二场景判断参数包括:
根据所述像素区域分布图,确定各个像素区域的中心像素点;
根据所述各个像素区域的中心像素点,得到各个像素区域的中心灰度值;
通过所述各个像素区域的中心灰度值,确定所述第一场景判断参数和所述第二场景判断参数。
4.根据权利要求3所述的方法,其特征在于:通过如下公式确定所述第一场景判断参数:
BD=m3-m1
其中,BD是第一场景判断参数,m1是第一像素区域对应的中心灰度值,m3是第三像素区域对应的中心灰度值;
通过如下公式确定所述第二场景判断参数:
其中,MBE是第二场景判断参数,m1是第一像素区域对应的中心灰度值,m2是第二像素区域对应的中心灰度值,m3是第三像素区域对应的中心灰度值。
5.根据权利要求1所述的方法,其特征在于,所述将所述第一场景判断参数、所述第二场景判断参数和所述环境亮度,与预设优化亮度表进行匹配,得到优化曝光亮度包括:
根据所述第一场景判断参数、所述第二场景判断参数和所述环境亮度,查找所述预设优化亮度表,得到N个匹配曝光亮度;
根据所述匹配曝光亮度,通过线性插值算法,得到所述优化曝光亮度。
6.根据权利要求1所述的方法,其特征在于,所述根据所述优化曝光亮度和所述默认曝光亮度,确定目标曝光亮度包括:
获取所述默认曝光亮度与所述优化曝光亮度的绝对差值,
在所述绝对差值大于预设亮度变化阈值的情况下,将所述目标曝光亮度设置为所述优化曝光亮度,
在所述绝对差值小于等于所述预设亮度变化阈值的情况下,将所述目标曝光亮度设置为所述默认曝光亮度。
7.一种图像识别系统,其特征在于,所述系统包括:信息获取模块、参数确定模块、亮度匹配模块、亮度调整模块和识别模块:
所述信息获取模块,用于获取当前帧图像的环境亮度、默认曝光亮度和像素点灰度信息;
所述参数确定模块,用于根据所述像素点灰度信息生成灰度直方图,对所述灰度直方图进行区域划分,得到像素区域分布图,根据所述像素区域分布图,确定第一场景判断参数和第二场景判断参数;
所述亮度匹配模块,用于将所述第一场景判断参数、所述第二场景判断参数和所述环境亮度,与预设优化亮度表进行匹配,得到优化曝光亮度,其中,所述预设优化亮度表中保存了与真实场景匹配的曝光亮度;
所述亮度调整模块,用于根据所述优化曝光亮度和所述默认曝光亮度,确定目标曝光亮度;
所述识别模块,用于通过所述目标曝光亮度获取下一帧图像,并识别所述下一帧图像。
8.根据权利要求7所述的系统,其特征在于,所述参数确定模块还用于根据所述像素点灰度信息,获取当前帧图像中各个灰度值对应的像素点数,根据各个灰度值对应的像素点数,生成灰度直方图,根据预设灰度分区条件,对所述灰度直方图进行区域划分,得到所述像素区域分布图,其中,所述像素区域分布图包括第一像素区域、第二像素区域和第三像素区域。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的图像识别方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6中任一项所述的图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465327.5A CN116645527A (zh) | 2023-04-24 | 2023-04-24 | 图像识别方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465327.5A CN116645527A (zh) | 2023-04-24 | 2023-04-24 | 图像识别方法、系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116645527A true CN116645527A (zh) | 2023-08-25 |
Family
ID=87619392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310465327.5A Pending CN116645527A (zh) | 2023-04-24 | 2023-04-24 | 图像识别方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645527A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409263A (zh) * | 2023-12-15 | 2024-01-16 | 成都时代星光科技有限公司 | 一种无人机自动图像校正引导降落方法和计算机存储介质 |
-
2023
- 2023-04-24 CN CN202310465327.5A patent/CN116645527A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409263A (zh) * | 2023-12-15 | 2024-01-16 | 成都时代星光科技有限公司 | 一种无人机自动图像校正引导降落方法和计算机存储介质 |
CN117409263B (zh) * | 2023-12-15 | 2024-04-05 | 成都时代星光科技有限公司 | 一种无人机自动图像校正引导降落方法和计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402135B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN109801240B (zh) | 一种图像增强方法以及图像增强装置 | |
CN110033418B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
WO2021143300A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112565636B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN115115554B (zh) | 基于增强图像的图像处理方法、装置和计算机设备 | |
CN110047060B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
US11977319B2 (en) | Saliency based capture or image processing | |
CN116645527A (zh) | 图像识别方法、系统、电子设备和存储介质 | |
CN113691724A (zh) | Hdr场景检测方法与装置、终端及可读存储介质 | |
CN111724447B (zh) | 一种图像处理方法、系统及电子设备和存储介质 | |
CN114429476A (zh) | 图像处理方法、装置、计算机设备以及存储介质 | |
CN109859142B (zh) | 图像亮度的调节方法、装置、计算机设备和存储介质 | |
CN111784598B (zh) | 色调映射模型的训练方法、色调映射方法及电子设备 | |
CN114286000B (zh) | 图像色彩处理方法、装置和电子设备 | |
CN107454340B (zh) | 基于高动态范围原理的图像合成方法、装置及移动终端 | |
WO2023110880A1 (en) | Image processing methods and systems for low-light image enhancement using machine learning models | |
WO2022067761A1 (zh) | 图像处理方法、装置、拍摄设备、可移动平台及计算机可读存储介质 | |
CN113747062B (zh) | Hdr场景检测方法与装置、终端及可读存储介质 | |
CN117939307B (zh) | 一种适用于融合相机的自适应亮度调节方法 | |
CN116962890B (zh) | 点云图像的处理方法、装置、设备和存储介质 | |
CN112561847B (zh) | 图像处理方法及装置、计算机可读介质和电子设备 | |
KR20130138435A (ko) | 밝기 대비 향상을 통한 영상 화질 개선 방법 및 장치 | |
US20230186612A1 (en) | Image processing methods and systems for generating a training dataset for low-light image enhancement using machine learning models | |
US20220237755A1 (en) | Image enhancement method and image processing device |
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 |