CN117132946A - 一种消防占道异常物体检测方法及系统 - Google Patents
一种消防占道异常物体检测方法及系统 Download PDFInfo
- Publication number
- CN117132946A CN117132946A CN202311394568.1A CN202311394568A CN117132946A CN 117132946 A CN117132946 A CN 117132946A CN 202311394568 A CN202311394568 A CN 202311394568A CN 117132946 A CN117132946 A CN 117132946A
- Authority
- CN
- China
- Prior art keywords
- gaussian
- sub
- models
- adjacent sub
- model
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 239000000203 mixture Substances 0.000 claims abstract description 158
- 238000000034 method Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种消防占道异常物体检测方法及系统,包括:获取消防安全通道灰度图像;将消防安全通道灰度图像划分为聚类簇;获取每个聚类簇的纹理复杂度;根据纹理复杂度获取高斯混合模型中子高斯模型的个数;根据相邻子高斯模型的相邻度和均值间距获取相邻子高斯模型的扩展度;根据扩展度获取调整后相邻子高斯模型的均值间距;根据均值间距获取相邻子高斯模型的均值调整值;根据均值调整值调整高斯混合模型,获得每个聚类簇调整后的高斯混合模型;根据调整后的高斯混合模型获得消防安全通道图像的增强图像;根据消防安全通道图像的增强图像检测消防安全通道中的异常物体。本发明提高了消防占道异常物体检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种消防占道异常物体检测方法及系统。
背景技术
消防通道是消防人员实施营救和被困人员疏散的通道,在各种险情中起到不可低估的作用。虽然相关部分会科普消防通道的重要性,但在住宅区仍有不少住户为了自己的便利将杂物堆放在小区楼道内,不仅影像了居民的进出同行和整体环境,同时也存在安全隐患。消防占道异常物体检测系统是指通过图像分析技术实施监测消防占道区域是都存在异常物体,以及及时发出警报或通知相关人员,能够降低安全隐患。但是在进行图像采集时,由于消防占道的场景可能会出现光线不足、雨雪天气、模糊等因素,这些都会影响到检测的准确性,因此在检测系统中需要增加图像增强模块以对采集到的图像进行自适应增强,提高检测的准确性。
直方图规定化是一种常见的图像增强算法,将图像的直方图与设定的标准直方图进行匹配,获得匹配后的图像直方图,从而实现图像增强。但是由于图像的局部表现不同,对图像进行同等程度的增强可能会导致过增强或欠增强的问题。
发明内容
为解决上述问题,本发明提供一种消防占道异常物体检测方法及系统。
本发明的一种消防占道异常物体检测方法及系统采用如下技术方案:
本发明一个实施例提供了一种消防占道异常物体检测方法,该方法包括以下步骤:
采集消防安全通道图像进行灰度化处理,获取消防安全通道灰度图像;
利用密度聚类算法将消防安全通道灰度图像划分为若干个聚类簇;获取每个聚类簇的灰度直方图并记为聚类簇的原始灰度直方图;根据每个聚类簇的灰度共生矩阵的熵和逆方差获取每个聚类簇的纹理复杂度;
根据每个聚类簇的纹理复杂度获取对原始灰度直方图进行高斯拟合后的高斯混合模型中的子高斯模型个数;根据子高斯模型个数获取每个聚类簇的高斯混合模型,所述高斯混合模型包含若干子高斯模型;根据每个聚类簇的高斯混合模型中相邻子高斯模型之间的相邻度和均值间距获取相邻子高斯模型之间的扩展度;根据相邻子高斯模型的扩展度获取相邻子高斯模型调整后的均值间距;根据相邻子高斯模型调整后的均值间距获取相邻子高斯模型的均值调整值;根据相邻子高斯模型的均值调整值对高斯混合模型中的相邻子高斯模型进行调整,获得每个聚类簇调整后的高斯混合模型;
根据每个聚类簇调整后的高斯混合模型调整聚类簇的原始灰度直方图,将调整后的原始灰度直方图记为参考直方图;根据参考直方图对原始直方图进行直方图规定化处理,得到消防安全通道图像的增强图像;
根据消防安全通道图像的增强图像检测消防安全通道中的异常物体。
优选的,所述根据每个聚类簇的灰度共生矩阵的熵和逆方差获取每个聚类簇的纹理复杂度,包括的具体计算公式为:
其中,表示第/>个聚类簇的纹理复杂度,通过线性归一化处理使/>,表示第/>个聚类簇的灰度共生矩阵中处于第/>行、第/>列的数值,/>和/>分别表示灰度共生矩阵的第/>行和第/>列。
优选的,所述根据每个聚类簇的纹理复杂度获取对原始灰度直方图进行高斯拟合后的高斯混合模型中的子高斯模型个数,包括的具体计算公式为:
其中,表示对第/>个聚类簇的灰度直方图进行高斯拟合形成的高斯混合模型中子高斯模型个数,/>表示第/>个聚类簇的纹理复杂度,/>表示以自然常数为底的指数函数;/>表示对子高斯模型个数向上取整,/>表示双曲正切函数,/>为超参数。
优选的,所述根据每个聚类簇的高斯混合模型中相邻子高斯模型之间的相邻度和均值间距获取相邻子高斯模型之间的扩展度,包括的具体方法为:
在每个聚类簇的高斯混合模型中,根据相邻的子高斯模型的均值大小对相邻子高斯模型进行排序,将高斯混合模型划分为若干对相邻子高斯模型,根据线性归一化方法对第个高斯混合模型中第/>对相邻子高斯模型之间的扩展度进行归一化处理:
其中,表示第/>个高斯混合模型中第/>对相邻子高斯模型之间的扩展度,/>表示第/>个聚类簇的高斯混合模型中第/>对相邻子高斯模型中第一个子高斯模型的均值,/>表示第/>个聚类簇的高斯混合模型中第/>对相邻子高斯模型中第二个子高斯模型的均值,表示均值间距,/>表示高斯混合模型中相邻子高斯模型之间的相邻度。
优选的,所述高斯混合模型中相邻子高斯模型之间的相邻度的获取方式为:
将每个聚类簇的高斯混合模型中相邻的两个子高斯模型的均值形成数值对,在聚类簇的灰度共生矩阵中找到该数值对在矩阵中对应的元素,将在灰度共生矩阵中找到的元素记作子高斯模型与其相邻的子高斯模型之间的相邻度。
优选的,所述根据相邻子高斯模型的扩展度获取相邻子高斯模型调整后的均值间距,包括的具体计算方式为:
其中,表示调整后第/>个高斯混合模型中第/>对相邻子高斯模型中第一个子高斯模型和第二个子高斯模型的均值间距,/>表示第/>个高斯混合模型中第/>对相邻子高斯模型之间的扩展度,/>表示第/>个聚类簇的高斯混合模型中第/>对相邻子高斯模型中第一个子高斯模型的均值,/>表示第/>个聚类簇的高斯混合模型中第/>对相邻子高斯模型中第二个子高斯模型的均值,/>表示双曲正切函数。
优选的,所述根据相邻子高斯模型调整后的均值间距获取相邻子高斯模型的均值调整值,包括的具体方法为:
计算调整后的相邻子高斯模型的均值间距与调整前的相邻子高斯模型的均值间距的差值,将差值的二分之一作为对应的相邻子高斯模型的均值调整值。
优选的,所述根据相邻子高斯模型的均值调整值对高斯混合模型中的相邻子高斯模型进行调整,获得每个聚类簇调整后的高斯混合模型,包括的具体方法为:
分三种情况对每个聚类簇的高斯混合模型进行调整:
(1)当预设的高斯混合模型中子高斯模型个数为1时,不对子高斯模型进行调整;
(2)当预设的高斯混合模型中子高斯模型个数为2时:
其中,和/>分别表示第/>个包含两个子高斯模型的高斯混合模型中调整后的第一个子高斯模型和第二个子高斯模型,/>表示高斯混合模型的自变量,/>和/>分别表示第/>个包含两个子高斯模型的高斯混合模型中第一个子高斯模型和第二个子高斯模型的标准差,/>和/>分别表示包含第/>个包含两个子高斯模型的高斯混合模型中第一个子高斯模型和第二个子高斯模型的均值,/>表示第/>个包含两个子高斯模型的高斯混合模型的均值调整值;
(3)当预设的高斯混合模型中子高斯模型个数为3时:
将高斯混合模型划分为两对相邻子高斯模型,分别计算两对相邻子高斯模型的均值调整值,根据获取的两对相邻子高斯模型的均值调整值对高斯混合模型中均值最大和均值最小的子高斯模型按照调整子高斯模型个数为2的高斯混合模型的方法对均值最大和均值最小的子高斯模型进行调整;
对于处于中间位置的子高斯模型,计算其与两个相邻子高斯模型的扩展度,根据扩展度大的相邻子高斯模型确定处于中间位置的子高斯模型的均值调整值:对比两对相邻子高斯模型的扩展度,根据最大的扩展度得到的均值调整值并作为处于中间位置的子高斯模型的均值调整值,根据获取的均值调整值按照调整子高斯模型个数为2的高斯混合模型的方法对处于中间位置的子高斯模型进行调整,获得调整后的高斯混合模型。
优选的,所述根据消防安全通道图像的增强图像检测消防安全通道中的异常物体,包括的具体方法为:
将所得消防安全通道图像的增强图像作为训练集输入YOLOV3神经网络检测到的目标的位置信息,根据视频采集装置下目标的位置变化获得目标的运行速度和轨迹,若目标的运行轨迹在预设时间间隔内出现相交,则触发警报。
本发明的实施例提供了一种消防占道异常物体检测系统,该系统包括图像采集模块、纹理复杂度获取模块、高斯混合模型调整模块以及增强调整模块,其中:
图像采集模块,用于采集消防安全通道图像进行灰度化处理,获取消防安全通道灰度图像;
纹理复杂度获取模块,用于利用密度聚类算法将消防安全通道灰度图像划分为若干个聚类簇;获取每个聚类簇的灰度直方图并记为聚类簇的原始灰度直方图;根据每个聚类簇的灰度共生矩阵的熵和逆方差获取每个聚类簇的纹理复杂度;
高斯混合模型调整模块,用于根据每个聚类簇的纹理复杂度获取对原始灰度直方图进行高斯拟合后的高斯混合模型中的子高斯模型个数;根据子高斯模型个数获取每个聚类簇的高斯混合模型,所述高斯混合模型包含若干子高斯模型;根据每个聚类簇的高斯混合模型中相邻子高斯模型之间的相邻度和均值间距获取相邻子高斯模型之间的扩展度;根据相邻子高斯模型的扩展度获取相邻子高斯模型调整后的均值间距;根据相邻子高斯模型调整后的均值间距获取相邻子高斯模型的均值调整值;根据相邻子高斯模型的均值调整值对高斯混合模型中的相邻子高斯模型进行调整,获得每个聚类簇调整后的高斯混合模型;
增强检测模块,用于根据每个聚类簇调整后的高斯混合模型调整聚类簇的原始灰度直方图,将调整后的原始灰度直方图记为参考直方图;根据参考直方图对原始直方图进行直方图规定化处理,得到消防安全通道图像的增强图像;根据消防安全通道图像的增强图像检测消防安全通道中的异常物体。
本发明的技术方案的有益效果是:利用密度聚类算法将消防安全通道灰度图像划分为多个聚类簇,并基于多个聚类簇分析,能够提高通过消防安全通道灰度图像检测异常物体的区域自适应性,提高检测的准确性;根据每个聚类簇的纹理复杂度自适应确定高斯混合模型中的子模型个数,避免了手动选择子高斯模型个数,能够根据划分的每个聚类簇的灰度分布复杂性和变化性来动态调整子高斯模型个数,避免了高斯拟合的过拟合或欠拟合;通过相邻子高斯模型之间的均值间距和在图像中子高斯模型均值对应的灰度值的像素点的相邻度确定扩展度,用以确定相邻子高斯模型的均值调整值,根据均值调整值对子高斯模型进行不同程度的调整,对于在图像中增强像素点之间的对比度的必要性大的像素点所在的子高斯模型调整较多,对于必要性小的像素点所在的子高斯模型调整较少,能够增加消防占道安全通道灰度图像的对比度,降低检测异常物体的难度;根据高斯拟合后的每个聚类簇的灰度直方图作为目标直方图,调整每个聚类簇的灰度直方图,从而分区域增强消防安全通道灰度图像的对比度,避免了对消防安全通道灰度图像过增强或欠增强的问题。
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,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,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他的附图。
图1为本发明的一种消防占道异常物体检测方法的步骤流程图;
图2为本发明的一种消防占道异常物体检测系统的结构框图。
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消防占道异常物体检测方法及系统,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消防占道异常物体检测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一种消防占道异常物体检测方法的步骤流程图,该方法包括以下步骤:
S001.采集消防安全通道图像,获取消防安全通道灰度图像。
需要说明的是,消防安全通道是消防人员实施营救和被困人员疏散的通道,任何单位、个人都不得占用或堵塞消防安全通道。因此在很多街道和社区都会设置视频采集装置用于实时监控消防安全通道的情况。因此本实施例将视频采集装置收集到的消防安全通道图像上传至消防占道异常物体检测系统中,完成消防安全通道图像的采集。为方便后续分析图像,本实施例对采集到的消防安全通道图像进行灰度化处理 ,获得消防安全通道灰度图像。
至此,获取了消防安全通道灰度图像。
S002.利用密度聚类算法分割消防安全通道灰度图像,获得消防安全通道灰度图像的多个聚类簇,获取每个聚类簇的纹理复杂度。
需要说明的是,为了提高利用直方图规定化增强消防安全通道灰度图像的区域自适应性,需要对消防安全通道灰度图像进行区域划分,由于DBSCAN算法基于消防安全通道灰度图像的高密度连通区域聚类,当消防安全通道中存在异常物体占道时,利用DBSCAN对消防安全通道灰度图像进行聚类,将异常物体所在的区域形成同一个聚类簇的概率较高,因此利用密度聚类算法得到消防安全通道灰度图像的多个聚类簇。
在本实施例中首先预设密度聚类的半径和最小点集个数/>,本实施例以为例进行说明,具体不做限定,其他实施例可根据实际情况进行调整,而后将预设的两个值以及消防安全通道灰度图像数据输入计算机中,输出所有生成的聚类簇,记所有生成的聚类簇个数为/>。
需要说明的是,每个聚类簇的灰度值相近,但由于灰度值无法反映图像的空间分布特征,所以仅按照灰度值特征为后续构建高斯混合模型易造成结果偏差,因为异常物体与周围环境的纹理特征存在差异,因此本实施例利用每个聚类簇的灰度共生矩阵量化每个聚类簇的纹理复杂度,为生成高斯拟合模型提供稳定性和准确性。
首先,预设形成每个聚类簇的灰度共生矩阵的距离和方向/>,本实施例以/>、为例进行叙述,本实施例对/>和/>不做限制。按照预设的灰度共生矩阵的距离和方向,按照灰度共生矩阵算法获取阶数/>的灰度共生矩阵,记/>个聚类簇的灰度共生矩阵分别为/>,其中/>表示第/>个聚类簇的灰度共生矩阵。
而后利用灰度共生矩阵的熵和逆方差量化每个聚类簇的纹理复杂度,具体计算公式如下:
其中,表示第/>个聚类簇的纹理复杂度,通过线性归一化处理使/>,表示第/>个聚类簇的灰度共生矩阵中处于第/>行、第/>列的数值,/>和/>分别表示灰度共生矩阵的第/>行和第/>列且/>,/>。
需要说明的是,表示地/>个灰度共生矩阵的熵,熵值越大说明第/>个聚类簇包含的信息越复杂,即第/>个聚类簇的纹理复杂度越大,因此和纹理复杂度呈正相关关系;同时/>表示第/>个灰度共生矩阵的逆方差,逆方差越大说明聚类簇内纹理分布较均匀,变化缓慢,反之则聚类簇内纹理变化较快且分布复杂,因此逆方差值与纹理复杂度呈负相关关系,因此本实施例按照灰度共生矩阵的熵和逆方差与纹理复杂度之间的关系获取了每个聚类簇的纹理复杂度。
至此,获取了每个聚类簇的纹理复杂度。
S003.根据纹理复杂度自适应获取每个聚类簇可拟合的子高斯模型个数,根据每个聚类簇可拟合的子高斯模型个数以及子高斯模型之间的差异调整每个聚类簇的高斯混合模型,获取调整后的每个聚类簇的高斯混合模型。
需要说明的是,本实施例基于消防安全通道灰度图像的灰度值分布将图像划分为多个聚类簇,所以形成的每个聚类簇内的灰度值相近,因此每个聚类簇形成的高斯混合模型中的子高斯模型过多容易造成过拟合的问题,因此在根据每个聚类簇的纹理复杂度获取高斯混合模型中的子高斯模型个数时,需要预设每个高斯混合模型中包含的子高斯模型的个数上限,避免因子高斯模型过多出现的过拟合问题。
在本实施例中,预设每个聚类簇的高斯混合模型中包含的子高斯模型最多为,本实施例以/>为例进行说明,具体不做限定,其他实施例可根据实际情况设定,所以在本实施例中每个聚类簇最终形成的子高斯模型个数属于/>之间的整数。
需要说明的是,纹理复杂度越大说明聚类簇内包含信息越多,灰度分布情况越复杂,则在每个聚类簇的灰度直方图中像素点个数的波动情况比较复杂,因此利用高斯拟合聚类簇的灰度直方图时,形成个数更多的子高斯模型能够更精确的拟合聚类簇的灰度特征,因此本实施例按照每个聚类簇的纹理复杂度获取每个聚类簇形成的高斯混合模型中的子高斯模型个数的预设值,具体计算公式如下:
其中,表示对第/>个聚类簇的灰度直方图进行高斯拟合形成的高斯混合模型中子高斯模型个数,/>表示第/>个聚类簇的纹理复杂度,/>表示以自然数为底的指数函数;表示对子高斯模型个数向上取整,确保个数为整数,/>表示双曲正切函数,/>为超参数。
需要说明的是,聚类簇的纹理复杂度越高说明对聚类簇进行高斯拟合形成的高斯混合模型中包含的子高斯模型个数越多,所以需要构建纹理复杂度与高斯混合模型中子高斯模型个数之间的正相关关系,由于每个聚类簇形成的高斯混合模型中的子高斯模型个数具有上限,所以本实施例构建纹理复杂度与高斯混合模型中的子高斯模型个数之间的关系时候,首先利用双曲正切函数进行归一化处理,能够量化出高斯混合模型中子高斯模型个数受每个聚类簇的纹理复杂度的影响在/>范围内的值,而后通过预设的子高斯模型最大个数/>对范围进行扩展,使计算的子高斯模型个数处于/>范围内,则本实施例以/>为例进行说明,具体不做限制,其他实施例可根据实际情况调整。由于子高斯模型的个数必须为整数,所以本实施例通过向上取整确保子高斯模型个数为整数,获取所有聚类簇的高斯混合模型中包含的子高斯模型个数。
获得每个聚类簇通过高斯拟合获得的高斯混合模型中的子高斯模型个数后,将子高斯模型个数作为输入数据对每个聚类簇的灰度直方图进行高斯拟合,获取每个聚类簇的灰度直方图的高斯混合模型。由于每个聚类簇的高斯混合模型中包含的子高斯模型个数最多为3个,所以本实施例按照均值由大到小的顺序,利用表示第/>个聚类簇的灰度直方图形成的高斯混合模型中第/>个子高斯模型的均值,利用/>表示第/>个聚类簇的灰度直方图形成的高斯混合模型中第/>个子高斯模型的标准差,若第/>个高斯混合模型中包含两个子高斯模型则/>;若第/>个高斯混合模型中包含三个子高斯模型则/>。
至此,获取了每个聚类簇的灰度直方图的高斯混合模型。
需要说明的是,在获取每个聚类簇的灰度直方图的高斯混合模型后,由于每个高斯混合模型中包含的子高斯模型个数不同,所以对包含不同个数的高斯混合模型进行调整时需要考虑子高斯模型的个数,分子高斯模型为1、2、3三种情况进行调整。
需要说明的是,对于子高斯模型只有1个的聚类簇,说明该聚类簇的纹理复杂度较小,灰度分布较平缓,说明消防安全通道在该区域存在异常物体的概率较小,因此对子高斯模型只有1个的聚类簇不需要进行增强;对于子高斯模型有2个或3个的聚类簇,说明聚类簇内的灰度分布较复杂,通过增强聚类簇的对比度,后续再分割识别聚类簇内是否存在异常物体,能够提高准确的精度,从而增强识别异常物体的准确性。
需要进一步说明的是,对于子高斯模型有2个或3个的聚类簇,若子高斯模型之间的均值差异较小,说明聚类簇内的对比度不明显,则需要通过调整均值差异,增大子高斯模型之间的均值差异,以调整后的子高斯模型对应的灰度直方图作为目标直方图从而调整消防安全通道图像的多个聚类簇的原始灰度直方图逼近规定的目标直方图,从而达到增强图像质量的效果。
需要进一步说明的是,获取高斯混合模型后,若相邻两个子高斯模型的均值形成的数值对在灰度共生矩阵中对应的元素大,说明在聚类簇内这两个灰度值处于相邻位置的出现频率高,则为了增强相邻像素点的对比度,需要扩大这两个数值对应的子高斯模型之间的均值间距。因此本实施例利用相邻两个子高斯模型形成的数值对在灰度共生矩阵中的元素作为这两个子高斯模型的相邻度,若相邻度越大说明增大这两个子高斯模型之间的均值间距的必要性越大;同时需要考虑相邻两个子高斯模型的均值本身具有的间距,即相邻两个子高斯模型的均值差,若相邻两个子高斯模型之间的均值间距本身较大,则对两个子高斯模型之间的均值间距调整可以相对较少。因此本实施例利用相邻子高斯模型之间的相邻度和均值间距构建相邻子高斯模型之间的扩展度。
具体计算过程如下:
根据每个聚类簇的灰度共生矩阵获取相邻的两个子高斯模型之间的相邻度:将高斯混合模型中相邻的两个子高斯模型的均值形成数值对(这两个均值需四舍五入取整数),在聚类簇的灰度共生矩阵中该数值对在灰度共生矩阵中对应的元素,将在灰度共生矩阵中找到的元素记作子高斯模型与其相邻的子高斯模型之间的相邻度。然后统计聚类簇的高斯混合模型中每个子高斯模型与其相邻的子高斯模型的均值间距,即相邻两个子高斯模型之间的均值之差的绝对值。
由于包含两个子高斯模型的高斯混合模型中仅有一对相邻子高斯模型,而包含三个子高斯模型的高斯混合模型中具有两个相邻子高斯模型,因此本实施例根据相邻度和均值间距量化相邻子高斯模型之间的扩展度后,分情况对高斯混合模型进行调整,达到增强对比度的目的。
利用相邻两个子高斯模型之间的相邻度和均值间距量化两个相邻子高斯模型之间的扩展度,具体计算公式如下:
其中,表示第/>个高斯混合模型中第/>对相邻子高斯模型之间的扩展度,/>表示第/>个高斯混合模型中第/>对相邻子高斯模型中第一个子高斯模型的均值,/>表示第/>个聚类簇的高斯混合模型中第/>对相邻子高斯模型中第二个子高斯模型的均值,表示第/>个高斯混合模型中第/>对相邻子高斯模型中第一个子高斯模型和第二个子高斯模型的相邻度,/>表示第/>个高斯混合模型中第/>对相邻子高斯模型中第一个子高斯模型和第二个子高斯模型的均值间距。
需要说明的是,为方便后续计算,本实施例利用线性归一化方法对第个高斯混合模型中第/>对相邻子高斯模型之间的扩展度进行归一化处理。
至此,获取了高斯混合模型中相邻子高斯模型之间的扩展度。
需要说明的是,相邻子高斯模型之间的扩展度越大说明增强相邻子高斯模型之间的均值差异的必要性越大,在高斯混合模型的一对相邻子高斯模型中,可以通过降低均值较小的子高斯模型的均值,同时增大均值较大的子高斯模型的均值,达到扩大两个子高斯模型之间的差异,从而对应地增强聚类簇的对比度。
需要说明的是,由于扩展度越大则增大相邻子高斯模型之间的均值差异的必要性越大,因此本实施例构建扩展度与相邻子高斯模型之间的均值间距的正相关关系,并将获得的均值间距作为需要调整到的相邻子高斯模型之间的均值间距,并作为基准计算其与为调整的相邻子高斯模型之间的均值间距之间的差异,根据差异在坐标轴上平均向左和向右平移相邻的两个子高斯模型,从而达到了扩大相邻子高斯模型的均值间距的目的。
在本实施例中,根据扩展度确定调整后的相邻子高斯模型的均值间距,计算公式如下:
其中,表示第/>个高斯混合模型中第/>对相邻子高斯模型中第一个子高斯模型和第二个子高斯模型调整后的均值间距,/>表示第/>个高斯混合模型中第/>对相邻子高斯模型之间的扩展度,/>表示第/>个聚类簇的高斯混合模型中第/>对相邻子高斯模型中第一个子高斯模型的均值,/>表示第/>个聚类簇的高斯混合模型中第/>对相邻子高斯模型中第二个子高斯模型的均值,/>表示第/>个高斯混合模型中第/>对相邻子高斯模型中第一个子高斯模型和第二个子高斯模型的均值间距。
而后分情况对包含两个子高斯模型和包含三个子高斯模型的高斯混合模型进行调整:
(1)对于包含两个子高斯模型的高斯混合模型:
计算相邻子高斯模型之间调整后的均值间距,由于包含两个子高斯模型的高斯混合模型的相邻子高斯模型只有一对,所以计算出调整后的相邻子高斯模型之间的均值间距;而后求调整后的相邻子高斯模型的均值间距与调整前的相邻子高斯模型的均值间距的差值的二分之一,记为均值调整值;根据得到的/>对相邻的两个子高斯模型进行调整,获取调整后的高斯函数:
其中,和/>分别表示第/>个包含两个子高斯模型的高斯混合模型中调整后的第一个子高斯模型和第二个子高斯模型,/>表示高斯混合模型的自变量,/>和/>分别表示第/>个包含两个子高斯模型的高斯混合模型中第一个子高斯模型和第二个子高斯模型的标准差,/>和/>分别表示包含第/>个包含两个子高斯模型的高斯混合模型中第一个子高斯模型和第二个子高斯模型的均值,/>表示第/>个包含两个子高斯模型的高斯混合模型的均值调整值。
(2)对于包含三个子高斯模型的高斯混合模型:
包含三个子高斯模型的高斯混合模型中具有两对相邻子高斯模型,表示第一对相邻子高斯模型中第一个子高斯模型的均值,/>表示第二对相邻子高斯模型中第二个子高斯模型的均值,同时/>表示第一对相邻子高斯模型中第二个子高斯模型的均值和第二对相邻子高斯模型中第一个子高斯模型的均值。根据均值间距计算公式获得调整后的两对相邻子高斯模型之间均值间距,而后分别计算调整后的相邻子高斯模型的均值间距与调整前的相邻子高斯模型的均值间距差值的二分之一,对3个子高斯模型中均值为/>和均值为/>的子高斯模型进行调整:
对于包含高斯混合模型中均值处于中间的子高斯模型,需要对比均值处于中间的子高斯模型与其相邻的两个子高斯模型之间的扩展度和/>:若/>,则根据第一对相邻子高斯模型的均值调整值/>对均值处于中间的子高斯模型进行调整;若,则根据第二对相邻子高斯模型的均值调整值/>对均值处于中间的子高斯模型进行调整,具体方法如下:
其中,、/>、/>分别表示包含三个子高斯模型的第/>个高斯混合模型中调整后的第一个、第二个以及第三个子高斯模型,/>、/>、/>分别表示包含三个子高斯模型的第/>个高斯混合模型中第一个、第二个以及第三个子高斯模型的标准差,/>和/>分别表示包含三个子高斯模型的第/>个高斯混合模型中第一个、第二个以及第三个子高斯模型的均值,/>表示包含三个子高斯模型的第/>个高斯混合模型中第一对相邻子高斯模型的均值调整值,/>表示包含三个子高斯模型的第/>个高斯混合模型中第一对相邻子高斯模型的均值调整值。
至此,获取了所有聚类簇调整后的高斯混合模型。
S004.根据所有聚类簇调整后的高斯混合模型利用直方图规定化分区域增强安全通道灰度图像,获取增强后的安全通道灰度图像,根据增强后的安全通道灰度图像检测安全通道内的异常物体。
需要说明的是,获取每个聚类簇调整后的高斯混合模型后,以调整后的高斯混合模型拟合的直方图作为参考直方图,根据参考直方图对每个聚类簇的原始灰度直方图进行直方图规定化处理,从而得到消防安全通道图像的增强图像。
对消防安全通道图像的增强图像中的异常物体目标的边界框位置信息进行人工标注,将所得消防安全通道图像的增强图像作为训练集输入YOLOV3神经网络进行训练:使用均方差衡量模型的输出与真实标签之间的差异,将采集到的消防安全通道的增强图像作为神经网络的输入进行目标检测,输出集包含图像中检测到的目标的位置信息,根据视频采集装置下目标的位置变化,预测目标的运行速度和轨迹,若目标的运行轨迹在3秒的时间间隔内出现相交,则触发警报。
通过以上步骤,完成消防通道图像的增强并上传至消防占道异常物体检测系统,实现消防占道已成物体的精准检测。
请参阅图2,其示出了本发明一个实施例提供的一种消防占道异常物体检测系统的结构框图,该系统包括以下模块:
图像采集模块101,用于采集消防安全通道图像进行灰度化处理,获取消防安全通道灰度图像;
纹理复杂度获取模块102,用于利用密度聚类算法将消防安全通道灰度图像划分为若干个聚类簇;获取每个聚类簇的灰度直方图并记为聚类簇的原始灰度直方图;根据每个聚类簇的灰度共生矩阵的熵和逆方差获取每个聚类簇的纹理复杂度;
高斯混合模型调整模块103,用于根据每个聚类簇的纹理复杂度获取对聚类簇的原始灰度直方图进行高斯拟合后获取的高斯混合模型中子高斯模型的个数;根据获取的子高斯模型个数作为预设的模型个数,获取对每个聚类簇拟合后的高斯混合模型;根据高斯混合模型中子高斯模型的相邻度和均值间距获取每个子高斯模型的扩展度;根据每个子高斯模型的扩展度获取每个子高斯模型的均值调整参数;根据每个子高斯模型的均值调整参数调整高斯混合模型中的子高斯模型,获取调整后每个聚类簇的高斯混合模型;
增强检测模块104,用于根据每个聚类簇的高斯混合模型调整聚类簇的原始灰度直方图,将调整后的原始灰度直方图记为目标直方图;根据目标直方图对聚类簇的原始灰度直方图进行匹配,获得匹配后的灰度直方图;根据匹配后的灰度直方图获取消防安全通道图像的增强图像;根据消防安全通道图像的增强图像检测消防安全通道中的异常物体。
本实施例利用密度聚类算法将消防安全通道灰度图像划分为多个聚类簇,并基于多个聚类簇分析,能够提高通过消防安全通道灰度图像检测异常物体的区域自适应性,提高检测的准确性;根据每个聚类簇的纹理复杂度自适应确定高斯混合模型中的子模型个数,避免了手动选择子高斯模型个数,能够根据划分的每个聚类簇的灰度分布复杂性和变化性来动态调整子高斯模型个数,避免了高斯拟合的过拟合或欠拟合;通过相邻子高斯模型之间的均值间距和在图像中子高斯模型均值对应的灰度值的像素点的相邻度确定扩展度,用以确定相邻子高斯模型的均值调整值,根据均值调整值对子高斯模型进行不同程度的调整,对于在图像中增强像素点之间的对比度的必要性大的像素点所在的子高斯模型调整较多,对于必要性小的像素点所在的子高斯模型调整较少,能够增加消防占道安全通道灰度图像的对比度,降低检测异常物体的难度;根据高斯拟合后的每个聚类簇的灰度直方图作为目标直方图,调整每个聚类簇的灰度直方图,从而分区域增强消防安全通道灰度图像的对比度,避免了对消防安全通道灰度图像过增强或欠增强的问题。
以上所述仅为本发明的较佳实施例而已,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 (10)
1.一种消防占道异常物体检测方法,其特征在于,该方法包括以下步骤:
采集消防安全通道图像进行灰度化处理,获取消防安全通道灰度图像;
利用密度聚类算法将消防安全通道灰度图像划分为若干个聚类簇;获取每个聚类簇的灰度直方图并记为聚类簇的原始灰度直方图;根据每个聚类簇的灰度共生矩阵的熵和逆方差获取每个聚类簇的纹理复杂度;
根据每个聚类簇的纹理复杂度获取对原始灰度直方图进行高斯拟合后的高斯混合模型中的子高斯模型个数;根据子高斯模型个数获取每个聚类簇的高斯混合模型,所述高斯混合模型包含若干子高斯模型;根据每个聚类簇的高斯混合模型中相邻子高斯模型之间的相邻度和均值间距获取相邻子高斯模型之间的扩展度;根据相邻子高斯模型的扩展度获取相邻子高斯模型调整后的均值间距;根据相邻子高斯模型调整后的均值间距获取相邻子高斯模型的均值调整值;根据相邻子高斯模型的均值调整值对高斯混合模型中的相邻子高斯模型进行调整,获得每个聚类簇调整后的高斯混合模型;
根据每个聚类簇调整后的高斯混合模型调整聚类簇的原始灰度直方图,将调整后的原始灰度直方图记为参考直方图;根据参考直方图对原始直方图进行直方图规定化处理,得到消防安全通道图像的增强图像;
根据消防安全通道图像的增强图像检测消防安全通道中的异常物体。
2.根据权利要求1所述一种消防占道异常物体检测方法,其特征在于,所述根据每个聚类簇的灰度共生矩阵的熵和逆方差获取每个聚类簇的纹理复杂度,包括的具体计算公式为:
其中,表示第/>个聚类簇的纹理复杂度,通过线性归一化处理使/>,/>表示第/>个聚类簇的灰度共生矩阵中处于第/>行、第/>列的数值,/>和/>分别表示灰度共生矩阵的第/>行和第/>列。
3.根据权利要求1所述一种消防占道异常物体检测方法,其特征在于,所述根据每个聚类簇的纹理复杂度获取对原始灰度直方图进行高斯拟合后的高斯混合模型中的子高斯模型个数,包括的具体计算公式为:
其中,表示对第/>个聚类簇的灰度直方图进行高斯拟合形成的高斯混合模型中子高斯模型个数,/>表示第/>个聚类簇的纹理复杂度,/>表示以自然常数为底的指数函数;/>表示对子高斯模型个数向上取整,/>表示双曲正切函数,/>为超参数。
4.根据权利要求1所述一种消防占道异常物体检测方法,其特征在于,所述根据每个聚类簇的高斯混合模型中相邻子高斯模型之间的相邻度和均值间距获取相邻子高斯模型之间的扩展度,包括的具体方法为:
在每个聚类簇的高斯混合模型中,根据相邻的子高斯模型的均值大小对相邻子高斯模型进行排序,将高斯混合模型划分为若干对相邻子高斯模型,根据线性归一化方法对第个高斯混合模型中第/>对相邻子高斯模型之间的扩展度进行归一化处理:
其中,表示第/>个高斯混合模型中第/>对相邻子高斯模型之间的扩展度,/>表示第个聚类簇的高斯混合模型中第/>对相邻子高斯模型中第一个子高斯模型的均值,/>表示第/>个聚类簇的高斯混合模型中第/>对相邻子高斯模型中第二个子高斯模型的均值,表示均值间距,/>表示高斯混合模型中相邻子高斯模型之间的相邻度。
5.根据权利要求1所述一种消防占道异常物体检测方法,其特征在于,所述高斯混合模型中相邻子高斯模型之间的相邻度的获取方式为:
将每个聚类簇的高斯混合模型中相邻的两个子高斯模型的均值形成数值对,在聚类簇的灰度共生矩阵中找到该数值对在矩阵中对应的元素,将在灰度共生矩阵中找到的元素记作子高斯模型与其相邻的子高斯模型之间的相邻度。
6.根据权利要求1所述一种消防占道异常物体检测方法,其特征在于,所述根据相邻子高斯模型的扩展度获取相邻子高斯模型调整后的均值间距,包括的具体计算方式为:
其中,表示调整后第/>个高斯混合模型中第/>对相邻子高斯模型中第一个子高斯模型和第二个子高斯模型的均值间距,/>表示第/>个高斯混合模型中第/>对相邻子高斯模型之间的扩展度,/>表示第/>个聚类簇的高斯混合模型中第/>对相邻子高斯模型中第一个子高斯模型的均值,/>表示第/>个聚类簇的高斯混合模型中第/>对相邻子高斯模型中第二个子高斯模型的均值,/>表示双曲正切函数。
7.根据权利要求1所述一种消防占道异常物体检测方法,其特征在于,所述根据相邻子高斯模型调整后的均值间距获取相邻子高斯模型的均值调整值,包括的具体方法为:
计算调整后的相邻子高斯模型的均值间距与调整前的相邻子高斯模型的均值间距的差值,将差值的二分之一作为对应的相邻子高斯模型的均值调整值。
8.根据权利要求1所述一种消防占道异常物体检测方法,其特征在于,所述根据相邻子高斯模型的均值调整值对高斯混合模型中的相邻子高斯模型进行调整,获得每个聚类簇调整后的高斯混合模型,包括的具体方法为:
分三种情况对每个聚类簇的高斯混合模型进行调整:
(1)当预设的高斯混合模型中子高斯模型个数为1时,不对子高斯模型进行调整;
(2)当预设的高斯混合模型中子高斯模型个数为2时:
其中,和/>分别表示第/>个包含两个子高斯模型的高斯混合模型中调整后的第一个子高斯模型和第二个子高斯模型,/>表示高斯混合模型的自变量,/>和/>分别表示第/>个包含两个子高斯模型的高斯混合模型中第一个子高斯模型和第二个子高斯模型的标准差,/>和/>分别表示包含第/>个包含两个子高斯模型的高斯混合模型中第一个子高斯模型和第二个子高斯模型的均值,/>表示第/>个包含两个子高斯模型的高斯混合模型的均值调整值;
(3)当预设的高斯混合模型中子高斯模型个数为3时:
将高斯混合模型划分为两对相邻子高斯模型,分别计算两对相邻子高斯模型的均值调整值,根据获取的两对相邻子高斯模型的均值调整值对高斯混合模型中均值最大和均值最小的子高斯模型按照调整子高斯模型个数为2的高斯混合模型的方法对均值最大和均值最小的子高斯模型进行调整;
对于处于中间位置的子高斯模型,计算其与两个相邻子高斯模型的扩展度,根据扩展度大的相邻子高斯模型确定处于中间位置的子高斯模型的均值调整值:对比两对相邻子高斯模型的扩展度,根据最大的扩展度得到的均值调整值并作为处于中间位置的子高斯模型的均值调整值,根据获取的均值调整值按照调整子高斯模型个数为2的高斯混合模型的方法对处于中间位置的子高斯模型进行调整,获得调整后的高斯混合模型。
9.根据权利要求1所述一种消防占道异常物体检测方法,其特征在于,所述根据消防安全通道图像的增强图像检测消防安全通道中的异常物体,包括的具体方法为:
将所得消防安全通道图像的增强图像作为训练集输入YOLOV3神经网络检测到的目标的位置信息,根据视频采集装置下目标的位置变化获得目标的运行速度和轨迹,若目标的运行轨迹在预设时间间隔内出现相交,则触发警报。
10.一种消防占道异常物体检测系统,其特征在于,该系统包括以下模块:
图像采集模块,用于采集消防安全通道图像进行灰度化处理,获取消防安全通道灰度图像;
纹理复杂度获取模块,用于利用密度聚类算法将消防安全通道灰度图像划分为若干个聚类簇;获取每个聚类簇的灰度直方图并记为聚类簇的原始灰度直方图;根据每个聚类簇的灰度共生矩阵的熵和逆方差获取每个聚类簇的纹理复杂度;
高斯混合模型调整模块,用于根据每个聚类簇的纹理复杂度获取对原始灰度直方图进行高斯拟合后的高斯混合模型中的子高斯模型个数;根据子高斯模型个数获取每个聚类簇的高斯混合模型,所述高斯混合模型包含若干子高斯模型;根据每个聚类簇的高斯混合模型中相邻子高斯模型之间的相邻度和均值间距获取相邻子高斯模型之间的扩展度;根据相邻子高斯模型的扩展度获取相邻子高斯模型调整后的均值间距;根据相邻子高斯模型调整后的均值间距获取相邻子高斯模型的均值调整值;根据相邻子高斯模型的均值调整值对高斯混合模型中的相邻子高斯模型进行调整,获得每个聚类簇调整后的高斯混合模型;
增强检测模块,用于根据每个聚类簇调整后的高斯混合模型调整聚类簇的原始灰度直方图,将调整后的原始灰度直方图记为参考直方图;根据参考直方图对原始直方图进行直方图规定化处理,得到消防安全通道图像的增强图像;根据消防安全通道图像的增强图像检测消防安全通道中的异常物体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311394568.1A CN117132946B (zh) | 2023-10-26 | 2023-10-26 | 一种消防占道异常物体检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311394568.1A CN117132946B (zh) | 2023-10-26 | 2023-10-26 | 一种消防占道异常物体检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132946A true CN117132946A (zh) | 2023-11-28 |
CN117132946B CN117132946B (zh) | 2024-01-12 |
Family
ID=88861354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311394568.1A Active CN117132946B (zh) | 2023-10-26 | 2023-10-26 | 一种消防占道异常物体检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132946B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170178343A1 (en) * | 2015-12-16 | 2017-06-22 | Vi Dimensions Pte Ltd | Video analysis methods and apparatus |
CN113838054A (zh) * | 2021-11-29 | 2021-12-24 | 山东精良海纬机械有限公司 | 基于人工智能的机械零件表面损伤检测方法 |
CN114529538A (zh) * | 2022-02-25 | 2022-05-24 | 南通海恒纺织设备有限公司 | 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法 |
CN114821314A (zh) * | 2022-04-19 | 2022-07-29 | 中铁建设集团有限公司 | 基于机器视觉的机场路面异常检测方法 |
CN114913138A (zh) * | 2022-04-24 | 2022-08-16 | 南通飞旋智能科技有限公司 | 一种基于人工智能的移印机产品缺陷检测方法及系统 |
CN116168003A (zh) * | 2023-02-28 | 2023-05-26 | 北京三度镜界科技有限公司 | 基于人工智能的注塑件银纹缺陷检测方法及系统 |
CN116226693A (zh) * | 2022-12-15 | 2023-06-06 | 三峡大学 | 基于密度峰值聚类的高斯混合模型核电运行工况划分方法 |
-
2023
- 2023-10-26 CN CN202311394568.1A patent/CN117132946B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170178343A1 (en) * | 2015-12-16 | 2017-06-22 | Vi Dimensions Pte Ltd | Video analysis methods and apparatus |
CN113838054A (zh) * | 2021-11-29 | 2021-12-24 | 山东精良海纬机械有限公司 | 基于人工智能的机械零件表面损伤检测方法 |
CN114529538A (zh) * | 2022-02-25 | 2022-05-24 | 南通海恒纺织设备有限公司 | 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法 |
CN114821314A (zh) * | 2022-04-19 | 2022-07-29 | 中铁建设集团有限公司 | 基于机器视觉的机场路面异常检测方法 |
CN114913138A (zh) * | 2022-04-24 | 2022-08-16 | 南通飞旋智能科技有限公司 | 一种基于人工智能的移印机产品缺陷检测方法及系统 |
CN116226693A (zh) * | 2022-12-15 | 2023-06-06 | 三峡大学 | 基于密度峰值聚类的高斯混合模型核电运行工况划分方法 |
CN116168003A (zh) * | 2023-02-28 | 2023-05-26 | 北京三度镜界科技有限公司 | 基于人工智能的注塑件银纹缺陷检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
CHEN HAOYUE ET.AL: "Gaussian mixture grayscale image enhancement algorithm based on particle swarm optimization", 《JOURNAL OF APPLIED OPTICS》, vol. 38, no. 4, pages 592 - 8 * |
陈皓月;钱钧;姜文涛;杨一洲;宋磊;黄西莹;: "一种基于粒子群优化的高斯混合灰度图像增强算法", 应用光学, no. 04, pages 80 - 86 * |
陈莹;朱明;刘剑;李兆泽;: "高斯混合模型自适应微光图像增强", 液晶与显示, no. 02, pages 119 - 128 * |
Also Published As
Publication number | Publication date |
---|---|
CN117132946B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
Ko et al. | Spatiotemporal bag-of-features for early wildfire smoke detection | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN107491749B (zh) | 一种人群场景中全局和局部异常行为检测方法 | |
CN111582068A (zh) | 人员口罩佩戴状态检测方法 | |
CN106991686B (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN107659754B (zh) | 一种树叶扰动情况下监控视频的有效浓缩方法 | |
CN111783589B (zh) | 基于场景分类和多尺度特征融合的复杂场景人群计数方法 | |
US20180041765A1 (en) | Compact video representation for video event retrieval and recognition | |
CN103456009B (zh) | 目标检测方法与装置、监控系统 | |
CN111259783A (zh) | 视频行为检测方法与系统、精彩视频回播系统及存储介质 | |
CN105023019B (zh) | 一种用于视频监控自动探测人群异常行为的特征描述方法 | |
CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统 | |
CN110633643A (zh) | 一种面向智慧社区的异常行为检测方法及系统 | |
CN107563299B (zh) | 一种利用ReCNN融合上下文信息的行人检测方法 | |
CN109919053A (zh) | 一种基于监控视频的深度学习车辆停车检测方法 | |
CN113536972A (zh) | 一种基于目标域伪标签的自监督跨域人群计数方法 | |
Hu et al. | Parallel spatial-temporal convolutional neural networks for anomaly detection and location in crowded scenes | |
CN109961425A (zh) | 一种动态水的水质识别方法 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN110503017A (zh) | 基于图像处理的智慧节能室内人数检测系统与方法 | |
Ma et al. | Scene invariant crowd counting using multi‐scales head detection in video surveillance | |
CN106384359A (zh) | 运动目标跟踪方法和电视 | |
CN105740814B (zh) | 一种使用视频分析确定固废危废存放状态的方法 | |
Pang et al. | Federated Learning for Crowd Counting in Smart Surveillance Systems |
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 |