CN117765434A - 用于建筑工程的现场视频图像处理方法及系统 - Google Patents
用于建筑工程的现场视频图像处理方法及系统 Download PDFInfo
- Publication number
- CN117765434A CN117765434A CN202311724114.6A CN202311724114A CN117765434A CN 117765434 A CN117765434 A CN 117765434A CN 202311724114 A CN202311724114 A CN 202311724114A CN 117765434 A CN117765434 A CN 117765434A
- Authority
- CN
- China
- Prior art keywords
- image
- monitoring
- image frame
- area
- group
- 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
- 238000003672 processing method Methods 0.000 title claims description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 169
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000010276 construction Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000008676 import Effects 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了用于建筑工程的现场视频图像处理方法及系统，包括以下步骤：将建筑工程现场分为：施工现场区域、进出口道路区域、材料堆放区域和设备房区域；将施工现场区域、进出口道路区域设置为一级监控区域，将材料堆放区域和设备房区域设置为二级监控区域；对于一级监控区域，通过背景建模检测图像拍摄时是否受到恶劣天气干扰，若受到恶劣天气干扰，则对图像进行预处理，否则，不对图像进行预处理，通过神经网络模型从监控视频中提取前景图像，对提取的前景图像进行物体检测与分类；通过将建筑工程的现场分为一级监控区域和二级监控区域，对建筑工程的现场进行分类监控，对不同的监控区域设置更加合理的监控图像处理方式。
Description
技术领域
本发明涉及视频图像处理技术领域，具体涉及用于建筑工程的现场视频图像处理方法及系统。
背景技术
建筑工程的现场视频图像处理是指对监控摄像头拍摄到的建筑工程现场视频进行分析和处理，提取有用信息或实现特定功能的方法。建筑工地的现场视频图像处理系统则是应用这些方法来实现自动监控、安全检测、行为识别等功能的软硬件系统。建筑工地的现场视频图像处理系统基于计算机视觉和图像处理技术的应用。在建筑工地中，通过视频图像处理系统可以实现对施工进度的监控、安全事故的预警、工人行为的识别等，提高工地管理效率和安全性。
现有的建筑工程的现场视频图像处理技术，大多对所有的监控视频图像进行统一的处理，难以对建筑工程的现场进行分类监控，对不同的监控区域设置更加合理的监控图像处理方式。
发明内容
本发明的目的在于提供用于建筑工程的现场视频图像处理方法及系统，解决以下技术问题：
现有的建筑工程的现场视频图像处理技术，难以对建筑工程的现场进行分类监控，对不同的监控区域设置更加合理的监控图像处理方式。
本发明的目的可以通过以下技术方案实现：
用于建筑工程的现场视频图像处理方法，包括以下步骤：
将建筑工程现场分为：施工现场区域、进出口道路区域、材料堆放区域和设备房区域；
将施工现场区域、进出口道路区域设置为一级监控区域，将材料堆放区域和设备房区域设置为二级监控区域；
对于一级监控区域，通过背景建模检测图像拍摄时是否受到恶劣天气干扰，若受到恶劣天气干扰，则对图像进行预处理，否则，不对图像进行预处理，通过神经网络模型从监控视频中提取前景图像，对提取的前景图像进行物体检测与分类；
对于二级监控区域，通过将监控图像的连续图像帧进行分组，对每组图像帧进行偏差比较，计算图像帧分组的组内差异值，若组内差异值小于设定阈值时，对连续相邻的图像帧分组进行偏差比较，计算相邻的图像帧分组的分组间平均差异值，根据分组间平均差异值处理连续相邻的图像帧分组；否则，将图像帧分组保存为动态图像帧分组，对于保存的动态图像帧分组，自动保存与动态图像帧分组相邻的图像帧分组。
作为本发明进一步的方案：通过背景建模检测图像拍摄时是否受到恶劣天气干扰，包括以下步骤：
在无天气干扰的情况下，获取一级监控区域的监控图像，通过Mask R-CNN模型提取一级监控区域的监控图像的无天气干扰下的初始背景图像，并进行背景建模；
对存在天气干扰的情况下，获取一级监控区域的监控图像，通过Mask R-CNN模型提取一级监控区域的监控图像的有天气干扰下的背景图像，并进行背景建模；
通过无天气干扰下的初始背景图像建模和有天气干扰下的背景图像建模训练图像识别模型；
提取实时监控图像的背景图像，通过训练的图像识别模型对实时监控图像的背景图像进行天气检测与分析，确定监控图像是否受到天气干扰，并对实时监控图像的背景图像中受到天气干扰的区域进行标记。
作为本发明进一步的方案：若受到恶劣天气干扰，则对图像进行预处理，包括以下步骤：
根据训练的图像识别模型对实时监控图像的背景图像中受到天气干扰的区域进行的标记，检测受到干扰的区域面积占实时监控图像的背景图像的总面积的百分比，若百分比大于50％，则舍弃监控图像；否则，对于受到天气干扰的图像区域，通过插值图像修复算法进行修复；
对修复后的监控图像进行去噪和细节增强处理。
作为本发明进一步的方案：通过神经网络模型从监控视频中提取前景图像，对提取的前景图像进行物体检测与分类，包括以下步骤：
通过将提取背景图像的Mask R-CNN模型进行反转二值化，从监控视频中提取前景图像；
通过图像识别模型对提取的前景图像进行中的人物和车辆进行识别分类，将前景图像分类为人物信息、车辆信息和未识别信息。
作为本发明进一步的方案：通过将监控图像的连续图像帧进行分组，对每组图像帧进行偏差比较，计算图像帧分组的组内差异值，包括以下步骤：
将监控图像的连续图像帧中每二十个图像帧进行分组，得到若干组图像帧分组；
对每组图像帧分组中以第一个图像帧为基准图像帧，依次计算图像帧分组内其他图像帧与基准图像帧对应像素点的像素值的平均欧氏距离，以计算得到的最大的平均欧氏距离作为图像帧分组的组内差异值。
作为本发明进一步的方案：若组内差异值小于设定阈值时，对连续相邻的图像帧分组进行偏差比较，计算相邻的图像帧分组的分组间平均差异值，包括以下步骤：
若组内差异值小于设定阈值时，选择当前像素帧分组中的基准图像帧、当前像素帧分组的前一图像帧分组中的第一张图像帧，以及后一个图像帧分组中的最后一张图像帧，作为代表图像帧；
计算当前像素帧分组与前一图像帧分组的代表图像帧之间的对应像素点的像素值的平均欧氏距离，
以及当前像素帧分组与后一图像帧分组的代表图像帧之间的对应像素点的像素值的平均欧氏距离；
根据平均欧氏距离计算相邻两个图像帧分组之间的平均差异值，若该平均差异值超过阈值，则保留两个图像帧分组，否则不保留两个图像帧分组。
作为本发明进一步的方案：根据平均欧氏距离计算图像帧分组之间的平均差异值，包括以下步骤：
将当前像素帧分组中的代表图像帧、前一图像帧分组的代表图像帧和后一图像帧分组的代表图像帧转换为灰度图像；
通过以下公式，计算相邻两个图像帧分组的灰度图像之间的差异值：
其中，bs为两个图像帧分组的灰度图像之间的差异值，bMAX为像素的最大取值范围，原始图像灰度值为aij和bij分别为相邻两个图像帧分组的灰度图像，在图像的[i,j]像素点的灰度值，i∈(1,2,…,n)，j∈(1,2,…,m)；M*N为总的像素大小；
根据相邻图像帧分组的代表图像帧之间平均欧氏距离和相邻两个图像帧分组的灰度图像之间的差异值，计算图像帧分组之间的平均差异值，通过以下公式计算：
其中，Rf为相邻图像帧分组之间的平均差异值，Ds为相邻图像帧分组的代表图像帧之间平均欧氏距离。
作为本发明进一步的方案：根据分组间平均差异值处理连续相邻的图像帧分组，包括以下步骤：
若连续相邻的图像帧分组的分组间平均差异值小于设定阈值时，则不保留两个相邻图像帧分组；否则，保留两个相邻图像帧分组。
作为本发明提供的另一种方案：用于建筑工程的现场视频图像处理系统，
分级模块：将施工现场区域、进出口道路区域设置为一级监控区域，将材料堆放区域和设备房区域设置为二级监控区域；
一级监控模块：用于对一级监控区域进行监控视频的拍摄，并将数据传输到一级图像处理模块；
二级监控模块：用于对二级监控区域进行监控视频的拍摄，并将数据传输到二级图像处理模块；
一级图像处理模块：用于通过背景建模检测一级监控模块进行图像拍摄时是否受到恶劣天气干扰，若受到恶劣天气干扰，则对图像进行预处理，否则，不对图像进行预处理，通过神经网络模型从监控视频中提取前景图像，对提取的前景图像进行物体检测与分类；
二级图像处理模块：用于通过将二级监控模块的监控图像的连续图像帧进行分组，对每组图像帧进行偏差比较，计算图像帧分组的组内差异值，若组内差异值小于设定阈值时，对连续相邻的图像帧分组进行偏差比较，计算相邻的图像帧分组的分组间平均差异值，根据分组间平均差异值处理连续相邻的图像帧分组；否则，将图像帧分组保存为动态图像帧分组，对于保存的动态图像帧分组，自动保存与动态图像帧分组相邻的图像帧分组。
本发明的有益效果：
本发明通过将施工现场区域、进出口道路区域设置为一级监控区域，对于一级监控区域经常出现人或者车辆，因此主要对一级监控区域的移动的物体进行监控，通过神经网络模型从监控视频中提取前景图像，对提取的前景图像进行物体检测与分类，便于对监控到的一级监控区域对的人或者车辆进行监控，同时，通过背景建模检测图像拍摄时是否受到恶劣天气干扰，对图像进行预处理，便于排除天气对图像的影响，对图像进行更好的处理，也便于后期对前景图像的提取，提高前景图像的质量。
本发明通过将材料堆放区域和设备房区域设置为二级监控区域，对于二级监控区域出现人或者车辆较少，主要进行物品材料的监控；通过将监控图像的连续图像帧进行分组，对每组图像帧进行偏差比较，计算图像帧分组的组内差异值；可以更加准确的保留物品变动时的监控图像，便于更加安全的保证二级监控区域存放物品的安全性。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的方法流程示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为用于建筑工程的现场视频图像处理方法，包括以下步骤：
将建筑工程现场分为：施工现场区域、进出口道路区域、材料堆放区域和设备房区域；
将施工现场区域、进出口道路区域设置为一级监控区域，将材料堆放区域和设备房区域设置为二级监控区域；
对于一级监控区域，通过背景建模检测图像拍摄时是否受到恶劣天气干扰，若受到恶劣天气干扰，则对图像进行预处理，否则，不对图像进行预处理，通过神经网络模型从监控视频中提取前景图像，对提取的前景图像进行物体检测与分类；
对于二级监控区域，通过将监控图像的连续图像帧进行分组，对每组图像帧进行偏差比较，计算图像帧分组的组内差异值，若组内差异值小于设定阈值时，对连续相邻的图像帧分组进行偏差比较，计算相邻的图像帧分组的分组间平均差异值，根据分组间平均差异值处理连续相邻的图像帧分组；否则，将图像帧分组保存为动态图像帧分组，对于保存的动态图像帧分组，自动保存与动态图像帧分组相邻的图像帧分组。
具体的，通过将施工现场区域、进出口道路区域设置为一级监控区域，对于一级监控区域经常出现人或者车辆，因此主要对一级监控区域的移动的物体进行监控，通过神经网络模型从监控视频中提取前景图像，对提取的前景图像进行物体检测与分类，便于对监控到的一级监控区域对的人或者车辆进行监控，同时，通过背景建模检测图像拍摄时是否受到恶劣天气干扰，对图像进行预处理，便于排除天气对图像的影响，对图像进行更好的处理，也便于后期对前景图像的提取，提高前景图像的质量。
通过将材料堆放区域和设备房区域设置为二级监控区域，对于二级监控区域出现人或者车辆较少，主要进行物品材料的监控；通过将监控图像的连续图像帧进行分组，对每组图像帧进行偏差比较，计算图像帧分组的组内差异值，若组内差异值小于设定阈值时，对连续相邻的图像帧分组进行偏差比较，计算相邻的图像帧分组的分组间平均差异值，根据分组间平均差异值处理连续相邻的图像帧分组；否则，将图像帧分组保存为动态图像帧分组，对于保存的动态图像帧分组，自动保存与动态图像帧分组相邻的图像帧分组；可以更加准确的保留物品变动时的监控图像，便于更加安全的保证二级监控区域存放物品的安全性。
在本发明其中一个实施例中，通过背景建模检测图像拍摄时是否受到恶劣天气干扰，包括以下步骤：
在无天气干扰的情况下，获取一级监控区域的监控图像，通过Mask R-CNN模型提取一级监控区域的监控图像的无天气干扰下的初始背景图像，并进行背景建模；
对存在天气干扰的情况下，获取一级监控区域的监控图像，通过Mask R-CNN模型提取一级监控区域的监控图像的有天气干扰下的背景图像，并进行背景建模；
通过无天气干扰下的初始背景图像建模和有天气干扰下的背景图像建模训练图像识别模型；
提取实时监控图像的背景图像，通过训练的图像识别模型对实时监控图像的背景图像进行天气检测与分析，确定监控图像是否受到天气干扰，并对实时监控图像的背景图像中受到天气干扰的区域进行标记。
具体的，通过提取实时监控图像的背景图像，通过训练的图像识别模型对实时监控图像的背景图像进行天气检测与分析，确定监控图像是否受到天气干扰，并对实时监控图像的背景图像中受到天气干扰的区域进行标记；便于准确的监控图像的背景图像中受到天气干扰的区域进行标记，方便后期对监控图片进行处理。
在本发明其中一个实施例中，若受到恶劣天气干扰，则对图像进行预处理，包括以下步骤：
根据训练的图像识别模型对实时监控图像的背景图像中受到天气干扰的区域进行的标记，检测受到干扰的区域面积占实时监控图像的背景图像的总面积的百分比，若百分比大于50％，则舍弃监控图像；否则，对于受到天气干扰的图像区域，通过插值图像修复算法进行修复；常见的图像修复技术包括基于插值法、基于纹理合成法和基于深度学习法等。这些方法可以根据图像中的内容，恢复天气干扰区域的信息。
对修复后的监控图像进行去噪和细节增强处理。
在本发明其中一个实施例中，通过神经网络模型从监控视频中提取前景图像，对提取的前景图像进行物体检测与分类，包括以下步骤：
通过将提取背景图像的Mask R-CNN模型进行反转二值化，从监控视频中提取前景图像；前景图像表示监控场景中除了背景图像之外的物体或目标；
通过图像识别模型对提取的前景图像进行中的人物和车辆进行识别分类，将前景图像分类为人物信息、车辆信息和未识别信息。
具体的，通过根据训练的图像识别模型对实时监控图像的背景图像中受到天气干扰的区域进行的标记，检测受到干扰的区域面积占实时监控图像的背景图像的总面积的百分比，若百分比大于50％，则舍弃监控图像；否则，对于受到天气干扰的图像区域，通过插值图像修复算法进行修复，对图像进行预处理，便于排除天气对图像的影响，对图像进行更好的处理，也便于后期对前景图像的提取，提高前景图像的质量。
通过通过图像识别模型对提取的前景图像进行中的人物和车辆进行识别分类，将前景图像分类为人物信息、车辆信息和未识别信息；便于对前景图像和提取的人物信息、车辆信息和未识别信息进行纹理、颜色方面的分析，检测出异常行为或事件。便于进行更高级的图像分析，如人员密度估计、行为分析、目标跟踪等。
在本发明其中一个实施例中，通过将监控图像的连续图像帧进行分组，对每组图像帧进行偏差比较，计算图像帧分组的组内差异值，包括以下步骤：
将监控图像的连续图像帧中每二十个图像帧进行分组，得到若干组图像帧分组；
对每组图像帧分组中以第一个图像帧为基准图像帧，依次计算图像帧分组内其他图像帧与基准图像帧对应像素点的像素值的平均欧氏距离，以计算得到的最大的平均欧氏距离作为图像帧分组的组内差异值。
在本发明其中一个实施例中，若组内差异值小于设定阈值时，对连续相邻的图像帧分组进行偏差比较，计算相邻的图像帧分组的分组间平均差异值，包括以下步骤：
若组内差异值小于设定阈值时，选择当前像素帧分组中的基准图像帧、当前像素帧分组的前一图像帧分组中的第一张图像帧，以及后一个图像帧分组中的最后一张图像帧，作为代表图像帧；
计算当前像素帧分组与前一图像帧分组的代表图像帧之间的对应像素点的像素值的平均欧氏距离，
以及当前像素帧分组与后一图像帧分组的代表图像帧之间的对应像素点的像素值的平均欧氏距离；
根据平均欧氏距离计算相邻两个图像帧分组之间的平均差异值，若该平均差异值超过阈值，则保留两个图像帧分组，否则不保留两个图像帧分组。
在本发明其中一个实施例中，根据平均欧氏距离计算图像帧分组之间的平均差异值，包括以下步骤：
将当前像素帧分组中的代表图像帧、前一图像帧分组的代表图像帧和后一图像帧分组的代表图像帧转换为灰度图像；
通过以下公式，计算相邻两个图像帧分组的灰度图像之间的差异值：
其中，bs为两个图像帧分组的灰度图像之间的差异值，bMAX为像素的最大取值范围，原始图像灰度值为aij和bij分别为相邻两个图像帧分组的灰度图像，在图像的[i,j]像素点的灰度值，i∈(1,2,…,n)，j∈(1,2,…,m)；M*N为总的像素大小；
根据相邻图像帧分组的代表图像帧之间平均欧氏距离和相邻两个图像帧分组的灰度图像之间的差异值，计算图像帧分组之间的平均差异值，通过以下公式计算：
其中，Rf为相邻图像帧分组之间的平均差异值，Ds为相邻图像帧分组的代表图像帧之间平均欧氏距离。
具体的，不同图像帧分组之间的平均差异值，需要考虑更多的差异因素，便于更加合理的评估不同图像帧分组之间的差异。
在本发明其中一个实施例中，根据分组间平均差异值处理连续相邻的图像帧分组，包括以下步骤：
若连续相邻的图像帧分组的分组间平均差异值小于设定阈值时，则不保留两个相邻图像帧分组；否则，保留两个相邻图像帧分组。
作为本发明提供的另一种方案：用于建筑工程的现场视频图像处理系统，
分级模块：将施工现场区域、进出口道路区域设置为一级监控区域，将材料堆放区域和设备房区域设置为二级监控区域；
一级监控模块：用于对一级监控区域进行监控视频的拍摄，并将数据传输到一级图像处理模块；
二级监控模块：用于对二级监控区域进行监控视频的拍摄，并将数据传输到二级图像处理模块；
一级图像处理模块：用于通过背景建模检测一级监控模块进行图像拍摄时是否受到恶劣天气干扰，若受到恶劣天气干扰，则对图像进行预处理，否则，不对图像进行预处理，通过神经网络模型从监控视频中提取前景图像，对提取的前景图像进行物体检测与分类；
二级图像处理模块：用于通过将二级监控模块的监控图像的连续图像帧进行分组，对每组图像帧进行偏差比较，计算图像帧分组的组内差异值，若组内差异值小于设定阈值时，对连续相邻的图像帧分组进行偏差比较，计算相邻的图像帧分组的分组间平均差异值，根据分组间平均差异值处理连续相邻的图像帧分组；否则，将图像帧分组保存为动态图像帧分组，对于保存的动态图像帧分组，自动保存与动态图像帧分组相邻的图像帧分组。
在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以及特定的方位构造和操作，因此，不能理解为对本发明的限制。此外，“第一”、“第二”仅由于描述目的，且不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。因此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相连”“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (9)
1.用于建筑工程的现场视频图像处理方法，其特征在于，包括以下步骤：
将建筑工程现场分为：施工现场区域、进出口道路区域、材料堆放区域和设备房区域；
将施工现场区域、进出口道路区域设置为一级监控区域，将材料堆放区域和设备房区域设置为二级监控区域；
对于一级监控区域，通过背景建模检测图像拍摄时是否受到恶劣天气干扰，若受到恶劣天气干扰，则对图像进行预处理，否则，不对图像进行预处理，通过神经网络模型从监控视频中提取前景图像，对提取的前景图像进行物体检测与分类；
对于二级监控区域，通过将监控图像的连续图像帧进行分组，对每组图像帧进行偏差比较，计算图像帧分组的组内差异值，若组内差异值小于设定阈值时，对连续相邻的图像帧分组进行偏差比较，计算相邻的图像帧分组的分组间平均差异值，根据分组间平均差异值处理连续相邻的图像帧分组；否则，将图像帧分组保存为动态图像帧分组，对于保存的动态图像帧分组，自动保存与动态图像帧分组相邻的图像帧分组。
2.根据权利要求1所述的用于建筑工程的现场视频图像处理方法,其特征在于，通过背景建模检测图像拍摄时是否受到恶劣天气干扰，包括以下步骤：
在无天气干扰的情况下，获取一级监控区域的监控图像，通过Mask R-CNN模型提取一级监控区域的监控图像的无天气干扰下的初始背景图像，并进行背景建模；
对存在天气干扰的情况下，获取一级监控区域的监控图像，通过Mask R-CNN模型提取一级监控区域的监控图像的有天气干扰下的背景图像，并进行背景建模；
通过无天气干扰下的初始背景图像建模和有天气干扰下的背景图像建模训练图像识别模型；
提取实时监控图像的背景图像，通过训练的图像识别模型对实时监控图像的背景图像进行天气检测与分析，确定监控图像是否受到天气干扰，并对实时监控图像的背景图像中受到天气干扰的区域进行标记。
3.根据权利要求1所述的用于建筑工程的现场视频图像处理方法,其特征在于，若受到恶劣天气干扰，则对图像进行预处理，包括以下步骤：
根据训练的图像识别模型对实时监控图像的背景图像中受到天气干扰的区域进行的标记，检测受到干扰的区域面积占实时监控图像的背景图像的总面积的百分比，若百分比大于50％，则舍弃监控图像；否则，对于受到天气干扰的图像区域，通过插值图像修复算法进行修复；
对修复后的监控图像进行去噪和细节增强处理。
4.根据权利要求1所述的用于建筑工程的现场视频图像处理方法,其特征在于，通过神经网络模型从监控视频中提取前景图像，对提取的前景图像进行物体检测与分类，包括以下步骤：
通过将提取背景图像的Mask R-CNN模型进行反转二值化，从监控视频中提取前景图像；
通过图像识别模型对提取的前景图像进行中的人物和车辆进行识别分类，将前景图像分类为人物信息、车辆信息和未识别信息。
5.根据权利要求1所述的用于建筑工程的现场视频图像处理方法,其特征在于，通过将监控图像的连续图像帧进行分组，对每组图像帧进行偏差比较，计算图像帧分组的组内差异值，包括以下步骤：
将监控图像的连续图像帧中每二十个图像帧进行分组，得到若干组图像帧分组；
对每组图像帧分组中以第一个图像帧为基准图像帧，依次计算图像帧分组内其他图像帧与基准图像帧对应像素点的像素值的平均欧氏距离，以计算得到的最大的平均欧氏距离作为图像帧分组的组内差异值。
6.根据权利要求1所述的用于建筑工程的现场视频图像处理方法,其特征在于，若组内差异值小于设定阈值时，对连续相邻的图像帧分组进行偏差比较，计算相邻的图像帧分组的分组间平均差异值，包括以下步骤：
若组内差异值小于设定阈值时，选择当前像素帧分组中的基准图像帧、当前像素帧分组的前一图像帧分组中的第一张图像帧，以及后一个图像帧分组中的最后一张图像帧，作为代表图像帧；
计算当前像素帧分组与前一图像帧分组的代表图像帧之间的对应像素点的像素值的平均欧氏距离，
以及当前像素帧分组与后一图像帧分组的代表图像帧之间的对应像素点的像素值的平均欧氏距离；
根据平均欧氏距离计算相邻两个图像帧分组之间的平均差异值，若该平均差异值超过阈值，则保留两个图像帧分组，否则不保留两个图像帧分组。
7.根据权利要求1所述的用于建筑工程的现场视频图像处理方法,其特征在于，根据平均欧氏距离计算图像帧分组之间的平均差异值，包括以下步骤：
将当前像素帧分组中的代表图像帧、前一图像帧分组的代表图像帧和后一图像帧分组的代表图像帧转换为灰度图像；
通过以下公式，计算相邻两个图像帧分组的灰度图像之间的差异值：
其中，bs为两个图像帧分组的灰度图像之间的差异值，bMAX为像素的最大取值范围，原始图像灰度值为aij和bij分别为相邻两个图像帧分组的灰度图像，在图像的[i,j]像素点的灰度值，i∈(1,2,…,n)，j∈(1,2,…,m)；M*N为总的像素大小；
根据相邻图像帧分组的代表图像帧之间平均欧氏距离和相邻两个图像帧分组的灰度图像之间的差异值，计算图像帧分组之间的平均差异值，通过以下公式计算：
其中，Rf为相邻图像帧分组之间的平均差异值，Ds为相邻图像帧分组的代表图像帧之间平均欧氏距离。
8.根据权利要求1所述的用于建筑工程的现场视频图像处理方法,其特征在于，根据分组间平均差异值处理连续相邻的图像帧分组，包括以下步骤：
若连续相邻的图像帧分组的分组间平均差异值小于设定阈值时，则不保留两个相邻图像帧分组；否则，保留两个相邻图像帧分组。
9.用于建筑工程的现场视频图像处理系统,其特征在于，
分级模块：将施工现场区域、进出口道路区域设置为一级监控区域，将材料堆放区域和设备房区域设置为二级监控区域；
一级监控模块：用于对一级监控区域进行监控视频的拍摄，并将数据传输到一级图像处理模块；
二级监控模块：用于对二级监控区域进行监控视频的拍摄，并将数据传输到二级图像处理模块；
一级图像处理模块：用于通过背景建模检测一级监控模块进行图像拍摄时是否受到恶劣天气干扰，若受到恶劣天气干扰，则对图像进行预处理，否则，不对图像进行预处理，通过神经网络模型从监控视频中提取前景图像，对提取的前景图像进行物体检测与分类；
二级图像处理模块：用于通过将二级监控模块的监控图像的连续图像帧进行分组，对每组图像帧进行偏差比较，计算图像帧分组的组内差异值，若组内差异值小于设定阈值时，对连续相邻的图像帧分组进行偏差比较，计算相邻的图像帧分组的分组间平均差异值，根据分组间平均差异值处理连续相邻的图像帧分组；否则，将图像帧分组保存为动态图像帧分组，对于保存的动态图像帧分组，自动保存与动态图像帧分组相邻的图像帧分组。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311724114.6A CN117765434A (zh) | 2023-12-14 | 2023-12-14 | 用于建筑工程的现场视频图像处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311724114.6A CN117765434A (zh) | 2023-12-14 | 2023-12-14 | 用于建筑工程的现场视频图像处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117765434A true CN117765434A (zh) | 2024-03-26 |
Family
ID=90324932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311724114.6A Pending CN117765434A (zh) | 2023-12-14 | 2023-12-14 | 用于建筑工程的现场视频图像处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117765434A (zh) |
-
2023
- 2023-12-14 CN CN202311724114.6A patent/CN117765434A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670404B (zh) | 一种基于混合模型的道路积水图像检测预警方法 | |
| CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
| CN106845890B (zh) | 一种基于视频监控的仓储监控方法及装置 | |
| CN102348128B (zh) | 具有摄像机异常检测装置的监视用摄像机系统 | |
| CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
| CN111339883A (zh) | 复杂场景下基于人工智能的变电站内异常行为识别与检测方法 | |
| CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
| CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
| CN112396635B (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
| CN111260645B (zh) | 基于分块分类深度学习的篡改图像检测方法及系统 | |
| CN106339657A (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
| CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
| CN111091110A (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
| CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
| CN115410114A (zh) | 一种基于多特征的城轨防汛预警方法及系统 | |
| CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查系统及其排查方法 | |
| CN111325708B (zh) | 一种输电线路检测方法和服务器 | |
| CN111402185B (zh) | 一种图像检测方法及装置 | |
| CN113221603A (zh) | 一种检测监控设备被异物遮挡的方法及装置 | |
| CN117765434A (zh) | 用于建筑工程的现场视频图像处理方法及系统 | |
| CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 | |
| CN114792405A (zh) | 一种架空线路防异物入侵监测方法 | |
| CN113239894A (zh) | 基于群体行为分析辅助的群智感知系统 |
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 |