CN117809052A - 一种块状目标检测及特征提取方法、装置及存储介质 - Google Patents

一种块状目标检测及特征提取方法、装置及存储介质 Download PDF

Info

Publication number
CN117809052A
CN117809052A CN202410233072.4A CN202410233072A CN117809052A CN 117809052 A CN117809052 A CN 117809052A CN 202410233072 A CN202410233072 A CN 202410233072A CN 117809052 A CN117809052 A CN 117809052A
Authority
CN
China
Prior art keywords
row
connected domain
centroid
feature
domain
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
Application number
CN202410233072.4A
Other languages
English (en)
Other versions
CN117809052B (zh
Inventor
刘益安
胡绍刚
李叶雨
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.)
Chongqing Institute Of Microelectronics Industry Technology University Of Electronic Science And Technology
Dolphin Lezhi Technology Chengdu Co ltd
Original Assignee
Chongqing Institute Of Microelectronics Industry Technology University Of Electronic Science And Technology
Dolphin Lezhi Technology Chengdu 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 Chongqing Institute Of Microelectronics Industry Technology University Of Electronic Science And Technology, Dolphin Lezhi Technology Chengdu Co ltd filed Critical Chongqing Institute Of Microelectronics Industry Technology University Of Electronic Science And Technology
Priority to CN202410233072.4A priority Critical patent/CN117809052B/zh
Publication of CN117809052A publication Critical patent/CN117809052A/zh
Application granted granted Critical
Publication of CN117809052B publication Critical patent/CN117809052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种块状目标检测及特征提取方法、装置及存储介质，属于计算机视觉技术领域。所述方法包括S1：初始化阶段，根据相机传图时候的特性，按行提取图像中的块状目标信息；S2：连通域查找阶段；S3：特征信息提取阶段；S4：连通性判断阶段，判断相邻两行中的连通序列的连通性；S5：特征更新阶段，更新连通序列的特征；S6：特征计算阶段，重复S1、S2、S3、S4、S5，在连通域结束后或相机传输数据结束后，计算最终连通域及其特征。实现在相机每行传输数据的时间内，融合和更新与上一行中的属于同一连通域的块状目标信息和特征，做到块状目标传输完成后即时检测出结果并计算出特征信息，即所有块状目标在一次扫描的耗时之内即可得出结果。

Description

一种块状目标检测及特征提取方法、装置及存储介质
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种块状目标检测及特征提取方法、装置及存储介质。
背景技术
随着智能化的广泛应用，相机工艺和芯片算力的提升，块状目标检测在缺陷检测、红外无人机目标检测等场景中应用越来多。然而，在现有块状目标检测算法中，基本上有通过亮点的堆栈、边缘堆栈等方式连接块状的连通信息。此类算法，都需要完整的图像输入后，对整体图像进行遍历，查找边缘点上下左右的邻域信息，才能完成块状目标检测。对块状目标的特征如灰度、外接矩形、形心、边缘、面积等特征的提取，需要再次遍历块状目标信息。因此传统方法检测块状目标和提取块状目标特征时，存在耗时长、延迟高的缺陷，不能达到满足目标即出即传的低延迟的要求。
发明内容
本发明的目的在于克服现有技术的不足，提供一种块状目标检测及特征提取方法、装置及存储介质。
本发明的目的是通过以下技术方案来实现的：本发明第一方面提供：一种块状目标检测及特征提取方法，包括以下步骤：
S1：初始化阶段，根据相机传图时候的特性，按行提取图像中的块状目标信息；
S2：连通域查找阶段，在相机输入的每一行数据，查找连通域；
S3：特征信息提取阶段，提取每个连通域的特征信息；
S4：连通性判断阶段，判断相邻两行中的连通序列的连通性，行与行之间的连通性包括第r行的一个连通域与r+1行的一个连通域具有连通性；第r行的一个连通域与第r+1行的多个连通域具有连通性；第r行的多个连通域与第r+1行中的一个连通域具有连通性的情况；
S5：特征更新阶段，更新连通序列的特征；
S6：特征计算阶段，重复S1、S2、S3、S4、S5，在连通域结束后或相机传输数据结束后，计算最终连通域及其特征。
优选的，所述的S1：初始化阶段，还包括以下子步骤：
S11：相机传输的数据为RGB图像，根据RGB图像存储规律，在相机传入RGB图像数据的同时，将输入的数据进行灰度化，每三个点做一次灰度化：
其中，G为灰度图，r表示像素在图像中的行数，c表示像素在图像中列数，I表示相机传入的数据，w表示图像成像的宽度，表示灰度图G中第r行第c列的像素值，RGB图像包括红绿蓝三个颜色通道，通过三个颜色通道中颜色分量的变化以及叠加能够得到各种颜色，表示RGB图像中第r行第c列的红色分量的像素值，表示RGB图像中第r行第c列的绿色分量的像素值，表示RGB图像中第r行第c列的蓝色分量的像素值；
S12：在传入的图像数据转成灰度值的同时，将该灰度值二值化：
其中，G为灰度图，B为二值图，T为二值化的阈值，表示二值图B中第r行第c列的像素值。
优选的，所述的S2：连通域查找阶段，还包括以下子步骤：
S21：计算二值化的同时，判断二值结果为1的点，是否与前一个二值点连通，计算方式如下：
其中，c1、c2表示两个二值点的列坐标，Ct 表示c1 、c2两列的连通性，Ct=1时表示两个二值点连通；
S22：提取当前行连通域的范围，通过S11、S12和S21，选取同一连通域的边缘点，即左右端点，记为和，其中r表示第r行，i表示该行的i个联通区域，其中表示第r行第i个连通域的最左侧点，表示第r行第i个连通域的最右侧点；
S23：通过S21和S22，计算出当前行n个连通域，n表示当前行连通域个数，若n为0则表示该行中没有连通域，若n>0，则表示当前行中有n个连通域，连通域的集合，通过以下方式表达，，其中表示当前行中连通域的集合，该集合中每一个元素为，表示第r行中第i个连通域的列数起始点和列数终止点，集合中共n个元素。
优选的，所述的S3：特征信息提取阶段，提取块状目标的特征包括：平均灰度特征、面积大小A、边缘点集合Q，形心P、最小外接矩形B、质心C，其中边缘点集合Q由集合Q(s)，Q(e)，Q（ds），Q(de)组成，Q(s)，Q(e)为连通域的起始点和末端点坐标集合，Q（ds）为Q(s)边缘点集合的序列编码集合， Q(de) 为 Q(e) 边缘点集合的序列编码集合；形心P的表达为P(x,y)，表示为形心的横坐标和纵坐标，最小外接矩形B的表达为B(x1，y1，x2，y2)其中x1，y1为最小外接矩形的左上角点坐标，x2，y2为最小外接矩形的右下角点坐标；质心C由C(x,y)表示；每行数据传输过程中，每行计算出连通域后，即刻计算出当前的各个特征信息，计算方式包括如下子步骤：
S31：灰度值求总和，在传完所有图的数据后再做均值化：
其中表示第r行中第j个位置的灰度值；表示该行中第i个连通域灰度值的和；
S32：面积大小计算方式如下：
其中，表示第r行，第i个连通序列的面积，其中表示第r行第i个连通域的最左侧点，表示第r行第i个连通域的最右侧点；
S33：在每一行中，每个连通域的左右两端二值点为块状边缘点，对每个连通域创建边缘队列，并对当前行中创建的边缘点进行顺序编码：
其中表示第r行第i个连通域的起始边缘点集合和末端边缘点集合；表示对第r行第i个连通域起始边缘点的编码，结果记为；同理表示第r行第i个连通域的末端边缘点的编码，结果记为；
连通域的第一行的编号为和，后续编码由S4和S5中计算和更新；
S34：计算形心，计算每行中连通域的坐标点的和，在当前连通域数据结束时，再计算最终形心结果，连通域的x坐标求和公式如下：
y坐标求和公式如下：，其中，r表示连通域的行数，c表示连通域左右点的列数，i表示第r行中的连通域序列；表示第r行的第i个连通域的形心x坐标，表示第r行的第i个连通域的形心y坐标；
S35：外接矩形的特征信息，当第r行为该连通域的第一个有效行时：
；其中，表示连通域外接矩形的左上角点的行序列，表示连通域外接矩形的左上角点的列序列，表示连通域外接矩形的右下角点的行序列，表示连通域外接矩形的右下角点的列序列；
若第r行不是该连通域的第一个有效行，计算方法为S4的相邻行连通序列连通性和S5中的特征更新；
S36：质心计算的公式如下，先累计连通域中灰度值与坐标点的和，在连通域结束时或相机数据传输结束时，在计算最终的质心坐标：
，其中表示第r行第i个质心的横坐标，表示第r行第i个质心的纵坐标，表示区间的序列值，表示灰度图中第r行第列的灰度值，r表示灰度图的第r行。
优选的，所述的S4：连通性判断阶段是根据以下方法进行判断，其中r表示第r行的连通域，r+1表示第r+1行的连通域：
单连通对单连通的情况如下：当，表示或者在和之间时，两个连通域具有连通性；当，表示当或者在和之间时，两个连通域具有连通性，其中表示第r行第i个连通域的最左侧点，表示第r行第i个连通域的最右侧点，表示第r+1行第j个连通域的最左侧点，表示第r+1行第j个连通域的最右侧点；
单连通对多连通的情况如下：
当，表示第r+1行中多个连通序列，都与第r行中一个连通序列连通，每个连通域的起始位置都至少有一个在和之间，其中表示第r+1行第k个连通域的最左侧点，表示第r+1行第k个连通域的最右侧点；
多连通对单连通的情况如下：
当，表示第r行中单个连通序列，与第r+1行中多个连通序列连通，第r行每个连通域的起始位置都至少有一个点在和之间，其中表示第r行第i个连通域的最左侧点，表示第r行第i个连通域的最右侧点，表示第r行第k个连通域的最左侧点，表示第r行第k个连通域的最右侧点。
优选的，所述的S5：特征更新阶段还包括如下子步骤：
S51：对相机传入的r+1行数据，通过S1、S2、S3，得到r+1行的m个连通域序列和r+1行每个连通域序列的特征灰度特征，面积特征，边缘特征，形心特征，外接矩形特征和质心特征，分别以表示，其中，；
S52：S4中，计算第r+1行与r行中连通性，并对连通的序列，计算和更新特征，具体过程如下：
对于S4中，单连通对单连通的情况，更新第r行中第i个连通序列，释放保存的r+1行第j个序列内存，
灰度特征更新如下：将第r行中第i个连通域的灰度值与第r+1行中第j个连通域的灰度值相加，得到单对单灰度特征；
面积特征更新如下：将第r行中第i个连通域的面积与第r+1行中第j个连通域的面积相加，得到单对单面积特征；
边缘点特征更新如下：
；
将、与合并得到新的边缘点集合，其中表示第r行第i个连通域的起始边缘点集合和末端边缘点集合，表示第r+1行第j个连通域的起始边缘点集合和末端边缘点集合，对新的边缘点集合进行编码序号更新，更新关系如下：
每个边缘点对应编码序号更新，假设第r行第i个连通域起始边缘点和末端边缘点的编码分别为，则新加入第r+1行第j个连通域后，编码更新如下：
其中，为单连通对单连通的情况下第r行第i个连通域起始边缘点更新后的编码，为单连通对单连通的情况下第r行第i个连通域末端边缘点更新后的编码；
假设第r+1行第j个连通域起始边缘点和末端边缘点的编码为，编码更新如下：
其中，为更新后的编码，为更新后的编码；
形心特征更新如下：将第r行中第i个连通域的形心特征中横纵坐标分别与第r+1行中第j个连通域的形心特征横纵坐标相加，得到单对单形心特征，更新到第r行中第i个连通域中；
最小外接矩形特征更新时，最小外接矩形的左上角点选取最小横纵坐标值，右小角点选取最大横纵坐标值，结果记为，具体更新如下：
其中，分别为第r行中第i个连通域最小外接矩形的左上角横、纵坐标，分别表示第r行中第i个连通域最小外接矩形的右下角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的左上角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的右下角横、纵坐标；
质心特征更新如下：将第r行第i个连通域的质心坐标与第r+1行第j个连通域的质心坐标求和作为第r行第i个连通域中新的质心坐标更新得到单对单质心特征，结果记为，具体公式如下：
，其中分别为第r行第i个连通域的质心横、纵坐标，分别为第r+1行第j个连通域的质心横、纵坐标；
对于S4中，单连通对多连通的情况，更新r行中第i个连通序列，释放保存的r+1行中第j、k个序列内存；
灰度特征更新如下：将第r行中第i个连通域的灰度值与第r+1行中所有与之连通的连通域的灰度值相加，将累加的灰度值作为单对多灰度特征；
面积特征更新如下：将第r行中第i个连通域的面积与第r+1行中所有与之连通的连通域的面积相加，将累加的面积和作为单对多面积特征；
边缘特征更新如下：将具有连通性的连通域边缘点集合合并，结果记为，并对合并后的边缘点更新编码：
其中，表示第r行第i个连通域的起始边缘点集合和末端边缘点集合，表示第r+1行第j个连通域的起始边缘点集合和末端边缘点集合，表示第r+1行第k个连通域的起始边缘点集合和末端边缘点集合；
每个边缘点对应编码序号更新，假设第r行第i个连通域起始边缘点和末端边缘点的编码分别为，则新加入第r+1行第j个、第k个连通域后，编码更新如下：
其中，为单连通对多连通的情况下第r行第i个连通域起始边缘点更新后的编码，为单连通对多连通的情况下第r行第i个连通域末端边缘点更新后的编码，u为第r+1行中与第r行第i个连通域连通的连通域个数；
其中，[t]表示第r+1行中与第r行中第i个连通域具有连通性的多个连通域的序号，分别对应第r+1行中第j个到第k个连通域，为第r+1行中第j个到第k个连通域起始边缘点和末端边缘点更新后的编码集合，u为第r+1行中与第r行第i个连通域连通的连通域个数；
形心特征更新如下：将具有连通性的形心横纵坐标累加，更新结果记为：；
其中，表示第r行第i个连通域的形心横坐标，表示第r+1行中与第r行第i个连通域连通的多个连通域的形心横坐标，表示对多个连通域的形心横坐标求和；同理表示第r行第i个连通域的形心纵坐标，表示第r+1行中与第r行第i个连通域连通的多个连通域的形心纵坐标，表示对多个连通域的形心纵坐标求和；
最小外接矩形更新如下：最小外接矩形的左上角点选取最小横纵坐标值，右小角点选取最大横纵坐标值，结果记为，具体更新如下：
其中，分别为第r行中第i个连通域最小外接矩形的左上角横、纵坐标，分别表示第r行中第i个连通域最小外接矩形的右下角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的左上角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的右下角横、纵坐标；分别表示第r+1行中第k个连通域最小外接矩形的左上角横、纵坐标，分别表示第r+1行中第k个连通域最小外接矩形的右下角横、纵坐标；
质心特征更新如下：将第r行第i个连通域的质心坐标与第r+1行与之连通的连通域的质心坐标求和，结果记为，具体公式如下：
其中，表示第r行第i个连通域的质心横坐标，表示第r+1行中与第r行第i个连通域连通的多个连通域的质心横坐标，表示对多个连通域的质心横坐标求和；同理表示第r行第i个连通域的质心纵坐标，表示第r+1行中与第r行第i个连通域连通的多个连通域的质心纵坐标，表示对多个连通域的质心纵坐标求和；
对于S4中，多连通对单连通的情况更新r行中第i个连通序列，释放其他与之连通的序列内存，
灰度特征更新如下：将与第r+1行第j个连通域连通的所有第r行的连通域的灰度特征做累加，作为第r行第i个连通域的多对单灰度特征；
面积特征更新如下：将与第r+1行第j个连通域连通的所有第r行的连通域的面积特征做累加，作为第r行第i个连通域的多对单面积特征；
边缘特征更新如下：将具有连通性的连通域边缘点集合合并，结果记为，并对合并后的边缘点更新编码：
其中，表示第r行第i个连通域的起始边缘点集合和末端边缘点集合，表示第r+1行第j个连通域的起始边缘点集合和末端边缘点集合，表示第r行第k个连通域的起始边缘点集合和末端边缘点集合；
假设第r行第i个连通域为第一个与第r+1行第j个连通域具有连通性的，第r行第i个连通域起始边缘点和末端边缘点的编码分别为，则新加入第r+1行第j个连通域和第r行其他与第r+1行第j个连通域具有连通性的连通域后，编码更新如下：
其中，为多连通对单连通的情况下第r行第i个连通域起始边缘点更新后的编码，为多连通对单连通的情况下第r行第i个连通域末端边缘点更新后的编码，a为第r行中与第r+1行第j个连通域连通的连通域个数；
其中，[t]表示第r行中与第r+1行中第j个连通域具有连通性的多个连通域的序号，分别对应第r行中第i个到第k个连通域，为第r行中除第i个连通域外其他连通域起始边缘点和末端边缘点的更新后的编码集合，a为第r行中与第r+1行第j个连通域连通的连通域个数；
其中，为第r+1行第j个连通域起始边缘点更新后的编码，为第r+1行第j个连通域末端边缘点更新后的编码；
形心特征更新如下：将具有连通性的形心横纵坐标累加，更新结果记为，具体公式如下：
其中，表示第r+1行第j个连通域的形心横坐标，表示第r行中与第r+1行第j个连通域连通的多个连通域的形心横坐标，表示对多个连通域的形心横坐标求和；同理表示第r+1行第j个连通域的形心纵坐标，表示第r行中与第r+1行第j个连通域连通的多个连通域的形心纵坐标，表示对多个连通域的形心纵坐标求和；
最小外接矩形更新如下：最小外接矩形的左上角点选取最小横纵坐标值，右下角点选取最大横纵坐标值，结果记为，具体公式如下：
其中，分别为第r行中第i个连通域最小外接矩形的左上角横、纵坐标，分别表示第r行中第i个连通域最小外接矩形的右下角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的左上角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的右下角横、纵坐标；分别表示第r行中第k个连通域最小外接矩形的左上角横、纵坐标，分别表示第r行中第k个连通域最小外接矩形的右下角横、纵坐标；
质心特征更新如下：将第r+1行第j个连通域的质心坐标与第r行与之连通的连通域的质心坐标求和，结果记为，具体公式如下：
其中，表示第r+1行第j个连通域的质心横坐标，表示第r行中与第r+1行第j个连通域连通的多个连通域的质心横坐标，表示对多个连通域的质心横坐标求和；同理表示第r+1行第j个连通域的质心纵坐标，表示第r行中与第r+1行第j个连通域连通的多个连通域的质心纵坐标，表示对多个连通域的质心纵坐标求和。
优选的，所述的S6：特征计算阶段，相机每次传完一行数据，根据过程S1、S2、S3、S4、S5中的操作，计算每行的连通序列，并通过融合相邻行的连通序列，更新块状目标及其特征，数据传输过程中，当一个块状目标没有更新后或是最后一行数据传输结束后，即可得出块状目标的所有特征信息；通过每个块状目标的面积A，灰度特征V，更新包括每个块状目标的平均灰度特征、形心特征、边缘点集合Q、质心特征，其中：
质心特征：最终连通域中，将质心横纵坐标都除以灰度特征V，得到最终质心特征；
面积特征A：最终连通域中，最终面积特征不做其他处理；
平均灰度特征：最终连通域中，最终平均灰度特征为累加的灰度特征V除以面积特征A；
形心特征：最终连通域中，形心特征的横纵坐标除以面积特征的两倍得到最终形心特征；
边缘特征：最终连通域中，最终边缘特征不做其他处理。
本发明第二方面提供：一种块状目标检测及特征提取装置，用于实现上述任一种块状目标检测及特征提取方法，包括：
初始化模块，用于根据相机传图时候的特性，按行提取图像中的块状目标信息；
连通域查找模块，用于在相机输入的每一行数据，查找连通域；
特征信息提取模块，用于提取每个连通域的特征信息；
连通性判断模块，用于判断相邻两行中的连通序列的连通性，行与行之间的连通性包括第r行的一个连通域与r+1行的一个连通域具有连通性；第r行的一个连通域与第r+1行的多个连通域具有连通性；第r行的多个连通域与第r+1行中的一个连通域具有连通性的情况；
特征更新模块，用于更新连通序列的特征；
特征计算模块，用于在连通域结束后或相机传输数据结束后，计算最终连通域及其特征。
本发明第三方面提供：一种计算机可读存储介质，所述的计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述任一种块状目标检测及特征提取方法。
本发明的有益效果是：
1）据相机按行传输的特性，在每一行数据传输时，实时计算块状目标的连通性和后续分析所需要的特征信息。
2）在相机每行传输数据的时间内，融合和更新与上一行中的属于同一连通域的块状目标信息和特征，做到块状目标传输完成后即时检测出结果并计算出特征信息，即所有块状目标在一次扫描的耗时之内即可得出结果。
附图说明
图1为块状目标示意图；
图2为本发明块状目标检测及特征提取方法S21同一行两种连通方式示意图；
图3为本发明块状目标检测及特征提取方法中块状目标边缘点示意图；
图4为本发明块状目标检测及特征提取方法S4中单对单上下行连通的第1、2种情况示意图；
图5为本发明块状目标检测及特征提取方法S4中单对单上下行连通的第3、4种情况示意图；
图6为本发明块状目标检测及特征提取方法S4中单对多上下行连通的情况示意图；
图7为本发明块状目标检测及特征提取方法S4中多对单上下行连通的情况示意图；
图8为本发明块状目标检测及特征提取方法第一种边缘点编码更新示意图；
图9为本发明块状目标检测及特征提取方法第二种边缘点编码更新示意图；
图10为本发明块状目标检测及特征提取方法第三种边缘点编码更新示意图；
图11为本发明块状目标检测及特征提取方法第四种边缘点编码更新示意图；
图12为本发明块状目标检测及特征提取方法第五种边缘点编码更新示意图。
具体实施方式
下面将结合实施例，对本发明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，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1-图12，本发明提供一种技术方案：本发明第一方面提供：一种块状目标检测及特征提取方法，包括以下步骤：
S1：初始化阶段，根据相机传图时候的特性，按行提取图像中的块状目标信息；
S2：连通域查找阶段，在相机输入的每一行数据，查找连通域；
S3：特征信息提取阶段，提取每个连通域的特征信息；
S4：连通性判断阶段，判断相邻两行中的连通序列的连通性，行与行之间的连通性包括第r行的一个连通域与r+1行的一个连通域具有连通性；第r行的一个连通域与第r+1行的多个连通域具有连通性；第r行的多个连通域与第r+1行中的一个连通域具有连通性的情况；
S5：特征更新阶段，更新连通序列的特征；
S6：特征计算阶段，重复S1、S2、S3、S4、S5，在连通域结束后或相机传输数据结束后，计算最终连通域及其特征。该方法根据相机传图的特性（即按行传输的特性），在每一行数据传输时，实时计算块状目标的连通性和后续分析所需要的特征信息（如面积、灰度值、形心、外接矩形、边缘点、质心等）。
在一些实施例中，所述的S1：初始化阶段，还包括以下子步骤：
S11：相机传输的数据为RGB图像，根据RGB图像存储规律，在相机传入RGB图像数据的同时，将输入的数据进行灰度化，每三个点做一次灰度化：
其中，G为灰度图，r表示像素在图像中的行数，c表示像素在图像中列数，I表示相机传入的数据，w表示图像成像的宽度，表示灰度图G中第r行第c列的像素值，RGB图像包括红绿蓝三个颜色通道，通过三个颜色通道中颜色分量的变化以及叠加能够得到各种颜色，表示RGB图像中第r行第c列的红色分量的像素值，表示RGB图像中第r行第c列的绿色分量的像素值，表示RGB图像中第r行第c列的蓝色分量的像素值；
S12：在传入的图像数据转成灰度值的同时，将该灰度值二值化：
其中，G为灰度图，B为二值图，T为二值化的阈值，表示二值图B中第r行第c列的像素值。在本实施例中，如图1所示，白色为背景0，黑色为块状目标1。
在一些实施例中，所述的S2：连通域查找阶段，还包括以下子步骤：
S21：计算二值化的同时，判断二值结果为1的点，是否与前一个二值点连通，计算方式如下：
其中，c1、c2表示两个二值点的列坐标，Ct 表示c1 、c2两列的连通性，Ct=1时表示两个二值点连通；
S22：提取当前行连通域的范围，通过S11、S12和S21，选取同一连通域的边缘点，即左右端点，记为和，其中r表示第r行，i表示该行的i个联通区域，其中表示第r行第i个连通域的最左侧点，表示第r行第i个连通域的最右侧点；
S23：通过S21和S22，计算出当前行n个连通域，n表示当前行连通域个数，若n为0则表示该行中没有连通域，若n>0，则表示当前行中有n个连通域，连通域的集合，通过以下方式表达，，其中表示当前行中连通域的集合，该集合中每一个元素为，表示第r行中第i个连通域的列数起始点和列数终止点，集合中共n个元素。
在一些实施例中，所述的S3：特征信息提取阶段，提取块状目标的特征包括：平均灰度特征、面积大小A、边缘点集合Q，形心P、最小外接矩形B、质心C，其中边缘点集合Q由集合Q(s)，Q(e)，Q（ds），Q(de)组成，Q(s)，Q(e)为连通域的起始点和末端点坐标集合，Q（ds）为Q(s)边缘点集合的序列编码集合， Q(de) 为 Q(e) 边缘点集合的序列编码集合；形心P的表达为P(x,y)，表示为形心的横坐标和纵坐标，最小外接矩形B的表达为B(x1，y1，x2，y2)其中x1，y1为最小外接矩形的左上角点坐标，x2，y2为最小外接矩形的右下角点坐标；质心C由C(x,y)表示；每行数据传输过程中，每行计算出连通域后，即刻计算出当前的各个特征信息，计算方式包括如下子步骤：
S31：灰度值求总和，在传完所有图的数据后再做均值化：
其中表示第r行中第j个位置的灰度值；表示该行中第i个连通域灰度值的和；
S32：面积大小计算方式如下：
其中，表示第r行，第i个连通序列的面积，其中表示第r行第i个连通域的最左侧点，表示第r行第i个连通域的最右侧点；
S33：在每一行中，每个连通域的左右两端二值点为块状边缘点，对每个连通域创建边缘队列，并对当前行中创建的边缘点进行顺序编码：
其中表示第r行第i个连通域的起始边缘点集合和末端边缘点集合；表示对第r行第i个连通域起始边缘点的编码，结果记为；同理表示第r行第i个连通域的末端边缘点的编码，结果记为；
连通域的第一行的编号为和，后续编码由S4和S5中计算和更新；
S34：计算形心，计算每行中连通域的坐标点的和，在当前连通域数据结束时，再计算最终形心结果，连通域的x坐标求和公式如下：
y坐标求和公式如下：，其中，r表示连通域的行数，c表示连通域左右点的列数，i表示第r行中的连通域序列；表示第r行的第i个连通域的形心x坐标，表示第r行的第i个连通域的形心y坐标；
S35：外接矩形的特征信息，当第r行为该连通域的第一个有效行时：
；其中，表示连通域外接矩形的左上角点的行序列，表示连通域外接矩形的左上角点的列序列，表示连通域外接矩形的右下角点的行序列，表示连通域外接矩形的右下角点的列序列；
若第r行不是该连通域的第一个有效行，计算方法为S4的相邻行连通序列连通性和S5中的特征更新；
S36：质心计算的公式如下，先累计连通域中灰度值与坐标点的和，在连通域结束时或相机数据传输结束时，在计算最终的质心坐标：
，其中表示第r行第i个质心的横坐标，表示第r行第i个质心的纵坐标，表示区间的序列值，表示灰度图中第r行第列的灰度值，r表示灰度图的第r行。为了提高计算效率，同时减小计算量和内存的消耗，本方法在每行数据传输过程中，每行计算出连通域后，即刻计算出当前的各个特征信息。
在一些实施例中，所述的S4：连通性判断阶段是根据以下方法进行判断，其中r表示第r行的连通域，r+1表示第r+1行的连通域：
单连通对单连通的情况如下：当，表示或者在和之间时，两个连通域具有连通性；当，表示当或者在和之间时，两个连通域具有连通性，其中表示第r行第i个连通域的最左侧点，表示第r行第i个连通域的最右侧点，表示第r+1行第j个连通域的最左侧点，表示第r+1行第j个连通域的最右侧点；
单连通对多连通的情况如下：
当，表示第r+1行中多个连通序列，都与第r行中一个连通序列连通，每个连通域的起始位置都至少有一个在和之间，其中表示第r+1行第k个连通域的最左侧点，表示第r+1行第k个连通域的最右侧点；
多连通对单连通的情况如下：
当，表示第r行中单个连通序列，与第r+1行中多个连通序列连通，第r行每个连通域的起始位置都至少有一个点在和之间，其中表示第r行第i个连通域的最左侧点，表示第r行第i个连通域的最右侧点，表示第r行第k个连通域的最左侧点，表示第r行第k个连通域的最右侧点。单连通对单连通的情况如图4和图5所示，单连通对多连通的情况如图6所示，多连通对单连通的情况如图7所示。
在一些实施例中，所述的S5：特征更新阶段还包括如下子步骤：
S51：对相机传入的r+1行数据，通过S1、S2、S3，得到r+1行的m个连通域序列和r+1行每个连通域序列的特征灰度特征，面积特征，边缘特征，形心特征，外接矩形特征和质心特征，分别以表示，其中，；
S52：S4中，计算第r+1行与r行中连通性，并对连通的序列，计算和更新特征，具体过程如下：
对于S4中，单连通对单连通的情况，更新第r行中第i个连通序列，释放保存的r+1行第j个序列内存，
灰度特征更新如下：将第r行中第i个连通域的灰度值与第r+1行中第j个连通域的灰度值相加，得到单对单灰度特征；
面积特征更新如下：将第r行中第i个连通域的面积与第r+1行中第j个连通域的面积相加，得到单对单面积特征；
边缘点特征更新如下：
；
将、与合并得到新的边缘点集合，其中表示第r行第i个连通域的起始边缘点集合和末端边缘点集合，表示第r+1行第j个连通域的起始边缘点集合和末端边缘点集合，对新的边缘点集合进行编码序号更新，更新关系如下：
每个边缘点对应编码序号更新，假设第r行第i个连通域起始边缘点和末端边缘点的编码分别为，则新加入第r+1行第j个连通域后，编码更新如下：
其中，为单连通对单连通的情况下第r行第i个连通域起始边缘点更新后的编码，为单连通对单连通的情况下第r行第i个连通域末端边缘点更新后的编码；
假设第r+1行第j个连通域起始边缘点和末端边缘点的编码为，编码更新如下：
其中，为更新后的编码，为更新后的编码；
形心特征更新如下：将第r行中第i个连通域的形心特征中横纵坐标分别与第r+1行中第j个连通域的形心特征横纵坐标相加，得到单对单形心特征，更新到第r行中第i个连通域中；
最小外接矩形特征更新时，最小外接矩形的左上角点选取最小横纵坐标值，右小角点选取最大横纵坐标值，结果记为，具体更新如下：
其中，分别为第r行中第i个连通域最小外接矩形的左上角横、纵坐标，分别表示第r行中第i个连通域最小外接矩形的右下角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的左上角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的右下角横、纵坐标；
质心特征更新如下：将第r行第i个连通域的质心坐标与第r+1行第j个连通域的质心坐标求和作为第r行第i个连通域中新的质心坐标更新得到单对单质心特征，结果记为，具体公式如下：
，其中分别为第r行第i个连通域的质心横、纵坐标，分别为第r+1行第j个连通域的质心横、纵坐标；
对于S4中，单连通对多连通的情况，更新r行中第i个连通序列，释放保存的r+1行中第j、k个序列内存；
灰度特征更新如下：将第r行中第i个连通域的灰度值与第r+1行中所有与之连通的连通域的灰度值相加，将累加的灰度值作为单对多灰度特征；
面积特征更新如下：将第r行中第i个连通域的面积与第r+1行中所有与之连通的连通域的面积相加，将累加的面积和作为单对多面积特征；
边缘特征更新如下：将具有连通性的连通域边缘点集合合并，结果记为，并对合并后的边缘点更新编码：
其中，表示第r行第i个连通域的起始边缘点集合和末端边缘点集合，表示第r+1行第j个连通域的起始边缘点集合和末端边缘点集合，表示第r+1行第k个连通域的起始边缘点集合和末端边缘点集合；
每个边缘点对应编码序号更新，假设第r行第i个连通域起始边缘点和末端边缘点的编码分别为，则新加入第r+1行第j个、第k个连通域后，编码更新如下：
其中，为单连通对多连通的情况下第r行第i个连通域起始边缘点更新后的编码，为单连通对多连通的情况下第r行第i个连通域末端边缘点更新后的编码，u为第r+1行中与第r行第i个连通域连通的连通域个数；
其中，[t]表示第r+1行中与第r行中第i个连通域具有连通性的多个连通域的序号，分别对应第r+1行中第j个到第k个连通域，为第r+1行中第j个到第k个连通域起始边缘点和末端边缘点更新后的编码集合，u为第r+1行中与第r行第i个连通域连通的连通域个数；
形心特征更新如下：将具有连通性的形心横纵坐标累加，更新结果记为：；
其中，表示第r行第i个连通域的形心横坐标，表示第r+1行中与第r行第i个连通域连通的多个连通域的形心横坐标，表示对多个连通域的形心横坐标求和；同理表示第r行第i个连通域的形心纵坐标，表示第r+1行中与第r行第i个连通域连通的多个连通域的形心纵坐标，表示对多个连通域的形心纵坐标求和；
最小外接矩形更新如下：最小外接矩形的左上角点选取最小横纵坐标值，右小角点选取最大横纵坐标值，结果记为，具体更新如下：
其中，分别为第r行中第i个连通域最小外接矩形的左上角横、纵坐标，分别表示第r行中第i个连通域最小外接矩形的右下角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的左上角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的右下角横、纵坐标；分别表示第r+1行中第k个连通域最小外接矩形的左上角横、纵坐标，分别表示第r+1行中第k个连通域最小外接矩形的右下角横、纵坐标；
质心特征更新如下：将第r行第i个连通域的质心坐标与第r+1行与之连通的连通域的质心坐标求和，结果记为，具体公式如下：
其中，表示第r行第i个连通域的质心横坐标，表示第r+1行中与第r行第i个连通域连通的多个连通域的质心横坐标，表示对多个连通域的质心横坐标求和；同理表示第r行第i个连通域的质心纵坐标，表示第r+1行中与第r行第i个连通域连通的多个连通域的质心纵坐标，表示对多个连通域的质心纵坐标求和；
对于S4中，多连通对单连通的情况更新r行中第i个连通序列，释放其他与之连通的序列内存，
灰度特征更新如下：将与第r+1行第j个连通域连通的所有第r行的连通域的灰度特征做累加，作为第r行第i个连通域的多对单灰度特征；
面积特征更新如下：将与第r+1行第j个连通域连通的所有第r行的连通域的面积特征做累加，作为第r行第i个连通域的多对单面积特征；
边缘特征更新如下：将具有连通性的连通域边缘点集合合并，结果记为，并对合并后的边缘点更新编码：
其中，表示第r行第i个连通域的起始边缘点集合和末端边缘点集合，表示第r+1行第j个连通域的起始边缘点集合和末端边缘点集合，表示第r行第k个连通域的起始边缘点集合和末端边缘点集合；
假设第r行第i个连通域为第一个与第r+1行第j个连通域具有连通性的，第r行第i个连通域起始边缘点和末端边缘点的编码分别为，则新加入第r+1行第j个连通域和第r行其他与第r+1行第j个连通域具有连通性的连通域后，编码更新如下：
其中，为多连通对单连通的情况下第r行第i个连通域起始边缘点更新后的编码，为多连通对单连通的情况下第r行第i个连通域末端边缘点更新后的编码，a为第r行中与第r+1行第j个连通域连通的连通域个数；
其中，[t]表示第r行中与第r+1行中第j个连通域具有连通性的多个连通域的序号，分别对应第r行中第i个到第k个连通域，为第r行中除第i个连通域外其他连通域起始边缘点和末端边缘点的更新后的编码集合，a为第r行中与第r+1行第j个连通域连通的连通域个数；
其中，为第r+1行第j个连通域起始边缘点更新后的编码，为第r+1行第j个连通域末端边缘点更新后的编码；
形心特征更新如下：将具有连通性的形心横纵坐标累加，更新结果记为，具体公式如下：
其中，表示第r+1行第j个连通域的形心横坐标，表示第r行中与第r+1行第j个连通域连通的多个连通域的形心横坐标，表示对多个连通域的形心横坐标求和；同理表示第r+1行第j个连通域的形心纵坐标，表示第r行中与第r+1行第j个连通域连通的多个连通域的形心纵坐标，表示对多个连通域的形心纵坐标求和；
最小外接矩形更新如下：最小外接矩形的左上角点选取最小横纵坐标值，右下角点选取最大横纵坐标值，结果记为，具体公式如下：
其中，分别为第r行中第i个连通域最小外接矩形的左上角横、纵坐标，分别表示第r行中第i个连通域最小外接矩形的右下角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的左上角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的右下角横、纵坐标；分别表示第r行中第k个连通域最小外接矩形的左上角横、纵坐标，分别表示第r行中第k个连通域最小外接矩形的右下角横、纵坐标；
质心特征更新如下：将第r+1行第j个连通域的质心坐标与第r行与之连通的连通域的质心坐标求和，结果记为，具体公式如下：
其中，表示第r+1行第j个连通域的质心横坐标，表示第r行中与第r+1行第j个连通域连通的多个连通域的质心横坐标，表示对多个连通域的质心横坐标求和；同理表示第r+1行第j个连通域的质心纵坐标，表示第r行中与第r+1行第j个连通域连通的多个连通域的质心纵坐标，表示对多个连通域的质心纵坐标求和。其中边缘特征的更新如图8-图12所示。
在一些实施例中，所述的S6：特征计算阶段，相机每次传完一行数据，根据过程S1、S2、S3、S4、S5中的操作，计算每行的连通序列，并通过融合相邻行的连通序列，更新块状目标及其特征，数据传输过程中，当一个块状目标没有更新后或是最后一行数据传输结束后，即可得出块状目标的所有特征信息；通过每个块状目标的面积A，灰度特征V，更新包括每个块状目标的平均灰度特征、形心特征、边缘点集合Q、质心特征，其中：
质心特征：最终连通域中，将质心横纵坐标都除以灰度特征V，得到最终质心特征；
面积特征A：最终连通域中，最终面积特征不做其他处理；
平均灰度特征：最终连通域中，最终平均灰度特征为累加的灰度特征V除以面积特征A；
形心特征：最终连通域中，形心特征的横纵坐标除以面积特征的两倍得到最终形心特征；
边缘特征：最终连通域中，最终边缘特征不做其他处理。
本发明第二方面提供：一种块状目标检测及特征提取装置，其特征在于：用于实现上述任一种块状目标检测及特征提取方法，包括：
初始化模块，用于根据相机传图时候的特性，按行提取图像中的块状目标信息；
连通域查找模块，用于在相机输入的每一行数据，查找连通域；
特征信息提取模块，用于提取每个连通域的特征信息；
连通性判断模块，用于判断相邻两行中的连通序列的连通性，行与行之间的连通性包括第r行的一个连通域与r+1行的一个连通域具有连通性；第r行的一个连通域与第r+1行的多个连通域具有连通性；第r行的多个连通域与第r+1行中的一个连通域具有连通性的情况；
特征更新模块，用于更新连通序列的特征；
特征计算模块，用于在连通域结束后或相机传输数据结束后，计算最终连通域及其特征。
本发明第三方面提供：一种计算机可读存储介质，其特征在于：所述的计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述任一种块状目标检测及特征提取方法。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种块状目标检测及特征提取方法，其特征在于：包括以下步骤：
S1：初始化阶段，根据相机传图时候的特性，按行提取图像中的块状目标信息；
S2：连通域查找阶段，在相机输入的每一行数据，查找连通域；
S3：特征信息提取阶段，提取每个连通域的特征信息；
S4：连通性判断阶段，判断相邻两行中的连通序列的连通性，行与行之间的连通性包括第r行的一个连通域与r+1行的一个连通域具有连通性；第r行的一个连通域与第r+1行的多个连通域具有连通性；第r行的多个连通域与第r+1行中的一个连通域具有连通性的情况；
S5：特征更新阶段，更新连通序列的特征；
S6：特征计算阶段，重复S1、S2、S3、S4、S5，在连通域结束后或相机传输数据结束后，计算最终连通域及其特征。
2.根据权利要求1所述的块状目标检测及特征提取方法，其特征在于：所述的S1：初始化阶段，还包括以下子步骤：
S11：相机传输的数据为RGB图像，根据RGB图像存储规律，在相机传入RGB图像数据的同时，将输入的数据进行灰度化，每三个点做一次灰度化：
其中，G为灰度图，r表示像素在图像中的行数，c表示像素在图像中列数，I表示相机传入的数据，w表示图像成像的宽度，表示灰度图G中第r行第c列的像素值，RGB图像包括红绿蓝三个颜色通道，通过三个颜色通道中颜色分量的变化以及叠加能够得到各种颜色，表示RGB图像中第r行第c列的红色分量的像素值，表示RGB图像中第r行第c列的绿色分量的像素值，表示RGB图像中第r行第c列的蓝色分量的像素值；
S12：在传入的图像数据转成灰度值的同时，将该灰度值二值化：
其中，G为灰度图，B为二值图，T为二值化的阈值，表示二值图B中第r行第c列的像素值。
3.根据权利要求2所述的块状目标检测及特征提取方法，其特征在于：所述的S2：连通域查找阶段，还包括以下子步骤：
S21：计算二值化的同时，判断二值结果为1的点，是否与前一个二值点连通，计算方式如下：
其中，c1 、c2表示两个二值点的列坐标，Ct 表示c1 、c2两列的连通性，Ct=1时表示两个二值点连通；
S22：提取当前行连通域的范围，通过S11、S12和S21，选取同一连通域的边缘点，即左右端点，记为 和，其中r表示第r行，i表示该行的i个联通区域，其中表示第r行第i个连通域的最左侧点，表示第r行第i个连通域的最右侧点；
S23：通过S21和S22，计算出当前行n个连通域，n表示当前行连通域个数，若n为0则表示该行中没有连通域，若n>0，则表示当前行中有n个连通域，连通域的集合，通过以下方式表达，，其中表示当前行中连通域的集合，该集合中每一个元素为，表示第r行中第i个连通域的列数起始点和列数终止点，集合中共n个元素。
4.根据权利要求3所述的块状目标检测及特征提取方法，其特征在于：所述的S3：特征信息提取阶段，提取块状目标的特征包括：平均灰度特征、面积大小A、边缘点集合Q，形心P、最小外接矩形B、质心C，其中边缘点集合Q由集合Q(s)，Q(e)，Q（ds），Q(de)组成，Q(s)，Q(e)为连通域的起始点和末端点坐标集合，Q（ds）为Q(s)边缘点集合的序列编码集合， Q(de) 为 Q(e) 边缘点集合的序列编码集合；形心P的表达为P(x,y)，表示为形心的横坐标和纵坐标，最小外接矩形B的表达为B(x1，y1，x2，y2)其中x1，y1为最小外接矩形的左上角点坐标，x2，y2为最小外接矩形的右下角点坐标；质心C由C(x,y)表示；每行数据传输过程中，每行计算出连通域后，即刻计算出当前的各个特征信息，计算方式包括如下子步骤：
S31：灰度值求总和，在传完所有图的数据后再做均值化：
其中 表示第r行中第j个位置的灰度值；表示该行中第i个连通域灰度值的和；
S32：面积大小计算方式如下：
其中，表示第r行，第i个连通序列的面积，其中表示第r行第i个连通域的最左侧点，表示第r行第i个连通域的最右侧点；
S33：在每一行中，每个连通域的左右两端二值点为块状边缘点，对每个连通域创建边缘队列，并对当前行中创建的边缘点进行顺序编码：
其中表示第r行第i个连通域的起始边缘点集合和末端边缘点集合；表示对第r行第i个连通域起始边缘点的编码，结果记为；同理表示第r行第i个连通域的末端边缘点的编码，结果记为；
连通域的第一行的编号为和，后续编码由S4和S5中计算和更新；
S34：计算形心，计算每行中连通域的坐标点的和，在当前连通域数据结束时，再计算最终形心结果，连通域的x坐标求和公式如下：
y坐标求和公式如下：，其中，r表示连通域的行数，c表示连通域左右点的列数，i表示第r行中的连通域序列；表示第r行的第i个连通域的形心x坐标，表示第r行的第i个连通域的形心y坐标；
S35：外接矩形的特征信息，当第r行为该连通域的第一个有效行时：
；其中，表示连通域外接矩形的左上角点的行序列，表示连通域外接矩形的左上角点的列序列，表示连通域外接矩形的右下角点的行序列，表示连通域外接矩形的右下角点的列序列；
若第r行不是该连通域的第一个有效行，计算方法为S4的相邻行连通序列连通性和S5中的特征更新；
S36：质心计算的公式如下，先累计连通域中灰度值与坐标点的和，在连通域结束时或相机数据传输结束时，在计算最终的质心坐标：
，其中表示第r行第i个质心的横坐标，表示第r行第i个质心的纵坐标，表示 区间的序列值，表示灰度图中第r行第列的灰度值，r表示灰度图的第r行。
5.根据权利要求4所述的块状目标检测及特征提取方法，其特征在于：所述的S4：连通性判断阶段是根据以下方法进行判断，其中r表示第r行的连通域，r+1表示第r+1行的连通域：
单连通对单连通的情况如下：当，表示或者在和之间时，两个连通域具有连通性；当，表示当或者在和之间时，两个连通域具有连通性，其中表示第r行第i个连通域的最左侧点，表示第r行第i个连通域的最右侧点，表示第r+1行第j个连通域的最左侧点，表示第r+1行第j个连通域的最右侧点；
单连通对多连通的情况如下：
当，表示第r+1行中多个连通序列，都与第r行中一个连通序列连通，每个连通域的起始位置都至少有一个在和之间，其中表示第r+1行第k个连通域的最左侧点，表示第r+1行第k个连通域的最右侧点；
多连通对单连通的情况如下：
当，表示第r行中单个连通序列，与第r+1行中多个连通序列连通，第r行每个连通域的起始位置都至少有一个点在和之间，其中表示第r行第i个连通域的最左侧点，表示第r行第i个连通域的最右侧点，表示第r行第k个连通域的最左侧点，表示第r行第k个连通域的最右侧点。
6.根据权利要求5所述的块状目标检测及特征提取方法，其特征在于：所述的S5：特征更新阶段还包括如下子步骤：
S51：对相机传入的r+1行数据，通过S1、S2、S3，得到r+1行的m个连通域序列和r+1行每个连通域序列的特征灰度特征，面积特征，边缘特征，形心特征，外接矩形特征和质心特征，分别以表示，其中，；
S52：S4中，计算第r+1行与r行中连通性，并对连通的序列，计算和更新特征，具体过程如下：
对于S4中，单连通对单连通的情况，更新第r行中第i个连通序列，释放保存的r+1行第j个序列内存，
灰度特征更新如下：将第r行中第i个连通域的灰度值与第r+1行中第j个连通域的灰度值相加，得到单对单灰度特征；
面积特征更新如下：将第r行中第i个连通域的面积与第r+1行中第j个连通域的面积相加，得到单对单面积特征；
边缘点特征更新如下：
；
将、与合并得到新的边缘点集合，其中表示第r行第i个连通域的起始边缘点集合和末端边缘点集合，表示第r+1行第j个连通域的起始边缘点集合和末端边缘点集合，对新的边缘点集合进行编码序号更新，更新关系如下：
每个边缘点对应编码序号更新，假设第r行第i个连通域起始边缘点和末端边缘点的编码分别为，则新加入第r+1行第j个连通域后，编码更新如下：
其中，为单连通对单连通的情况下第r行第i个连通域起始边缘点更新后的编码，为单连通对单连通的情况下第r行第i个连通域末端边缘点更新后的编码；
假设第r+1行第j个连通域起始边缘点和末端边缘点的编码为，编码更新如下：
其中，为更新后的编码，为更新后的编码；
形心特征更新如下：将第r行中第i个连通域的形心特征中横纵坐标分别与第r+1行中第j个连通域的形心特征横纵坐标相加，得到单对单形心特征，更新到第r行中第i个连通域中；
最小外接矩形特征更新时，最小外接矩形的左上角点选取最小横纵坐标值，右小角点选取最大横纵坐标值，结果记为 ，具体更新如下：
其中，分别为第r行中第i个连通域最小外接矩形的左上角横、纵坐标，分别表示第r行中第i个连通域最小外接矩形的右下角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的左上角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的右下角横、纵坐标；
质心特征更新如下：将第r行第i个连通域的质心坐标与第r+1行第j个连通域的质心坐标求和作为第r行第i个连通域中新的质心坐标更新得到单对单质心特征，结果记为，具体公式如下：
，其中分别为第r行第i个连通域的质心横、纵坐标，分别为第r+1行第j个连通域的质心横、纵坐标；
对于S4中，单连通对多连通的情况，更新r行中第i个连通序列，释放保存的r+1行中第j、k个序列内存；
灰度特征更新如下：将第r行中第i个连通域的灰度值与第r+1行中所有与之连通的连通域的灰度值相加，将累加的灰度值作为单对多灰度特征；
面积特征更新如下：将第r行中第i个连通域的面积与第r+1行中所有与之连通的连通域的面积相加，将累加的面积和作为单对多面积特征；
边缘特征更新如下：将具有连通性的连通域边缘点集合合并，结果记为，并对合并后的边缘点更新编码：
其中，表示第r行第i个连通域的起始边缘点集合和末端边缘点集合，表示第r+1行第j个连通域的起始边缘点集合和末端边缘点集合，表示第r+1行第k个连通域的起始边缘点集合和末端边缘点集合；
每个边缘点对应编码序号更新，假设第r行第i个连通域起始边缘点和末端边缘点的编码分别为，则新加入第r+1行第j个、第k个连通域后，编码更新如下：
其中，为单连通对多连通的情况下第r行第i个连通域起始边缘点更新后的编码，为单连通对多连通的情况下第r行第i个连通域末端边缘点更新后的编码，u为第r+1行中与第r行第i个连通域连通的连通域个数；
其中，[t]表示第r+1行中与第r行中第i个连通域具有连通性的多个连通域的序号，分别对应第r+1行中第j个到第k个连通域，为第r+1行中第j个到第k个连通域起始边缘点和末端边缘点更新后的编码集合，u为第r+1行中与第r行第i个连通域连通的连通域个数；
形心特征更新如下：将具有连通性的形心横纵坐标累加，更新结果记为：；
其中，表示第r行第i个连通域的形心横坐标，表示第r+1行中与第r行第i个连通域连通的多个连通域的形心横坐标，表示对多个连通域的形心横坐标求和；同理表示第r行第i个连通域的形心纵坐标，表示第r+1行中与第r行第i个连通域连通的多个连通域的形心纵坐标，表示对多个连通域的形心纵坐标求和；
最小外接矩形更新如下：最小外接矩形的左上角点选取最小横纵坐标值，右小角点选取最大横纵坐标值，结果记为 ，具体更新如下：
其中，分别为第r行中第i个连通域最小外接矩形的左上角横、纵坐标，分别表示第r行中第i个连通域最小外接矩形的右下角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的左上角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的右下角横、纵坐标；分别表示第r+1行中第k个连通域最小外接矩形的左上角横、纵坐标，分别表示第r+1行中第k个连通域最小外接矩形的右下角横、纵坐标；
质心特征更新如下：将第r行第i个连通域的质心坐标与第r+1行与之连通的连通域的质心坐标求和，结果记为，具体公式如下：
其中，表示第r行第i个连通域的质心横坐标，表示第r+1行中与第r行第i个连通域连通的多个连通域的质心横坐标，表示对多个连通域的质心横坐标求和；同理表示第r行第i个连通域的质心纵坐标，表示第r+1行中与第r行第i个连通域连通的多个连通域的质心纵坐标，表示对多个连通域的质心纵坐标求和；
对于S4中，多连通对单连通的情况更新r行中第i个连通序列，释放其他与之连通的序列内存，
灰度特征更新如下：将与第r+1行第j个连通域连通的所有第r行的连通域的灰度特征做累加，作为第r行第i个连通域的多对单灰度特征；
面积特征更新如下：将与第r+1行第j个连通域连通的所有第r行的连通域的面积特征做累加，作为第r行第i个连通域的多对单面积特征；
边缘特征更新如下：将具有连通性的连通域边缘点集合合并，结果记为，并对合并后的边缘点更新编码：
其中，表示第r行第i个连通域的起始边缘点集合和末端边缘点集合，表示第r+1行第j个连通域的起始边缘点集合和末端边缘点集合，表示第r行第k个连通域的起始边缘点集合和末端边缘点集合；
假设第r行第i个连通域为第一个与第r+1行第j个连通域具有连通性的，第r行第i个连通域起始边缘点和末端边缘点的编码分别为，则新加入第r+1行第j个连通域和第r行其他与第r+1行第j个连通域具有连通性的连通域后，编码更新如下：
其中，为多连通对单连通的情况下第r行第i个连通域起始边缘点更新后的编码，为多连通对单连通的情况下第r行第i个连通域末端边缘点更新后的编码，a为第r行中与第r+1行第j个连通域连通的连通域个数；
其中，[t]表示第r行中与第r+1行中第j个连通域具有连通性的多个连通域的序号，分别对应第r行中第i个到第k个连通域，为第r行中除第i个连通域外其他连通域起始边缘点和末端边缘点的更新后的编码集合，a为第r行中与第r+1行第j个连通域连通的连通域个数；
其中，为第r+1行第j个连通域起始边缘点更新后的编码，为第r+1行第j个连通域末端边缘点更新后的编码；
形心特征更新如下：将具有连通性的形心横纵坐标累加，更新结果记为，具体公式如下：
其中，表示第r+1行第j个连通域的形心横坐标，表示第r行中与第r+1行第j个连通域连通的多个连通域的形心横坐标，表示对多个连通域的形心横坐标求和；同理表示第r+1行第j个连通域的形心纵坐标，表示第r行中与第r+1行第j个连通域连通的多个连通域的形心纵坐标，表示对多个连通域的形心纵坐标求和；
最小外接矩形更新如下：最小外接矩形的左上角点选取最小横纵坐标值，右下角点选取最大横纵坐标值，结果记为 ，具体公式如下：
其中，分别为第r行中第i个连通域最小外接矩形的左上角横、纵坐标，分别表示第r行中第i个连通域最小外接矩形的右下角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的左上角横、纵坐标，分别表示第r+1行中第j个连通域最小外接矩形的右下角横、纵坐标；分别表示第r行中第k个连通域最小外接矩形的左上角横、纵坐标，分别表示第r行中第k个连通域最小外接矩形的右下角横、纵坐标；
质心特征更新如下：将第r+1行第j个连通域的质心坐标与第r行与之连通的连通域的质心坐标求和，结果记为，具体公式如下：
其中，表示第r+1行第j个连通域的质心横坐标，表示第r行中与第r+1行第j个连通域连通的多个连通域的质心横坐标，表示对多个连通域的质心横坐标求和；同理表示第r+1行第j个连通域的质心纵坐标，表示第r行中与第r+1行第j个连通域连通的多个连通域的质心纵坐标，表示对多个连通域的质心纵坐标求和。
7.根据权利要求1-6任一项所述的块状目标检测及特征提取方法，其特征在于：所述的S6：特征计算阶段，相机每次传完一行数据，根据过程S1、S2、S3、S4、S5中的操作，计算每行的连通序列，并通过融合相邻行的连通序列，更新块状目标及其特征，数据传输过程中，当一个块状目标没有更新后或是最后一行数据传输结束后，即可得出块状目标的所有特征信息；通过每个块状目标的面积A，灰度特征V，更新包括每个块状目标的平均灰度特征、形心特征、边缘点集合Q、质心特征，其中：
质心特征：最终连通域中，将质心横纵坐标都除以灰度特征V，得到最终质心特征；
面积特征A：最终连通域中，最终面积特征不做其他处理；
平均灰度特征：最终连通域中，最终平均灰度特征为累加的灰度特征V除以面积特征A；
形心特征：最终连通域中，形心特征的横纵坐标除以面积特征的两倍得到最终形心特征；
边缘特征：最终连通域中，最终边缘特征不做其他处理。
8.一种块状目标检测及特征提取装置，其特征在于：用于实现如权利要求1-7任一项所述的块状目标检测及特征提取方法，包括：
初始化模块，用于根据相机传图时候的特性，按行提取图像中的块状目标信息；
连通域查找模块，用于在相机输入的每一行数据，查找连通域；
特征信息提取模块，用于提取每个连通域的特征信息；
连通性判断模块，用于判断相邻两行中的连通序列的连通性，行与行之间的连通性包括第r行的一个连通域与r+1行的一个连通域具有连通性；第r行的一个连通域与第r+1行的多个连通域具有连通性；第r行的多个连通域与第r+1行中的一个连通域具有连通性的情况；
特征更新模块，用于更新连通序列的特征；
特征计算模块，用于在连通域结束后或相机传输数据结束后，计算最终连通域及其特征。
9.一种计算机可读存储介质，其特征在于：所述的计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1-7任一项所述的块状目标检测及特征提取方法。
CN202410233072.4A 2024-03-01 2024-03-01 一种块状目标检测及特征提取方法、装置及存储介质 Active CN117809052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410233072.4A CN117809052B (zh) 2024-03-01 2024-03-01 一种块状目标检测及特征提取方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410233072.4A CN117809052B (zh) 2024-03-01 2024-03-01 一种块状目标检测及特征提取方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN117809052A true CN117809052A (zh) 2024-04-02
CN117809052B CN117809052B (zh) 2024-05-14

Family

ID=90422033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410233072.4A Active CN117809052B (zh) 2024-03-01 2024-03-01 一种块状目标检测及特征提取方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117809052B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120093361A1 (en) * 2010-10-13 2012-04-19 Industrial Technology Research Institute Tracking system and method for regions of interest and computer program product thereof
CN103400110A (zh) * 2013-07-10 2013-11-20 上海交通大学 Atm取款机前的异常人脸检测方法
CN108109156A (zh) * 2017-12-25 2018-06-01 西安电子科技大学 基于比值特征的sar图像道路检测方法
CN110782409A (zh) * 2019-10-21 2020-02-11 太原理工大学 一种去除多运动物体阴影的方法
CN110826394A (zh) * 2019-07-16 2020-02-21 北京大学 基于卷积神经网络算法的水库识别方法和装置
CN111798493A (zh) * 2020-08-18 2020-10-20 南京志正鸿途智能科技有限责任公司 一种基于双目的公交客流量统计系统
CN114814991A (zh) * 2022-06-28 2022-07-29 成都信息工程大学 一种气象要素场空间分布区域的识别方法及装置
CN115131354A (zh) * 2022-08-31 2022-09-30 江苏森信达生物科技有限公司 一种基于光学手段的实验室用塑料薄膜缺陷检测方法
CN115424292A (zh) * 2022-07-29 2022-12-02 华南农业大学 基于改进YOLOX与DeepSORT的鱼群跟踪方法
WO2023098289A1 (zh) * 2021-12-01 2023-06-08 浙江大学 一种基于对抗学习的无标签胰腺影像自动分割系统
CN117459835A (zh) * 2023-10-26 2024-01-26 吉林大学 一种基于连通域质心提取的occ图像解码方法
CN117576488A (zh) * 2024-01-17 2024-02-20 海豚乐智科技(成都)有限责任公司 一种基于目标图像重建的红外弱小目标检测方法
CN117576688A (zh) * 2023-11-08 2024-02-20 中国科学院长春光学精密机械与物理研究所 一种图像连通域标记方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120093361A1 (en) * 2010-10-13 2012-04-19 Industrial Technology Research Institute Tracking system and method for regions of interest and computer program product thereof
CN103400110A (zh) * 2013-07-10 2013-11-20 上海交通大学 Atm取款机前的异常人脸检测方法
CN108109156A (zh) * 2017-12-25 2018-06-01 西安电子科技大学 基于比值特征的sar图像道路检测方法
CN110826394A (zh) * 2019-07-16 2020-02-21 北京大学 基于卷积神经网络算法的水库识别方法和装置
CN110782409A (zh) * 2019-10-21 2020-02-11 太原理工大学 一种去除多运动物体阴影的方法
CN111798493A (zh) * 2020-08-18 2020-10-20 南京志正鸿途智能科技有限责任公司 一种基于双目的公交客流量统计系统
WO2023098289A1 (zh) * 2021-12-01 2023-06-08 浙江大学 一种基于对抗学习的无标签胰腺影像自动分割系统
CN114814991A (zh) * 2022-06-28 2022-07-29 成都信息工程大学 一种气象要素场空间分布区域的识别方法及装置
CN115424292A (zh) * 2022-07-29 2022-12-02 华南农业大学 基于改进YOLOX与DeepSORT的鱼群跟踪方法
CN115131354A (zh) * 2022-08-31 2022-09-30 江苏森信达生物科技有限公司 一种基于光学手段的实验室用塑料薄膜缺陷检测方法
CN117459835A (zh) * 2023-10-26 2024-01-26 吉林大学 一种基于连通域质心提取的occ图像解码方法
CN117576688A (zh) * 2023-11-08 2024-02-20 中国科学院长春光学精密机械与物理研究所 一种图像连通域标记方法及系统
CN117576488A (zh) * 2024-01-17 2024-02-20 海豚乐智科技(成都)有限责任公司 一种基于目标图像重建的红外弱小目标检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
WANG Y等: "Meta-learning based hyperspectral target detection using Siamese network", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 60, 31 December 2022 (2022-12-31), pages 1 - 13, XP011908380, DOI: 10.1109/TGRS.2022.3169970 *
姚红兵等: "面向多目标透镜的连通域标记检测算法", 《电子科技》, no. 4, 31 December 2020 (2020-12-31), pages 54 - 58 *
时艳玲等: "基于图连通密度的海面漂浮小目标检测", 《电子与信息学报》, vol. 43, no. 11, 31 December 2021 (2021-12-31), pages 3185 - 3192 *
朱玉戈: "基于TWAIN协议的图像处理系统", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 3, 15 March 2015 (2015-03-15), pages 138 - 2146 *
李倩: "视频中复杂背景伪装色运动目标的检测研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 10, 15 October 2011 (2011-10-15), pages 138 - 822 *

Also Published As

Publication number Publication date
CN117809052B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN109740572B (zh) 一种基于局部彩色纹理特征的人脸活体检测方法
CN106682560B (zh) 二维码识别方法、装置和系统
CN110084135A (zh) 人脸识别方法、装置、计算机设备及存储介质
CN111461036B (zh) 一种利用背景建模增强数据的实时行人检测方法
CN103366170A (zh) 图像二值化处理装置及其方法
CN103916603A (zh) 逆光检测方法及设备
CN106295644B (zh) 符号识别方法及装置
CN106845388A (zh) 基于复杂场景的移动终端掌纹感兴趣区域的提取方法
CN105141838A (zh) 去马赛克方法以及使用该方法的装置
CN109919164B (zh) 用户界面对象的识别方法及装置
CN113840135A (zh) 色偏检测方法、装置、设备及存储介质
CN116958600A (zh) 相似度计算优化方法、相似度计算优化装置以及存储介质
CN117809052B (zh) 一种块状目标检测及特征提取方法、装置及存储介质
CN106682670B (zh) 一种台标识别方法及系统
CN111860317A (zh) 一种锅炉运行数据采集方法、系统、设备及计算机介质
CN110163894B (zh) 基于特征匹配的亚像素级目标跟踪方法
CN112528994B (zh) 一种自由角度车牌检测方法、车牌识别方法和识别系统
CN108388898A (zh) 基于连接体和模板的字符识别方法
CN104778657A (zh) 图像二维码融合方法及装置
CN110580449B (zh) 一种图像型火焰识别检测方法
CN112070081A (zh) 一种基于高清视频的智能化车牌识别方法
CN106952236A (zh) 基于bp神经网络的鱼眼镜头拍摄图像畸变矫正方法
CN112348905A (zh) 一种颜色识别方法、装置、终端设备及存储介质
CN110533673A (zh) 一种信息获取方法、装置、终端及介质
CN105991937A (zh) 一种基于Bayer格式图像的虚拟曝光方法及装置

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
OL01 Intention to license declared
OL01 Intention to license declared
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20240402

Assignee: Chongqing Xunyin Technology Co.,Ltd.

Assignor: Chongqing Institute of microelectronics industry technology University of Electronic Science and technology|Dolphin Lezhi Technology (Chengdu) Co.,Ltd.

Contract record no.: X2024980032470

Denomination of invention: A block object detection and feature extraction method, device, and storage medium

Granted publication date: 20240514

License type: Common License

Record date: 20241205

Application publication date: 20240402

Assignee: Chengdian Qili Technology Co.,Ltd.

Assignor: Chongqing Institute of microelectronics industry technology University of Electronic Science and technology|Dolphin Lezhi Technology (Chengdu) Co.,Ltd.

Contract record no.: X2024980030384

Denomination of invention: A block object detection and feature extraction method, device, and storage medium

Granted publication date: 20240514

License type: Common License

Record date: 20241203

Application publication date: 20240402

Assignee: Zhongjin Integrated Circuit (Chongqing) Co.,Ltd.

Assignor: Chongqing Institute of microelectronics industry technology University of Electronic Science and technology|Dolphin Lezhi Technology (Chengdu) Co.,Ltd.

Contract record no.: X2024980030337

Denomination of invention: A block object detection and feature extraction method, device, and storage medium

Granted publication date: 20240514

License type: Common License

Record date: 20241203

Application publication date: 20240402

Assignee: Chongqing Xinxi Communication Technology Co.,Ltd.

Assignor: Chongqing Institute of microelectronics industry technology University of Electronic Science and technology|Dolphin Lezhi Technology (Chengdu) Co.,Ltd.

Contract record no.: X2024980030327

Denomination of invention: A block object detection and feature extraction method, device, and storage medium

Granted publication date: 20240514

License type: Common License

Record date: 20241203

Application publication date: 20240402

Assignee: Xinchen (Chongqing) Microelectronics Co.,Ltd.

Assignor: Chongqing Institute of microelectronics industry technology University of Electronic Science and technology|Dolphin Lezhi Technology (Chengdu) Co.,Ltd.

Contract record no.: X2024980030313

Denomination of invention: A block object detection and feature extraction method, device, and storage medium

Granted publication date: 20240514

License type: Common License

Record date: 20241203

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20240402

Assignee: Rongwei Yuxin (Chongqing) Microelectronics Technology Research Institute Co.,Ltd.

Assignor: Chongqing Institute of microelectronics industry technology University of Electronic Science and technology|Dolphin Lezhi Technology (Chengdu) Co.,Ltd.

Contract record no.: X2024980036554

Denomination of invention: A block object detection and feature extraction method, device, and storage medium

Granted publication date: 20240514

License type: Open License

Record date: 20241225