CN117876971B - 基于机器视觉的建筑施工安全监测及预警方法 - Google Patents
基于机器视觉的建筑施工安全监测及预警方法 Download PDFInfo
- Publication number
- CN117876971B CN117876971B CN202410275834.7A CN202410275834A CN117876971B CN 117876971 B CN117876971 B CN 117876971B CN 202410275834 A CN202410275834 A CN 202410275834A CN 117876971 B CN117876971 B CN 117876971B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- image
- frame
- obtaining
- enhancement
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000009435 building construction Methods 0.000 title claims abstract description 24
- 238000006073 displacement reaction Methods 0.000 claims abstract description 96
- 238000010276 construction Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像增强技术领域,具体涉及一种基于机器视觉的建筑施工安全监测及预警方法。该方法结合每一帧图像中每个像素点的初始灰度值和位移变化程度,对所有像素点进行聚类,获得多个工地元素聚类簇;获取每一帧图像中每个工地元素聚类簇内所含像素点的增强权重;结合每一帧图像中每个像素点的初始灰度值以及所在工地元素聚类簇与其他工地元素聚类簇之间的整体灰度差异,获得每一帧图像中每个像素点的增强系数;获得每一帧图像中每个像素点的增强灰度值,获得增强视频帧图像,获得增强监控视频;对建筑施工场地进行监测预警。本发明通过获得合适的增强系数,提高视频帧图像增强的效果,提高监测系统异常监测的准确性。
Description
技术领域
本发明涉及图像增强技术领域,具体涉及一种基于机器视觉的建筑施工安全监测及预警方法。
背景技术
随着人工智能领域的不断发展和完善,利用计算机视觉技术来实时监测和评估建筑施工现场安全状况,可以通过自动分析视频图像数据来检测潜在的危险因素并进行提前预警,以确保施工过程中的工人和设备的安全。但是对施工场地进行监测过程中,采集到的视频图像可能会受到光线过暗等外界因素的影响,例如夜晚施工时监测系统采集到的视频图像部分区域存在过暗的问题,导致安全监测系统难以对视频图像中的异常进行准确监测和预警。因此,需要对采集到的视频帧图像进行增强处理,从而提高监测系统对采集视频中的异常监测的准确性。
现有技术中,采用现有的图像增强技术在对采集到施工的视频帧图像进行增强时,一般是对图像进行整体性增强;但是由于建筑施工场地的视频图像中内容比较丰富,使用现有的图像增强技术可能会导致视频中部分内容区域存在过曝或者部分区域增强并不明显,未能获取到图像在不同区域中合适的增强系数,导致图像的增强效果较差,监测系统在对图像进行分析时具有较大误差,无法准确的监测及预警异常情况。
发明内容
为了解决未能获取到合适的增强系数,导致图像的增强效果较差,无法准确的监测及预警异常情况的技术问题,本发明的目的在于提供一种基于机器视觉的建筑施工安全监测及预警方法,所采用的技术方案具体如下:
本发明提出了一种基于机器视觉的建筑施工安全监测及预警方法,所述方法包括:
获取建筑施工场地的监控视频;
根据所述监控视频上不同帧图像中每个像素点的位置变化特征,获得每个像素点的位移序列;根据每个像素点的所述位移序列中元素的变化特征,获得每个像素点的位移变化程度;获取每个像素点的初始灰度值,根据每一帧图像中每个像素点的所述初始灰度值和对应的所述位移变化程度,对所有像素点进行聚类,获得每一帧图像中的多个工地元素聚类簇;
根据每一帧图像中每个工地元素聚类簇内每个像素点的所述位移变化程度,获得每一帧图像中每个工地元素聚类簇内所含像素点的增强权重;根据每一帧图像中每个像素点的所述初始灰度值、所述增强权重以及所在工地元素聚类簇与其他工地元素聚类簇之间的整体灰度差异,获得每一帧图像中每个像素点的增强系数;
根据每一帧图像中每个像素点的所述增强系数和所述初始灰度值,获得每一帧图像中每个像素点的增强灰度值,获得增强视频帧图像,获得增强监控视频;
根据所述增强监控视频对建筑施工场地进行监测预警。
进一步地,所述位移序列的获取方法包括:
在所述监控视频的所有帧图像中,采用光流法获得每个像素点在相邻帧图像之间的位移,构成每个像素点的位移序列。
进一步地,所述位移变化程度的获取方法包括:
根据位移变化程度的获取公式获得位移变化程度,位移变化程度的获取公式为:;其中,/>表示第/>个像素点的位移序列的位移变化程度;/>表示第/>个像素点的位移序列中元素的最大值;表示第/>个像素点的位移序列中元素的最小值;/>表示第/>个像素点的位移序列中所有元素的均值;/>表示以自然常数为底的指数函数;/>表示线性归一化函数。
进一步地,所述工地元素聚类簇的获取方法包括:
在每一帧图像中,以每个像素点的灰度值为横坐标,以每个像素点的位移变化程度为纵坐标,构成每个像素点在坐标系中的数据点;采用K-means聚类算法对所有像素点进行聚类,获得多个工地元素聚类簇。
进一步地,所述增强权重的获取方法包括:
对每一帧图像中每个工地元素聚类簇内所有像素点对应的位移变化程度求均值,并归一化处理,获得每一帧图像中每个工地元素聚类簇内所含像素点的增强权重。
进一步地,所述增强系数的获取方法包括:
计算预设灰度最大值与每一帧图像中每个像素点的所述初始灰度值的差异,作为第一系数;
计算每一帧图像中每个像素点所在工地元素聚类簇内所有像素点的初始灰度值均值,作为第一灰度值;计算每一帧图像中每个其他工地元素聚类簇内所有像素点的初始灰度值均值,作为第二灰度值;
计算所述第一灰度值与每个第二灰度值的差异,并对所有差异结果求均值,作为整体灰度差异;对所述整体灰度差异进行负相关映射,作为第二系数;
计算每一帧图像中每个像素点的所述第一系数、所述第二系数以及对应的所述增强权重的乘积,并进行归一化,获得每一帧图像中每个像素点的增强系数。
进一步地,所述增强灰度值的获取方法包括:
计算每一帧图像中每个像素点的所述增强系数与预设常数之和,作为灰度加权值;
计算每一帧图像中每个像素点的初始灰度值和所述灰度加权值的乘积,并将乘积结果向下取整,获得每一帧图像中每个像素点的增强灰度值。
进一步地,所述预设灰度最大值为255。
进一步地,所述负相关映射的获取方法为以自然常数为底的指数函数进行负相关映射。
进一步地,所述预设常数为1。
本发明具有如下有益效果:
本发明为了检测到施工设备以及施工人员显著的运动或变化,根据监控视频上不同帧图像中每个像素点的位置变化特征,获得每个像素点的位移序列;根据每个像素点的位移序列中元素的变化特征,获得每个像素点的位移变化程度,对像素点的移动进行量化评估;获取每个像素点的初始灰度值,根据每一帧图像中每个像素点的初始灰度值和对应的位移变化程度,对所有像素点进行聚类,获得每一帧图像中的多个工地元素聚类簇,可以将具有相似特征的像素点分组,从而更容易识别和分析特定区域的变化;根据每一帧图像中每个工地元素聚类簇内每个像素点的位移变化程度,获得每一帧图像中每个工地元素聚类簇内所含像素点的增强权重,区分施工设备以及施工人员与施工场地其他内容,对主要监测对象更明显的增强;根据每一帧图像中每个像素点的初始灰度值、增强权重以及所在工地元素聚类簇与其他工地元素聚类簇之间的整体灰度差异,获得每一帧图像中每个像素点的增强系数,更全面地评估每个像素点的重要性,确保增强后的图像既保留了原始细节,又突出了重要信息;根据每一帧图像中每个像素点的增强系数和初始灰度值,获得每一帧图像中每个像素点的增强灰度值,突出显示重要性较高的像素点,使得施工场地的安全监测更加直观和高效;获得增强视频帧图像,获得增强监控视频;对建筑施工场地进行监测预警,更准确地识别安全问题。本发明通过获得合适的增强系数,提高视频帧图像增强的效果,提高监测系统异常监测的准确性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种基于机器视觉的建筑施工安全监测及预警方法的流程图。
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基于机器视觉的建筑施工安全监测及预警方法,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基于机器视觉的建筑施工安全监测及预警方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于机器视觉的建筑施工安全监测及预警方法的流程图,具体方法包括:
步骤S1:获取建筑施工场地的监控视频。
在本发明的实施例中,考虑到建筑施工场地会受到建筑物的遮挡以及照明范围有限等外界因素的影响,分析的视频图像部分区域会过暗,导致监测效果较差的问题,首先需要通过所布设在建筑施工场地的高清相机采集建筑施工场地的监控视频,并根据监控视频中每一帧图像中像素点的特点进行图像增强,提高安全监测系统的异常监测的准确性以及及时性。
需要说明的是,在本发明的一个实施例中,采集视频帧图像为30帧率的视频,即每秒采集30张图像;采集时长为2分钟;在本发明的其他实施例中,采集视频帧图像的帧率以及时长可根据建筑施工场地和监测需求的具体情况具体设置,在此不做限定及赘述。
在本发明的一个实施例中,为了方便后续图像处理过程,对采集的监控视频中每一帧图像进行预处理操作,增强图像的质量,然后对处理后的图像进行分析。需要说明的是图像预处理操作为本领域技术人员熟知的一个技术手段,可根据具体实施场景具体设置。在本发明一个实施例中采用灰度化算法对视频帧图像进行处理,突出图像的轮廓和细节,使得图像更加清晰,更易于进行特征提取和图像识别等操作;进一步地采用拉普拉斯滤波去噪算法对灰度化处理后的视频帧图像进行去噪处理,显著提高图像的质量,使得图像更加清晰、细节更加丰富。具体灰度化算法和拉普拉斯滤波去噪算法为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S2:根据监控视频上不同帧图像中每个像素点的位置变化特征,获得每个像素点的位移序列;根据每个像素点的位移序列中元素的变化特征,获得每个像素点的位移变化程度;获取每个像素点的初始灰度值,根据每一帧图像中每个像素点的初始灰度值和对应的位移变化程度,对所有像素点进行聚类,获得每一帧图像中的多个工地元素聚类簇。
由于建筑施工场地场景复杂,采集到的内容包括照明设备、施工设备、建筑物以及施工人员等多种对象,但在对监控视频中的内容进行安全监测分析的时候,主要是对施工场地的施工设备以及施工人员为主要监测对象,从而对潜在危险进行预警。由于监测对象是运行物体,在监控视频中不同帧图像上的位置可能发生变化,通过每个像素点在不同帧图像之间的位置变化,可以准确检测施工场地的动态,如设备的移动和人员的进出;根据监控视频上不同帧图像中每个像素点的位置变化特征,获得每个像素点的位移序列。
优选地,在本发明的一个实施例中,位移序列的获取方法包括:
光流法可以对连续的视频帧图像中的像素点进行匹配追踪,描述了每个像素点在连续帧之间的位置变化。在监控视频的所有帧图像中,采用光流法获得每个像素点在相邻帧图像之间的位移,构成每个像素点的位移序列。
需要说明的是,具体光流法为本领域技术人员熟知的技术手段,在此不做赘述。
在连续的视频帧图像之间,通过检测每个像素点是否发生了明显的位移,可以识别出场地中的运动物体或活动,量化表示像素点在空间中的移动量,为后续的图像处理提供依据。根据每个像素点的位移序列中元素的变化特征,获得每个像素点的位移变化程度。
优选地,在本发明的一个实施例中,位移变化程度的获取方法包括:
根据位移变化程度的获取公式获得位移变化程度,位移变化程度的获取公式为:
;
其中,表示第/>个像素点的位移序列的位移变化程度;/>表示第/>个像素点的位移序列中元素的最大值;/>表示第/>个像素点的位移序列中元素的最小值;/>表示第/>个像素点的位移序列中所有元素的均值;/>表示以自然常数为底的指数函数;表示线性归一化函数。
在位移变化程度的获取公式中,表示第/>个像素点的位移序列中元素的最大值和最小值的差异与所有元素均值之间的差异,通过以自然常数为底的指数函数进行正相关映射,差异越大,表明像素点在不同帧图像之间位置变化的越大,位置变化程度越大;像素点的位移序列中元素的最大值越大,位移变化程度越大。
由于建筑施工场地上的施工设备和施工人员等进行工作时,各自都有着不同的运动速度,且具有整体运动的特点,在施工设备以及施工人员的部分表面区域中运动是一致的,所以具有相近或者相同位移变化程度的像素点可能是同一对象的局部区域的像素点;初始灰度值时像素点的基本属性,可以表现像素点在图像上的亮度信息,初始灰度值相同或者相近的像素点有可能处在同一亮度区域;结合分析每个像素点的初始灰度值以及位移变化程度,更全面地考虑像素点的属性和动态变化,更好的识别和理解视频中施工场地的不同区域和活动,分别对不同亮度区域中的同一对象进行处理。所以获取每个像素点的初始灰度值,根据每一帧图像中每个像素点的初始灰度值和对应的位移变化程度,对所有像素点进行聚类,获得每一帧图像中的多个工地元素聚类簇。
优选地,在本发明的一个实施例中,工地元素聚类簇的获取方法包括:
K-means聚类算法是将多个聚类对象依据聚类对象之间的相似性聚集到指定的K个聚类簇中,每个聚类对象属于且仅属于一个其到工地元素聚类簇中心距离最小的聚类簇中。
在每一帧图像中,以每个像素点的灰度值为横坐标,以每个像素点的位移变化程度为纵坐标,构成每个像素点在坐标系中的数据点;采用K-means聚类算法对所有像素点进行聚类,获得多个工地元素聚类簇,即工地元素聚类簇包括施工设备聚类簇、施工人员聚类簇和其他施工场地内容聚类簇。
需要说明的是,在本发明的一个实施例中,采用K-means聚类算法对所有像素点进行聚类时,K值的获取方法为:采用肘部法则确定K值,获得对应数量的工地元素聚类簇。具体K-means聚类算法和肘部法则为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S3:根据每一帧图像中每个工地元素聚类簇内每个像素点的位移变化程度,获得每一帧图像中每个工地元素聚类簇内所含像素点的增强权重;根据每一帧图像中每个像素点的初始灰度值、增强权重以及所在工地元素聚类簇与其他工地元素聚类簇之间的整体灰度差异,获得每一帧图像中每个像素点的增强系数。
每个工地元素聚类簇内包含的为同一亮度区域的同一对象的像素点,由于安全监测系统在进行监测分析过程中,施工设备以及施工人员是主要监测对象,相对于施工场地中的照明设施,施工设备、建筑物等对象有更大的运动速度;为了将主要监测对象和其他对象进行区分增强,凸显施工人员和施工设备的特征,根据每个工地元素聚类簇内像素点的位移变化程度进行合适的增强处理;每个工地元素聚类簇内的像素点的位移变化程度越快,越可能是施工设备或者施工人员对应的区域,对于监测分析越重要,越需要进行增强处理,将其在图像中很好的显现出来。所以根据每一帧图像中每个工地元素聚类簇内每个像素点的位移变化程度,获得每一帧图像中每个工地元素聚类簇内所含像素点的增强权重。
优选地,在本发明的一个实施例中,增强权重的获取方法包括:
对每一帧图像中每个工地元素聚类簇内所有像素点对应的位移变化程度求均值,并归一化处理,获得每一帧图像中每个工地元素聚类簇内所含像素点的增强权重。在本发明的一个实施例中,增强权重的公式表示为:
;
其中,表示第/>帧图像中第/>个工地元素聚类簇内所含像素点的增强权重;表示第/>帧图像中第/>个工地元素聚类簇内第/>个像素点的位移变化程度;/>表示第/>帧图像中第/>个工地元素聚类簇内像素点的数量;/>表示第/>帧图像中工地元素聚类簇的数量。
在增强权重的公式中,表示第/>帧图像中第/>个工地元素聚类簇内所有像素点的位移变化程度均值;/>表示第/>帧图像中所有工地元素聚类簇内位移变化程度均值的累加和;/>表示第/>帧图像中第/>个工地元素聚类簇内的位移变化程度均值和第/>帧图像中所有工地元素聚类簇内位移变化程度均值的累加和的比值,即对第/>帧图像中第/>个工地元素聚类簇内的位移变化程度均值进行归一化,工地元素聚类簇内的位置变化程度均值越大,越有可能是施工设备或者施工人员对应的区域,越需要较大的增强权重对工地元素聚类簇内的像素点进行增强。
由于不同对象的运动特性,通过获得的每个像素点的增强权重对图像进行增强,使得施工设备以及施工人员可以更明显;但由于只对增强权重进行分析,可能会产生过度增强导致图像中重要内容的细节损失,因此需要结合每一帧图像中不同像素点的灰度特征进行分析。初始灰度值决定了像素点的基本亮度,确定像素点的起始状态;初始灰度值越大,表明了像素点在图像上显示相对较高的亮度,不需要再继续增强;每一帧图像中每个像素点所在工地元素聚类簇与其他工地元素聚类簇进行灰度值整体差异的比较,用来确定像素点是否需要增强,如果像素点所在工地元素聚类簇内的灰度值相比其他工地元素聚类簇内的灰度值越大,说明图像中像素点所在区域与其他区域之间有较大的差异,对比度也越大,可以明显的表现出像素点的特征,不需要进行继续增强。所以根据每一帧图像中每个像素点的初始灰度值、增强权重以及所在工地元素聚类簇与其他工地元素聚类簇之间的整体灰度差异,获得每一帧图像中每个像素点的增强系数。
优选地,在本发明的一个实施例中,增强系数的获取方法包括:
计算预设灰度最大值与每一帧图像中每个像素点的初始灰度值的差异,作为第一系数; 计算每一帧图像中每个像素点所在工地元素聚类簇内所有像素点的初始灰度值均值,作为第一灰度值;计算每一帧图像中每个其他工地元素聚类簇内所有像素点的初始灰度值均值,作为第二灰度值;计算第一灰度值与每个第二灰度值的差异,并对所有差异结果求均值,作为整体灰度差异;对整体灰度差异进行负相关映射,作为第二系数;计算每一帧图像中每个像素点的第一系数、第二系数以及对应的增强权重的乘积,并进行归一化,获得每一帧图像中每个像素点的增强系数。在本发明的一个实施例中,增强系数的公式表示为:
;
其中,表示第/>帧图像中第/>个像素点的增强系数;/>表示预设灰度最大值;/>表示第/>帧图像中第/>个像素点的灰度值;/>表示第/>帧图像中第/>个像素点对应的增强权重;/>表示第/>帧图像中第/>个像素点所在工地元素聚类簇内所有像素点的平均灰度值;/>表示第/>帧图像中第/>个其他工地元素聚类簇内所有像素点的平均灰度值;/>表示第/>帧图像中工地元素聚类簇的数量;/>表示以自然常数为底的指数函数;表示线性归一化函数。
在增强系数的公式中,表示预设灰度最大值与第/>帧图像中第/>个像素点的灰度值之间的差异,差异越大,像素点的灰度值越小,在图像上的亮度较暗,需要进行相应地增强;/>表示第/>帧图像中第/>个像素点所在工地元素聚类簇内与所有其他工地元素聚类簇内所有像素点的平均灰度值之间的差异均值,即整体灰度差异,通过以自然常数为底的指数函数进行负相关映射,差异均值越大,第/>个像素点所在工地元素聚类簇内与第/>个其他工地元素聚类簇内的灰度情况差异越大,对比度越明显,越不需要相应的增强,相反地,差异均值越小,对比度越差,越需要进行相应的增强,增强系数越大;增强系数越大。因此,像素点的初始灰度值越小,整体灰度差异越小,增强权重越大,增强系数越大。
需要说明的是,由于灰度图像上每个像素点的取值范围通常在0-255之间,为了量化每个像素点的亮度,从而更好地理解和处理图像的明暗分布,提高增强效果,在本发明的一个实施例中,预设灰度最大值取经验值为255。
需要说明的是,在本发明的一个实施例中,负相关映射的获取方法为以自然常数为底的指数函数进行负相关映射;在本发明的其他实施例中也可通过其他基础数学运算构建正负相关关系与归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S4:根据每一帧图像中每个像素点的增强系数和初始灰度值,获得每一帧图像中每个像素点的增强灰度值,获得增强视频帧图像,获得增强监控视频。
为了避免图像过度增强出现失真或异常,基于每一帧图像的初始状态进行有针对性的调整和改进,以增强图像的某些特征,提高视频中每一帧图像的对比度和亮度,改善图像的整体质量。通过增强系数适当地调整初始灰度值,有助于纠正图像中的亮度不平衡,确保图像的亮度和颜色保持自然和真实。根据每一帧图像中每个像素点的增强系数和初始灰度值,获得每一帧图像中每个像素点的增强灰度值,获得增强视频帧图像,获得增强监控视频。
优选地,在本发明的一个实施例中,增强灰度值的获取方法包括:
计算每一帧图像中每个像素点的增强系数与预设常数之和,作为灰度加权值;计算每一帧图像中每个像素点的初始灰度值和灰度加权值的乘积,并将乘积结果向下取整,获得每一帧图像中每个像素点的增强灰度值。在本发明的一个实施例中,增强灰度值的公式表示为:
;
其中,表示第/>帧图像中第/>个像素点的增强灰度值;/>表示第/>帧图像中第个像素点的初始灰度值;/>表示第/>帧图像中第/>个像素点的增强系数;/>表示预设常数;表示向下取整符号。
在增强灰度值的公式中,表示第/>帧图像中第/>个像素点的灰度加权值,灰度加权值越大,像素点的初始灰度值越大,增强灰度值越大,进行增强处理。
需要说明的是,在本发明的一个实施例中,预设常数取经验值为1;在本发明的其他实施例中,预设常数的大小可根据具体情况具体设置,在此不做限定及赘述。
步骤S5;根据增强监控视频对建筑施工场地进行监测预警。
获取到每一帧图像中每个像素点的增强灰度值后完成了监控视频中每一帧图像的增强操作,有效提高后续图像处理的结果准确性,准确识别建筑施工场地的施工设备以及施工人员,提高安全监测的准确性。根据增强监控视频对建筑施工场地进行监测预警。
需要说明的是,在本发明实施例中,获取增强监控视频之后,将增强监控视频作为输入数据传输到安全监测系统中,进行实时监测和评估建筑施工场地安全状况,对潜在的危险因素进行预警,提高监测系统对异常监测的准确性和及时性。
综上所述,本发明根据监控视频上不同帧图像中每个像素点的位置变化特征,获得每个像素点的位移序列;根据每个像素点的位移序列中元素的变化特征,获得每个像素点的位移变化程度;结合每一帧图像中每个像素点的初始灰度值,对所有像素点进行聚类,获得多个工地元素聚类簇;根据每一帧图像中每个工地元素聚类簇内每个像素点的位移变化程度,获得每一帧图像中每个工地元素聚类簇内所含像素点的增强权重;结合每一帧图像中每个像素点的初始灰度值以及所在工地元素聚类簇与其他工地元素聚类簇之间的整体灰度差异,获得每一帧图像中每个像素点的增强系数;获得每一帧图像中每个像素点的增强灰度值,获得增强视频帧图像,获得增强监控视频;对建筑施工场地进行监测预警。本发明通过获得合适的增强系数,提高视频帧图像增强的效果,提高监测系统异常监测的准确性。
一种基于机器视觉的建筑施工视频增强方法实施例:
现有技术中,采用现有的图像增强技术在对采集到施工的视频帧图像进行增强时,一般是对图像进行整体性增强;但是由于建筑施工场地的视频图像中内容比较丰富,使用现有的图像增强技术可能会导致视频中部分内容区域存在过曝或者部分区域增强并不明显,未能获取到图像在不同区域中合适的增强系数,导致图像的增强效果较差的技术问题。为了解决该技术问题,本实施例提供一种基于机器视觉的建筑施工视频增强方法,包括:
步骤S1:获取建筑施工场地的监控视频。
步骤S2:根据监控视频上不同帧图像中每个像素点的位置变化特征,获得每个像素点的位移序列;根据每个像素点的位移序列中元素的变化特征,获得每个像素点的位移变化程度;获取每个像素点的初始灰度值,根据每一帧图像中每个像素点的初始灰度值和对应的位移变化程度,对所有像素点进行聚类,获得每一帧图像中的多个工地元素聚类簇。
步骤S3:根据每一帧图像中每个工地元素聚类簇内每个像素点的位移变化程度,获得每一帧图像中每个工地元素聚类簇内所含像素点的增强权重;根据每一帧图像中每个像素点的初始灰度值、增强权重以及所在工地元素聚类簇与其他工地元素聚类簇之间的整体灰度差异,获得每一帧图像中每个像素点的增强系数。
步骤S4:根据每一帧图像中每个像素点的增强系数和初始灰度值,获得每一帧图像中每个像素点的增强灰度值,获得增强视频帧图像,获得增强监控视频。
由于步骤S1-S4的具体实现过程在上述一种基于机器视觉的建筑施工安全监测及预警方法中已给出详细说明,不再赘述。
本实施例的技术效果为:
本方法根据每个像素点的位移序列中元素的变化特征,获得每个像素点的位移变化程度;结合每一帧图像中每个像素点的初始灰度值,对所有像素点进行聚类,获得多个工地元素聚类簇;根据每一帧图像中每个工地元素聚类簇内每个像素点的位移变化程度,获得每一帧图像中每个工地元素聚类簇内所含像素点的增强权重;结合每一帧图像中每个像素点的初始灰度值以及所在工地元素聚类簇与其他工地元素聚类簇之间的整体灰度差异,获得每一帧图像中每个像素点的增强系数;获得每一帧图像中每个像素点的增强灰度值,获得增强视频帧图像,获得增强监控视频。本方法通过获得合适的增强系数,提高视频帧图像增强的效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (8)
1.一种基于机器视觉的建筑施工安全监测及预警方法,其特征在于,所述方法包括:
获取建筑施工场地的监控视频;
根据所述监控视频上不同帧图像中每个像素点的位置变化特征,获得每个像素点的位移序列;根据每个像素点的所述位移序列中元素的变化特征,获得每个像素点的位移变化程度;获取每个像素点的初始灰度值,根据每一帧图像中每个像素点的所述初始灰度值和对应的所述位移变化程度,对所有像素点进行聚类,获得每一帧图像中的多个工地元素聚类簇;
根据每一帧图像中每个工地元素聚类簇内每个像素点的所述位移变化程度,获得每一帧图像中每个工地元素聚类簇内所含像素点的增强权重;根据每一帧图像中每个像素点的所述初始灰度值、所述增强权重以及所在工地元素聚类簇与其他工地元素聚类簇之间的整体灰度差异,获得每一帧图像中每个像素点的增强系数;
根据每一帧图像中每个像素点的所述增强系数和所述初始灰度值,获得每一帧图像中每个像素点的增强灰度值,获得增强视频帧图像,获得增强监控视频;
根据所述增强监控视频对建筑施工场地进行监测预警;
所述增强权重的获取方法包括:
对每一帧图像中每个工地元素聚类簇内所有像素点对应的位移变化程度求均值,并归一化处理,获得每一帧图像中每个工地元素聚类簇内所含像素点的增强权重;
所述增强系数的获取方法包括:
计算预设灰度最大值与每一帧图像中每个像素点的所述初始灰度值的差异,作为第一系数;
计算每一帧图像中每个像素点所在工地元素聚类簇内所有像素点的初始灰度值均值,作为第一灰度值;计算每一帧图像中每个其他工地元素聚类簇内所有像素点的初始灰度值均值,作为第二灰度值;
计算所述第一灰度值与每个第二灰度值的差异,并对所有差异结果求均值,作为整体灰度差异;对所述整体灰度差异进行负相关映射,作为第二系数;
计算每一帧图像中每个像素点的所述第一系数、所述第二系数以及对应的所述增强权重的乘积,并进行归一化,获得每一帧图像中每个像素点的增强系数。
2.根据权利要求1所述的一种基于机器视觉的建筑施工安全监测及预警方法,其特征在于,所述位移序列的获取方法包括:
在所述监控视频的所有帧图像中,采用光流法获得每个像素点在相邻帧图像之间的位移,构成每个像素点的位移序列。
3.根据权利要求1所述的一种基于机器视觉的建筑施工安全监测及预警方法,其特征在于,所述位移变化程度的获取方法包括:
根据位移变化程度的获取公式获得位移变化程度,位移变化程度的获取公式为:;其中,/>表示第/>个像素点的位移序列的位移变化程度;/>表示第/>个像素点的位移序列中元素的最大值;表示第/>个像素点的位移序列中元素的最小值;/>表示第/>个像素点的位移序列中所有元素的均值;/>表示以自然常数为底的指数函数;/>表示线性归一化函数。
4.根据权利要求1所述的一种基于机器视觉的建筑施工安全监测及预警方法,其特征在于,所述工地元素聚类簇的获取方法包括:
在每一帧图像中,以每个像素点的灰度值为横坐标,以每个像素点的位移变化程度为纵坐标,构成每个像素点在坐标系中的数据点;采用K-means聚类算法对所有像素点进行聚类,获得多个工地元素聚类簇。
5.根据权利要求1所述的一种基于机器视觉的建筑施工安全监测及预警方法,其特征在于,所述增强灰度值的获取方法包括:
计算每一帧图像中每个像素点的所述增强系数与预设常数之和,作为灰度加权值;
计算每一帧图像中每个像素点的初始灰度值和所述灰度加权值的乘积,并将乘积结果向下取整,获得每一帧图像中每个像素点的增强灰度值。
6.根据权利要求1所述的一种基于机器视觉的建筑施工安全监测及预警方法,其特征在于,所述预设灰度最大值为255。
7.根据权利要求1所述的一种基于机器视觉的建筑施工安全监测及预警方法,其特征在于,所述负相关映射的获取方法为以自然常数为底的指数函数进行负相关映射。
8.根据权利要求5所述的一种基于机器视觉的建筑施工安全监测及预警方法,其特征在于,所述预设常数为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275834.7A CN117876971B (zh) | 2024-03-12 | 2024-03-12 | 基于机器视觉的建筑施工安全监测及预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275834.7A CN117876971B (zh) | 2024-03-12 | 2024-03-12 | 基于机器视觉的建筑施工安全监测及预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117876971A CN117876971A (zh) | 2024-04-12 |
CN117876971B true CN117876971B (zh) | 2024-05-28 |
Family
ID=90595168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410275834.7A Active CN117876971B (zh) | 2024-03-12 | 2024-03-12 | 基于机器视觉的建筑施工安全监测及预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876971B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017185772A1 (zh) * | 2016-04-28 | 2017-11-02 | 深圳市中兴微电子技术有限公司 | 一种视频图像增强的方法、装置和计算机存储介质 |
CN108269242A (zh) * | 2018-01-17 | 2018-07-10 | 深圳市华星光电半导体显示技术有限公司 | 图像增强方法 |
CN115661669A (zh) * | 2022-12-13 | 2023-01-31 | 山东省土地发展集团有限公司 | 一种基于视频监控的耕地违法占用监测方法及系统 |
CN116167930A (zh) * | 2022-12-20 | 2023-05-26 | 苏州镁伽科技有限公司 | 图像增强方法、边缘线定位方法、巡边检方法及装置 |
KR20230077871A (ko) * | 2021-11-26 | 2023-06-02 | 연세대학교 산학협력단 | 인페인팅 기법에 기반한 배경 모델링을 이용한 동적 객체 검출 장치 및 방법 |
CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
WO2023134791A2 (zh) * | 2022-12-16 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及系统 |
CN117408890A (zh) * | 2023-12-14 | 2024-01-16 | 武汉泽塔云科技股份有限公司 | 一种视频图像传输质量增强方法及系统 |
CN117456428A (zh) * | 2023-12-22 | 2024-01-26 | 杭州臻善信息技术有限公司 | 基于视频图像特征分析的垃圾投放行为检测方法 |
-
2024
- 2024-03-12 CN CN202410275834.7A patent/CN117876971B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017185772A1 (zh) * | 2016-04-28 | 2017-11-02 | 深圳市中兴微电子技术有限公司 | 一种视频图像增强的方法、装置和计算机存储介质 |
CN108269242A (zh) * | 2018-01-17 | 2018-07-10 | 深圳市华星光电半导体显示技术有限公司 | 图像增强方法 |
KR20230077871A (ko) * | 2021-11-26 | 2023-06-02 | 연세대학교 산학협력단 | 인페인팅 기법에 기반한 배경 모델링을 이용한 동적 객체 검출 장치 및 방법 |
CN115661669A (zh) * | 2022-12-13 | 2023-01-31 | 山东省土地发展集团有限公司 | 一种基于视频监控的耕地违法占用监测方法及系统 |
WO2023134791A2 (zh) * | 2022-12-16 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及系统 |
CN116167930A (zh) * | 2022-12-20 | 2023-05-26 | 苏州镁伽科技有限公司 | 图像增强方法、边缘线定位方法、巡边检方法及装置 |
CN116229335A (zh) * | 2023-05-10 | 2023-06-06 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN117408890A (zh) * | 2023-12-14 | 2024-01-16 | 武汉泽塔云科技股份有限公司 | 一种视频图像传输质量增强方法及系统 |
CN117456428A (zh) * | 2023-12-22 | 2024-01-26 | 杭州臻善信息技术有限公司 | 基于视频图像特征分析的垃圾投放行为检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117876971A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
CN110458157B (zh) | 一种电力电缆生产过程智能监控系统 | |
CN115661669B (zh) | 一种基于视频监控的耕地违法占用监测方法及系统 | |
CN116071657B (zh) | 一种建筑施工视频监控大数据的智能预警系统 | |
CN115690693B (zh) | 一种建筑吊篮的智能监控系统及监控方法 | |
CN116823824B (zh) | 基于机器视觉的井下带式输送机降尘检测系统 | |
CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN116385948B (zh) | 一种预警铁路边坡异常的系统和方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116757972B (zh) | 一种抗光影噪声影响的织物缺陷检测方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN110490872A (zh) | 加工设备的异物检测方法和系统 | |
CN116110006B (zh) | 一种用于智慧旅游系统的景区游客异常行为识别方法 | |
CN117876971B (zh) | 基于机器视觉的建筑施工安全监测及预警方法 | |
CN115965773B (zh) | 基于物联网大数据的气体泄漏检测系统 | |
CN116228712A (zh) | 一种多尺度边坡灾害监测方法、系统及装置 | |
CN116452976A (zh) | 一种煤矿井下安全检测方法 | |
CN112232307B (zh) | 夜视环境下的安全帽佩戴检测方法 | |
CN110647837B (zh) | 电梯曳引机特征数据收集分析方法和电梯曳引机 | |
US20190197349A1 (en) | Image identification method and image identification device | |
CN118037722B (zh) | 一种铜管生产缺陷检测方法及系统 | |
CN117935177B (zh) | 基于注意力神经网络的道路车辆危险行为识别方法及系统 | |
CN117061710B (zh) | 一种远程查看车内情况的系统及方法 | |
CN112730427B (zh) | 一种基于机器视觉的产品表面缺陷检测方法及系统 |
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 | ||
GR01 | Patent grant |