CN105279754B - 一种适用于自行车视频检测的部件分割方法 - Google Patents
一种适用于自行车视频检测的部件分割方法 Download PDFInfo
- Publication number
- CN105279754B CN105279754B CN201510575140.6A CN201510575140A CN105279754B CN 105279754 B CN105279754 B CN 105279754B CN 201510575140 A CN201510575140 A CN 201510575140A CN 105279754 B CN105279754 B CN 105279754B
- Authority
- CN
- China
- Prior art keywords
- bicycle
- sample
- component
- picture
- dividing method
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种适用于自行车视频检测的部件分割方法,包括如下步骤:(1)获取目标摄像机的基础视频数据;(2)构建自行车样本数据库;(3)对数据库样本进行灰度变换;(4)获得自行车样本平均图;(5)对自行车样本平均图进行部件划分;(6)确定部件分割比例。本发明形成一种适用于自行车视频检测的样本图片部件分割方法,可以为不同摄像机的自行车检测算法提供具体部件分割依据,提高自行车视频检测算法的精度,具有实际推广价值。
Description
技术领域
本发明涉及交通视频检测领域,特别涉及一种适用于自行车视频检测的部件分割方法。
背景技术
视频自行车检测技术是指在监控视频中识别出自行车。随着道路交通视频采集技术的发展,大量的监控摄像头应用在交叉口和道路出入口等。利用计算机对监控视频中的汽车、自行车、行人等进行检测的需求应运而生。目前部件分割在视频检测算法中应用的比较多,可较好提高识别效率,但尚未有相应的方法对目标摄像机的自行车样本进行有效、合理的部件分割方法。
目前自行车视频检测算法尚未应用到部件分割方法,尚未找到针对目标摄像机的适用于自行车检测的部件分割方法的文章和专利说明。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种适用于自行车视频检测的部件分割方法。
本发明采用如下技术方案:
一种适用于自行车视频检测的部件分割方法,包括如下步骤:
S1获取目标摄像机的视频数据;
S2构建自行车样本数据库,具体为:提取视频数据中动态自行车图片,然后进行归一化处理,处理后的自行车图片构建自行车样本数据库;
S3对自行车样本数据库的图片进行灰度转换;
S4将灰度转换后的样本数据库图片进行叠加处理,得到自行车样本平均图;
S5对自行车样本平均图进行部件划分,具体划分:头部、身体及自行车车体三部分;
S6确定目标摄像机的部件分割比例,具体为:根据自行车样本平均图的头部、身体及自行车车体获得其平均像素的比例,即为目标摄像机的部件分割比例。
所述S3中进行灰度转换利用开源的跨平台计算机视觉库OpenCV对数据库中的样本图片进行灰度变换。
所述目标摄像机至少为一个,所述视频中至少包含自行车样本数量大于1000个。
S2中提取视频数据中动态自行车图片具体采用背景差分法,然后筛选符合条件的自行车图片作为样本,最后采用OpenCV中的Resize()函数将自行车图片统一为64*128像素大小的样本。
所述S4的叠加处理具体是将数据库中样本灰度矩阵Mi求平均值,获得灰度均值矩阵M,并将M输入OpenCV中的imshow()函数,从而获得自行车样本平均图。
本发明的有益效果:
本发明对单个或多个摄像机拍摄的自行车样本图片进行分析;方法简单易行,应用该方法充分考虑摄像机所拍摄的样本和环境的影响,可提高自行车检测算法的效率和进度,本发明具有很大的实际推广价值。
附图说明
图1为本发明的一个实施例的步骤框架图;
图2为本发明的一个实施例的获取动态目标图片的流程图;
图3为本发明的一个实施例的良好样本实例图;
图4为本发明的一个实施例的获得自行车样本平均图的流程图;
图5为本发明的一个实施例的自行车样本平均图;
图6为本发明的一个实施例的自行车样本平均图部件划分示意图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1-图6所示,一种适用于自行车视频检测的部件分割方法,包括如下步骤:
S1获取目标摄像机的视频数据,本实施例中获取三个摄像机的12个小时内的视频数据;
S2构建自行车样本数据库,具体为提取视频数据中动态自行车图片,然后进行归一化处理,处理后的自行车图片构建自行车样本数据库,所述动态自行车图片具体为人骑自行车图片;
本发明提取动态自行车图片是采用背景差分法,所述背景差分法具体为步骤为:
S2.1进行图像的预处理,主要包括对图像进行灰度化及滤波;
S2.2背景建模
根据前N帧图像的灰度值进行区间统计从而得到一个具有统计意义的初始背景,这里N=10。
S2.3前景提取:
将当前最新的图像与背景做差,即可求得背景差图,然后对该图进行二值化,最终获得运动前景区域,即实现图像分割。
对提取的动态目标图片,剔除如车辆、自行车、自行车阴影等,筛选出较好的、具有自行车全身的图片作为样本,同一个自行车的样本不超过20个图片,如图3所示。
采用OpenCV中的Resize()函数将不同大小的自行车样本图片统一为64*128像素大小的样本,形成自行车样本数据库。
S3如图4所示对自行车样本数据库的图片进行灰度转换;
然后利用OpenCV中的Cvtcolor()函数,对数据库中的所有样本图片进行灰度变换,这样每个样本都获得一个对应的灰度矩阵Mi;
然后将数据库中所有样本灰度矩阵Mi求平均值,获得样本灰度均值矩阵M,公式如下:
S4并将M输入OpenCV中的imshow()函数进行显示,从而获得自行车样本平均图。
S5对自行车样本平均图的三个部件,所述三个部件包括头部、身体及自行车车体。所述三个部件的划分可以采用人工划分方法或者软件划分方法。
S6确定三个部件的像素高,并分别求均值,得到Hhead、Hbody和Hbike,然后再计算平均比例Hhead:Hbody:Hbike,结果作为目标摄像机的部件分割比例。
本实施例中,图2为采用背景差分法获得动态目标的图片,图3是样本的实例图,图5是本实施例中自行车样本平均图,图6是本发明的分割结果,然后获得不同部件的像素高,并分别求均值,得到:
Hhead=15.2(像素),Hbody=41.4(像素),Hbike=71.4(像素)
最后再计算平均比例1:2.72:4.70,就是目标摄像机的部件分割比例。
本发明对单个或多个摄像机拍摄的自行车样本图片进行处理分析,获取自行车样本平均图,最后确定自行车样本部件分割比例。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种适用于自行车视频检测的部件分割方法,其特征在于,包括如下步骤:
S1获取目标摄像机的视频数据;
S2构建自行车样本数据库,具体为:提取视频数据中动态自行车图片,然后进行归一化处理,处理后的自行车图片构建自行车样本数据库;
S3对自行车样本数据库的图片进行灰度转换;
S4将灰度转换后的样本数据库图片进行叠加处理,得到自行车样本平均图;
S5对自行车样本平均图进行部件划分,具体划分:头部、身体及自行车车体三部分;
S6确定目标摄像机的部件分割比例,具体为:根据自行车样本平均图的头部、身体及自行车车体获得其平均像素的比例,即为目标摄像机的部件分割比例。
2.根据权利要求1所述的部件分割方法,其特征在于,所述S3中进行灰度转换利用开源的跨平台计算机视觉库OpenCV对数据库中的样本图片进行灰度变换。
3.根据权利要求1所述的部件分割方法,其特征在于,所述目标摄像机至少为一个,所述视频中至少包含自行车样本数量大于1000个。
4.根据权利要求1所述的部件分割方法,其特征在于,S2中提取视频数据中动态自行车图片具体采用背景差分法,然后筛选符合条件的自行车图片作为样本,最后采用OpenCV中的Resize()函数将自行车图片统一为64*128像素大小的样本。
5.根据权利要求1所述的部件分割方法,其特征在于,所述S4的叠加处理具体是将数据库中样本灰度矩阵Mi求平均值,获得灰度均值矩阵M,并将M输入OpenCV中的imshow()函数,从而获得自行车样本平均图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510575140.6A CN105279754B (zh) | 2015-09-10 | 2015-09-10 | 一种适用于自行车视频检测的部件分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510575140.6A CN105279754B (zh) | 2015-09-10 | 2015-09-10 | 一种适用于自行车视频检测的部件分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105279754A CN105279754A (zh) | 2016-01-27 |
CN105279754B true CN105279754B (zh) | 2018-06-22 |
Family
ID=55148706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510575140.6A Active CN105279754B (zh) | 2015-09-10 | 2015-09-10 | 一种适用于自行车视频检测的部件分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105279754B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200210A (zh) * | 2014-08-12 | 2014-12-10 | 合肥工业大学 | 一种基于部件的车牌字符分割方法 |
CN104778444A (zh) * | 2015-03-10 | 2015-07-15 | 公安部交通管理科学研究所 | 道路场景下车辆图像的表观特征分析方法 |
CN104778453A (zh) * | 2015-04-02 | 2015-07-15 | 杭州电子科技大学 | 一种基于红外行人亮度统计特征的夜间行人检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201002073A (en) * | 2008-06-23 | 2010-01-01 | Huper Lab Co Ltd | Method of vehicle segmentation and counting for nighttime video frames |
-
2015
- 2015-09-10 CN CN201510575140.6A patent/CN105279754B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200210A (zh) * | 2014-08-12 | 2014-12-10 | 合肥工业大学 | 一种基于部件的车牌字符分割方法 |
CN104778444A (zh) * | 2015-03-10 | 2015-07-15 | 公安部交通管理科学研究所 | 道路场景下车辆图像的表观特征分析方法 |
CN104778453A (zh) * | 2015-04-02 | 2015-07-15 | 杭州电子科技大学 | 一种基于红外行人亮度统计特征的夜间行人检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105279754A (zh) | 2016-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
CN106971185B (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN104282003B (zh) | 一种基于梯度筛选的数字模糊图像盲复原方法 | |
CN107292830B (zh) | 低照度图像增强及评价方法 | |
CN102063704B (zh) | 一种机载视景增强方法及其装置 | |
CN102665034A (zh) | 一种针对摄像机采集视频的夜间效果去除方法 | |
CN110738160A (zh) | 一种结合人脸检测的人脸质量评估方法 | |
CN108229346B (zh) | 使用有符号的前景提取与融合的视频摘要 | |
CN107194946B (zh) | 一种基于fpga的红外显著物体检测方法 | |
CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
CN111079669A (zh) | 一种图像处理方法、装置及存储介质 | |
CN103186887A (zh) | 图像除雾装置和图像除雾方法 | |
WO2018000882A1 (zh) | 基于监控视频的视频前景提取方法 | |
CN109272014B (zh) | 一种基于畸变适应卷积神经网络的图像分类方法 | |
CN105139417A (zh) | 视频监控下的多目标实时跟踪方法 | |
CN110276318A (zh) | 夜间公路下雨识别方法、装置、计算机设备及存储介质 | |
CN117274107B (zh) | 低照度场景下端到端色彩及细节增强方法、装置及设备 | |
CN104504666B (zh) | 一种基于拉普拉斯金字塔的色调映射方法 | |
CN111274864A (zh) | 人群聚集的判断方法及人群聚集的判断装置 | |
CN110738624B (zh) | 一种区域自适应的图像去雾***及方法 | |
CN110827375B (zh) | 一种基于微光图像的红外图像真彩着色方法及*** | |
CN105279754B (zh) | 一种适用于自行车视频检测的部件分割方法 | |
CN112580634A (zh) | 基于计算机视觉的气密性检测光源调节方法及*** | |
Tasson et al. | FPGA-based pedestrian detection under strong distortions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |