CN108549874B - 一种目标检测方法、设备及计算机可读存储介质 - Google Patents
一种目标检测方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108549874B CN108549874B CN201810355700.0A CN201810355700A CN108549874B CN 108549874 B CN108549874 B CN 108549874B CN 201810355700 A CN201810355700 A CN 201810355700A CN 108549874 B CN108549874 B CN 108549874B
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- visible light
- information
- gray
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G06V10/443—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 by matching or filtering
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种目标检测方法、设备及计算机可读存储介质,通过基于红外光和可见光图像的融合,并将形态模板与待检测物的轮廓信息进行比对和匹配,确定满足匹配相似度条件的所述轮廓信息为目标信息集合,解决了在实际场景中由于经常会出现类似待检测目标形态但却并不是待检测目标的物体,例如当待检测图像为某一交通道路图像,待检测目标为行人时,交通道路图像上可能存在类似于行人的路灯、树木等,所导致的目标检测结果出现不精确的情况的技术问题。
Description
技术领域
本发明涉及图像检测,尤其涉及一种目标检测方法、设备及计算机可读存储介质。
背景技术
目标检测技术,也叫目标提取,是一种基于目标几何和统计特征的图像分割,将目标的分割和识别合二为一的技术,可将待检测图像中的待检测目标识别出来,在视频监控、公共安防、自动驾驶,生物医学等领域都有着广泛的应用,更一般的,当待检测图像为某一交通道路图像,待检测目标为行人时,基于目标检测技术可以将交通道路图像中的行人信息识别出来。
发明人在实际实施过程中,发现了在实际场景中由于经常会出现类似待检测目标形态但却并不是待检测目标的物体,例如当待检测图像为某一交通道路图像,待检测目标为行人时,交通道路图像上可能存在类似于行人的路灯、树木等,所导致的目标检测结果出现不精确的情况。
发明内容
本发明提供的一种目标检测方法,解决了在实际场景中由于经常会出现类似待检测目标形态但却并不是待检测目标的物体,例如当待检测图像为某一交通道路图像,待检测目标为行人时,交通道路图像上可能存在类似于行人的路灯、树木等,所导致的目标检测结果出现不精确的情况的技术问题。
本发明提供的一种目标检测方法,包括:
获取双摄像头拍摄的红外图像信息和可见光图像信息,对所述红外图像信息和所述可见光图像信息分别进行质量评价,融合评价结果满足预设质量条件的所述红外图像信息和所述可见光图像信息,得到待检测图像;
获取所述待检测图像的待检测物目标集合;
提取所述待检测物目标集合中每个待检测物的轮廓信息;
将所述轮廓信息与所述轮廓模板进行形态匹配,确定满足匹配相似度条件的所述轮廓信息为目标信息集合。
可选地,所述对所述红外图像信息和所述可见光图像信息分别进行质量评价具体包括:
计算所述红外图像的整体灰度变化率,和/或基于直方图修正的亮度评价方法获取所述可见光图像的亮度评价指标,其中,所述亮度评价指标为直方图修正前的所述可见光图像的第一平均灰度值与直方图修正后的所述可见光图像的第二平均灰度值的变化值;
所述融合评价结果满足预设质量条件的所述红外图像信息和所述可见光图像信息具体包括:
融合整体灰度变化率大于第一预设值的所述红外图像信息和亮度评价指标小于第二预设值的所述可见光图像信息。
可选地,所述目标检测方法还包括:
根据所述整体灰度变化率和所述整体灰度变化率与质量分数的映射公式确定所述红外图像的第一质量分数,根据所述亮度评价指标和所述亮度评价指标与质量分数的映射公式确定所述可见光图像的第二质量分数;
所述融合评价结果满足预设质量条件的所述红外图像信息和所述可见光图像信息,得到待检测图像具体包括:
将所述红外图像和所述可见光图像进行离散傅立叶小波变换,提取红外图像的高频系数分量、可见光图像的高频系数分量、可见光图像低频系数分量和红外图像低频系数分量;
将所述第一质量分数和所述第二质量分数分别作为红外图像低频系数分量和所述可见光图像低频系数分量的权重进行低频分量融合,得到融合低频分量;
确定所述红外图像的高频系数分量和所述可见光图像的高频系数分量中较大的高频系数分量为融合高频分量;
对所述融合低频分量和融合高频分量基于小波逆变换通过低通滤波器器和高通滤波器进行信号重构,得到空域图像,其中,所述空域图像为所述待检测图像。
可选地,计算所述红外图像的整体灰度变化率具体包括:
获取所述红外图像中局部像素行、局部像素列或局部像素块的各像素点灰度值,以及所述局部像素行、所述局部像素列或所述局部像素块中所述像素点灰度值连续下降间隔最大的起止像素点,计算所述起止像素点之间的局部灰度变化率,根据所述局部灰度变化率计算所述红外图像的整体灰度变化率。
可选地,所述基于直方图修正的亮度评价方法获取所述可见光图像的亮度评价指标具体包括:
将所述可见光图像转化到HIS空间,提取亮度分量得到第一可见光灰度图,计算所述第一可见光灰度图的第一平均灰度值,对所述可见光灰度图进行直方图修正,得到第二可见光灰度图,计算所述第二可见光灰度图的第二平均灰度值,所述第一平均灰度值和所述第二平均灰度值的变化值为所述亮度评价指标。
可选地,所述获取到待检测图像的待检测物目标集合之后还包括:
通过混合高斯背景建模方法获取所述图像的前景二值图像,并剔除所述待检测物目标集合对应的0像素低于第三预设值的所述待检测物目标。
可选地,所述将所述轮廓信息与所述轮廓模板进行形态匹配,确定满足匹配相似度条件的所述轮廓信息为目标信息集合之后还包括:
通过混合高斯背景建模方法获取所述图像的前景二值图像,并剔除所述目标信息集合中对应的0像素低于第三预设值的所述待检测物目标。
可选地,所述基于直方图修正的亮度评价方法获取所述可见光图像的亮度评价指标具体包括:
将所述可见光图像转化到HIS空间,提取亮度分量得到第一可见光灰度图,计算所述第一可见光灰度图的第一平均灰度值,对所述可见光灰度图进行直方图修正,得到第二可见光灰度图,计算所述第二可见光灰度图的第二平均灰度值,所述第一平均灰度值和所述第二平均灰度值的变化值为所述亮度评价指标。
本发明提供的一种目标检测设备,包括:
存储器;
一个或多个处理器;
所述一个或多个处理器执行上述任意一项所述的目标检测方法。
本发明提供的一种计算机可读存储介质,所述计算机可读存储介质被处理器执行时实现上述任意一项所述的目标检测方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供的一种目标检测方法、设备及计算机可读存储介质,其中,目标检测方法包括:获取双摄像头拍摄的红外图像信息和可见光图像信息,对所述红外图像信息和所述可见光图像信息分别进行质量评价,融合评价结果满足预设质量条件的所述红外图像信息和所述可见光图像信息,得到待检测图像;获取所述待检测图像的待检测物目标集合;提取所述待检测物目标集合中每个待检测物的轮廓信息;将所述轮廓信息与所述轮廓模板进行形态匹配,确定满足匹配相似度条件的所述轮廓信息为目标信息集合,通过在图像融合的基础上,将形态模板与待检测物的轮廓信息进行比对和匹配,确定满足匹配相似度条件的所述轮廓信息为目标信息集合,解决了在实际场景中由于经常会出现类似待检测目标形态但却并不是待检测目标的物体,例如当待检测图像为某一交通道路图像,待检测目标为行人时,交通道路图像上可能存在类似于行人的路灯、树木等,所导致的目标检测结果出现不精确的情况的技术问题。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种目标检测方法的一个实施例的流程示意图;
图2为本发明实施例提供的一种目标检测方法的另一个实施例的流程示意图;
图3为本发明实施例提供的一种目标检测设备的一个实施例的结构示意图;
图4为本发明实施例提供的一种目标检测设备的另一个实施例的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
图1为本发明目标检测方法的一个实施例的流程图,如图1所示,本发明实施例能够采用图像处理装置来实现,或应用于服务器,本发明实施例提供的目标检测方法可以包括:
步骤S100:获取双摄像头拍摄的红外图像信息和可见光图像信息,对红外图像信息和可见光图像信息分别进行质量评价,融合评价结果满足预设质量条件的红外图像信息和可见光图像信息,得到待检测图像;
本发明实施例中,当进行目标检测时,需要获取双摄像头拍摄的红外图像信息和可见光图像信息,对红外图像信息和可见光图像信息分别进行质量评价,融合评价结果满足预设质量条件的红外图像信息和可见光图像信息,得到待检测图像;
双摄像头也可以称为双目摄像头,双摄像头可以但不限于近红外摄像头和可见光摄像头的组合,双目摄像头可以在一定程度上解决光照变化问题,但是在一些情况下,近红外光传输、图像采集以及成像过程中不可避免的引入噪声,导致近红外图像分辨率不高,边缘模糊,且丢失了色彩和纹理信息,这就使得近红外模式下行人检测准确率下降,容易出现较多的漏检;
需要说明的是,考虑成像特点与检测的影响因素不同,近红外在光线较弱时会发射主动光源,其中影响检测的主要因素是图像清晰度;可见光图像在光照不佳条件下很难检测到目标,清晰度低的近红外图像或光照不合格的可见光图像进行图像融合,将会进一步引起图像降质,因此,两种图像质量均合格才进行图像融合;
关于“红外图像信息”的质量评价,可以是获取到红外图像中局部像素行、局部像素列或局部像素块的各像素点灰度值,以及局部像素行、局部像素列或局部像素块中像素点灰度值连续下降间隔最大的起止像素点,计算起止像素点之间的局部灰度变化率,根据局部灰度变化率计算红外图像的整体灰度变化率;
需要说明的是,“获取到红外图像中局部像素行、局部像素列或局部像素块的各像素点灰度值”中,由于噪声的影响,图像的局部像素行、局部像素列或局部像素块中会存在灰度的阶跃,在单一背景的情况下,由噪声造成的灰度变化范围不会很大。为了避免噪声干扰,不采用常用的相邻像素作差法求梯度,而是取区域内的灰度值进行计算,使得单个噪声的影响得以消除;
需要说明的是,“获取局部像素行、局部像素列或局部像素块中像素点灰度值连续下降间隔最大的起止像素点”可以但不限于通过以下机制的规定实现:
需要说明的是,“计算起止像素点之间的局部灰度变化率,根据局部灰度变化率计算红外图像的整体灰度变化率”的目的是将局部的灰度值变化规整到整体上,在实际实施过程中,可以但不限于通过以下机制的规定实现:
找出灰度连续下降间隔最大的起止点所有像素点的灰度值,采用最小二乘法进行直线拟合,直线的斜率value。对所有行的灰度变化率求和,得到整幅图像的灰度变化率;最后求的灰度变化率的均值S:cla=v/m,其中m为图像的高度;
可以理解的是,cla为衡量图像清晰度指标,图像越清晰,对应cla的值越大;
关于“可见光图像信息”的质量评价,可以是将可见光图像转化到HIS空间,提取亮度分量得到第一可见光灰度图,计算第一可见光灰度图的第一平均灰度值,对可见光灰度图进行直方图修正,得到第二可见光灰度图,计算第二可见光灰度图的第二平均灰度值,第一平均灰度值和第二平均灰度值的变化值为亮度评价指标;
需要说明的是,对可见光图像采用基于直方图修正的亮度评价方法。首先可以对图像进行色彩空间转换,把图像从RGB空间转化到HIS空间,提取亮度分量I,得到图像灰度图M1。计算图像M1的平均灰度为G1。对灰度图M1做直方图修正,得到灰度图M2。计算M2的平均灰度为G2,亮度评价指标为:lum=|G1-G2|;G1与G2越接近,说明原图像亮度分布越均匀。即具有最小|G1-G2|的图像亮度质量更高;
根据整体灰度变化率和整体灰度变化率与质量分数的映射公式确定红外图像的第一质量分数,根据亮度评价指标和亮度评价指标与质量分数的映射公式确定可见光图像的第二质量分数;
需要说明的是,“根据整体灰度变化率和整体灰度变化率与质量分数的映射公式确定红外图像的第一质量分数”、“根据亮度评价指标和亮度评价指标与质量分数的映射公式确定可见光图像的第二质量分数”可以但不限于以下方式进行,只要能从整体上反映图片的质量高低即可:
1、记录N一帧近红外、可见光图像的质量评价结果集合,分别记为clr{clr1,…,clrN},lum{lum1,…,lumN}。
分别对每幅图像自定义分数值,自定义的过程可以为,按照质量的高低,依照等差数列的方式进行分数值定义,得到分数集合Si{Si1,…,SiN},Sv{Sv1,…,SvN};
2、采用最小二乘法分别建立clr→Si、lum→Sv的回归拟合关系Ki,Kv;
3、对每一个质量评价结果,依据2中建立的映射关系可以求得其质量分数:
Si=Ki(clr)
Sv=Ki(lum);
在得到质量分数后,可以依据质量分数进行低频系数的融合,具体的融合的过程可以为:
将红外图像和可见光图像进行离散傅立叶小波变换,提取红外图像的高频系数分量、可见光图像的高频系数分量、可见光图像低频系数分量和红外图像低频系数分量;
将第一质量分数和第二质量分数分别作为红外图像低频系数分量和可见光图像低频系数分量的权重进行低频分量融合,得到融合低频分量,对于低频分量融合系数与质量得分有关,质量高的图像源融合比例较高,结合质量因子的融合决策可以有效的提高融合图像质量;
例如:低频融合分量计算公式如下:
Fl=Si·Li+Sv·Lv;
其中,Li,Lv分别为可见光图像低频系数分量和红外图像低频系数分量,Si,Sv分别为第一质量分数和第二质量分数,可选地,Si,Sj∈[0,1];
确定红外图像的高频系数分量和可见光图像的高频系数分量中较大的高频系数分量为融合高频分量;
对于高频分量,取系数绝对值大的分量,能够较完整的保留图像的细节、边缘信息;
对融合低频分量和融合高频分量基于小波逆变换通过低通滤波器器和高通滤波器进行信号重构,得到空域图像,其中,空域图像为待检测图像;
步骤S101、获取到待检测图像的待检测物目标集合;
获取双摄像头拍摄的红外图像信息和可见光图像信息,对红外图像信息和可见光图像信息分别进行质量评价,融合评价结果满足预设质量条件的红外图像信息和可见光图像信息,得到待检测图像之后,需要获取到待检测图像的待检测物目标集合;
待检测图像为预进行目标检测的图像,根据不同的需求,选择不同的图像,其中图像可以为单摄像头或双目摄像头采集的原始图像信息,也可以是经过质量处理的处理图像信息,双目摄像头可以为红外摄像头和可见光摄像头的组合;
对待检测图像的待检测物目标检测方法可以分为两大类:
第一类是基于背景建模的传统检测算法,第二类是基于深度学习的目标检测算法,第一类方法在时间性能上占优,第二类方法在检测精度上占优,本实施例在获取到待检测图像的待检测物目标集合的过程中并不针对特定的检测算法,以SSD检测算法为例,输入一幅待检测图像,经过SSD检测算法可以得到待检测物的位置信息loc、标签信息label与置信度分数score。检测结果可以表示为:obj-s{locj,labelj,scorej}(j=1,…,n),其中,n为待检测图像中待检测物目标的数量;
步骤S102:提取待检测物目标集合中每个待检测物的轮廓信息;
在获取到待检测图像的待检测物目标集合之后,需要提取待检测物目标集合中每个待检测物的轮廓信息;
可选地,检测物目标集合为上述待检测物的位置信息和标签信息对应的目标集合,可选地,在提取待检测物目标集合中每个待检测物的轮廓信息之前可以在目标集合中抽取置信度小于某个阈值的集合,并进行二值分割处理,得到二值图像集合,可以采用基于边缘检测的轮廓搜索方法,提取每个目标的轮廓,可以理解的是,选择置信度小于某个阈值的集合的目标集合进行轮廓搜索,相当于预先进行了质量评价,只对质量评价较低的图像进行轮廓搜索,可以节省一定的计算资源;
需要说明的是,轮廓模板中的轮廓信息可以与待检测物的轮廓信息类型一致;
步骤S103:将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合;
在提取待检测物目标集合中每个待检测物的轮廓信息之后,需要将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合;
可选地,在构建待检测物的轮廓模板时,可通过采集大量待检测物获取与待检测物相关的姿态轮廓信息,轮廓模板需要包含能表现与待检测物全部姿态特征的轮廓信息集合,更一般的,与待检测物相关的姿态需要包括待检测物的各种形态的轮廓信息,以及待检测物的部分轮廓信息,在实际实施过程中,姿态轮廓信息可以是对待检测物图像一一进行阈值分割处理,并提取二值化待检测物模板为轮廓模板;
可选地,形态匹配计算过程可以但不限于如下公式:
其中,Cj和CM分别为待检测物的轮廓信息、轮廓模板中的轮廓信息,func是轮廓匹配度计算函数,sim是0到1之间浮点数,sim越接近1,两个轮廓相似度越高,规定相似度阈值为ε,当sim≤ε,判定此目标不是目标信息,过滤此目标;反之,则保留目标;
本发明实施例提供的一种目标检测方法,包括:获取双摄像头拍摄的红外图像信息和可见光图像信息,对红外图像信息和可见光图像信息分别进行质量评价,融合评价结果满足预设质量条件的红外图像信息和可见光图像信息,得到待检测图像;获取待检测图像的待检测物目标集合;提取待检测物目标集合中每个待检测物的轮廓信息;将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合,通过在图像融合的基础上,将形态模板与待检测物的轮廓信息进行比对和匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合,解决了在实际场景中由于经常会出现类似待检测目标形态但却并不是待检测目标的物体,例如当待检测图像为某一交通道路图像,待检测目标为行人时,交通道路图像上可能存在类似于行人的路灯、树木等,所导致的目标检测结果出现不精确的情况的技术问题。
上面是对一种目标检测方法的一个实施例进行的详细描述,下面将对一种目标检测方法的另一个实施例进行详细的描述。
请参阅图2,本发明提供的一种目标检测方法的另一个实施例,包括:
步骤S200:获取双摄像头拍摄的红外图像信息和可见光图像信息,对红外图像信息和可见光图像信息分别进行质量评价,融合评价结果满足预设质量条件的红外图像信息和可见光图像信息,得到待检测图像;
本发明实施例中,当进行目标检测时,需要获取双摄像头拍摄的红外图像信息和可见光图像信息,对红外图像信息和可见光图像信息分别进行质量评价,融合评价结果满足预设质量条件的红外图像信息和可见光图像信息,得到待检测图像;
需要说明的是,考虑成像特点与检测的影响因素不同,近红外在光线较弱时会发射主动光源,其中影响检测的主要因素是图像清晰度;可见光图像在光照不佳条件下很难检测到目标,清晰度低的近红外图像或光照不合格的可见光图像进行图像融合,将会进一步引起图像降质,因此,两种图像质量均合格才进行图像融合;
关于“红外图像信息”的质量评价,可以是获取到红外图像中局部像素行、局部像素列或局部像素块的各像素点灰度值,以及局部像素行、局部像素列或局部像素块中像素点灰度值连续下降间隔最大的起止像素点,计算起止像素点之间的局部灰度变化率,根据局部灰度变化率计算红外图像的整体灰度变化率;
需要说明的是,“获取到红外图像中局部像素行、局部像素列或局部像素块的各像素点灰度值”中,由于噪声的影响,图像的局部像素行、局部像素列或局部像素块中会存在灰度的阶跃,在单一背景的情况下,由噪声造成的灰度变化范围不会很大。为了避免噪声干扰,不采用常用的相邻像素作差法求梯度,而是取区域内的灰度值进行计算,使得单个噪声的影响得以消除;
需要说明的是,“获取局部像素行、局部像素列或局部像素块中像素点灰度值连续下降间隔最大的起止像素点”可以但不限于通过以下机制的规定实现:
需要说明的是,“计算起止像素点之间的局部灰度变化率,根据局部灰度变化率计算红外图像的整体灰度变化率”的目的是将局部的灰度值变化规整到整体上,在实际实施过程中,可以但不限于通过以下机制的规定实现:
找出灰度连续下降间隔最大的起止点所有像素点的灰度值,采用最小二乘法进行直线拟合,直线的斜率value。对所有行的灰度变化率求和,得到整幅图像的灰度变化率;最后求的灰度变化率的均值S:cla=v/m,其中m为图像的高度;
可以理解的是,cla为衡量图像清晰度指标,图像越清晰,对应cla的值越大;
关于“可见光图像信息”的质量评价,可以是将可见光图像转化到HIS空间,提取亮度分量得到第一可见光灰度图,计算第一可见光灰度图的第一平均灰度值,对可见光灰度图进行直方图修正,得到第二可见光灰度图,计算第二可见光灰度图的第二平均灰度值,第一平均灰度值和第二平均灰度值的变化值为亮度评价指标;
需要说明的是,对可见光图像采用基于直方图修正的亮度评价方法。首先可以对图像进行色彩空间转换,把图像从RGB空间转化到HIS空间,提取亮度分量I,得到图像灰度图M1。计算图像M1的平均灰度为G1。对灰度图M1做直方图修正,得到灰度图M2。计算M2的平均灰度为G2,亮度评价指标为:lum=|G1-G2|;G1与G2越接近,说明原图像亮度分布越均匀。即具有最小|G1-G2|的图像亮度质量更高;
根据整体灰度变化率和整体灰度变化率与质量分数的映射公式确定红外图像的第一质量分数,根据亮度评价指标和亮度评价指标与质量分数的映射公式确定可见光图像的第二质量分数;
需要说明的是,“根据整体灰度变化率和整体灰度变化率与质量分数的映射公式确定红外图像的第一质量分数”、“根据亮度评价指标和亮度评价指标与质量分数的映射公式确定可见光图像的第二质量分数”可以但不限于以下方式进行,只要能从整体上反映图片的质量高低即可:
1、记录N一帧近红外、可见光图像的质量评价结果集合,分别记为clr{clr1,…,clrN},lum{lum1,…,lumN}。
分别对每幅图像自定义分数值,自定义的过程可以为,按照质量的高低,依照等差数列的方式进行分数值定义,得到分数集合Si{Si1,…,SiN},Sv{Sv1,…,SvN};
2、采用最小二乘法分别建立clr→Si、lum→Sv的回归拟合关系Ki,Kv;
3、对每一个质量评价结果,依据2中建立的映射关系可以求得其质量分数:
Si=Ki(clr)
Sv=Ki(lum);
在得到质量分数后,可以依据质量分数进行低频系数的融合,具体的融合的过程可以为:
将红外图像和可见光图像进行离散傅立叶小波变换,提取红外图像的高频系数分量、可见光图像的高频系数分量、可见光图像低频系数分量和红外图像低频系数分量;
将第一质量分数和第二质量分数分别作为红外图像低频系数分量和可见光图像低频系数分量的权重进行低频分量融合,得到融合低频分量,对于低频分量融合系数与质量得分有关,质量高的图像源融合比例较高,结合质量因子的融合决策可以有效的提高融合图像质量;
例如:低频融合分量计算公式如下:
Fl=Si·Li+Sv·Lv;
其中,Li,Lv分别为可见光图像低频系数分量和红外图像低频系数分量,Si,Sv分别为第一质量分数和第二质量分数,可选地,Si,Sj∈[0,1];
确定红外图像的高频系数分量和可见光图像的高频系数分量中较大的高频系数分量为融合高频分量;
对于高频分量,取系数绝对值大的分量,能够较完整的保留图像的细节、边缘信息;
对融合低频分量和融合高频分量基于小波逆变换通过低通滤波器器和高通滤波器进行信号重构,得到空域图像,其中,空域图像为待检测图像;
步骤S201、获取到待检测图像的待检测物目标集合;
获取双摄像头拍摄的红外图像信息和可见光图像信息,对红外图像信息和可见光图像信息分别进行质量评价,融合评价结果满足预设质量条件的红外图像信息和可见光图像信息,得到待检测图像之后,需要获取到待检测图像的待检测物目标集合;
待检测图像为预进行目标检测的图像,根据不同的需求,选择不同的图像,其中图像可以为单摄像头或双目摄像头采集的原始图像信息,也可以是经过质量处理的处理图像信息,双目摄像头可以为红外摄像头和可见光摄像头的组合,关于对红外摄像头和可见光摄像头的组合双目摄像头的原始图像信息质量处理在之后的实施例中描述;
对待检测图像的待检测物目标检测方法可以分为两大类:
第一类是基于背景建模的传统检测算法,第二类是基于深度学习的目标检测算法,第一类方法在时间性能上占优,第二类方法在检测精度上占优,本实施例在获取到待检测图像的待检测物目标集合的过程中并不针对特定的检测算法,以SSD检测算法为例,输入一幅待检测图像,经过SSD检测算法可以得到待检测物的位置信息loc、标签信息label与置信度分数score。检测结果可以表示为:obj-s{locj,labelj,scorej}(j=1,…,n),其中,n为待检测图像中待检测物目标的数量;
步骤S202:通过混合高斯背景建模方法获取图像的前景二值图像,并剔除待检测物目标集合对应的0像素低于第三预设值的待检测物目标;
在获取到待检测图像的待检测物目标集合之后,需要通过混合高斯背景建模方法获取图像的前景二值图像,并剔除待检测物目标集合对应的0像素低于第三预设值的待检测物目标;
需要说明的是,针对于动态的待检测物目标,例如行人或汽车等,在进行基于模板过滤之前可以对图片进行背景过滤,即剔除待检测物目标集合对应的0像素低于第三预设值的待检测物目标,相当于将背景中的静态“成分”过滤掉,进而在进行动态目标检测时,达到检测精度的进一步提高;
第三预设值可以按照需求设定,例如,背景过滤可以但不限于采用如下规则:
其中,0表示目标为背景(静态),需要过滤;1表示非背景,需要保留;ratio为中loci对应图像块中0像素所占的比例;
需要说明的是,“将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合”与“通过混合高斯背景建模方法获取图像的前景二值图像,并剔除待检测物目标集合对应的0像素低于第三预设值的待检测物目标”的先后顺序没有限定,可以先进行“将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合”的模板匹配步骤,再进行“通过混合高斯背景建模方法获取图像的前景二值图像,并剔除目标信息集合中对应的0像素低于第三预设值的待检测物目标”的背景过滤步骤,也可以先进行“通过混合高斯背景建模方法获取图像的前景二值图像,并剔除待检测物目标集合对应的0像素低于第三预设值的待检测物目标”的背景过滤步骤,再进行“将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合”的模板匹配步骤;
步骤S203:提取待检测物目标集合中每个待检测物的轮廓信息;
在通过混合高斯背景建模方法获取图像的前景二值图像,并剔除待检测物目标集合对应的0像素低于第三预设值的待检测物目标之后,需要提取待检测物目标集合中每个待检测物的轮廓信息;
可选地,检测物目标集合为上述待检测物的位置信息和标签信息对应的目标集合,可选地,在提取待检测物目标集合中每个待检测物的轮廓信息之前可以在目标集合中抽取置信度小于某个阈值的集合,并进行二值分割处理,得到二值图像集合,可以采用基于边缘检测的轮廓搜索方法,提取每个目标的轮廓,可以理解的是,选择置信度小于某个阈值的集合的目标集合进行轮廓搜索,相当于预先进行了质量评价,只对质量评价较低的图像进行轮廓搜索,可以节省一定的计算资源;
需要说明的是,轮廓模板中的轮廓信息可以与待检测物的轮廓信息类型一致;
步骤S204:将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合;
在提取待检测物目标集合中每个待检测物的轮廓信息之后,需要将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合;
可选地,在构建待检测物的轮廓模板时,可通过采集大量待检测物获取与待检测物相关的姿态轮廓信息,轮廓模板需要包含能表现与待检测物全部姿态特征的轮廓信息集合,更一般的,与待检测物相关的姿态需要包括待检测物的各种形态的轮廓信息,以及待检测物的部分轮廓信息,在实际实施过程中,姿态轮廓信息可以是对待检测物图像一一进行阈值分割处理,并提取二值化待检测物模板为轮廓模板;
可选地,形态匹配计算过程可以但不限于如下公式:
其中,Cj和CM分别为待检测物的轮廓信息、轮廓模板中的轮廓信息,func是轮廓匹配度计算函数,sim是0到1之间浮点数,sim越接近1,两个轮廓相似度越高,规定相似度阈值为ε,当sim≤ε,判定此目标不是目标信息,过滤此目标;反之,则保留目标;
本发明实施例中,获取双摄像头拍摄的红外图像信息和可见光图像信息,对红外图像信息和可见光图像信息分别进行质量评价,融合评价结果满足预设质量条件的红外图像信息和可见光图像信息,得到待检测图像;获取到待检测图像的待检测物目标集合;通过混合高斯背景建模方法获取图像的前景二值图像,并剔除待检测物目标集合对应的0像素低于第三预设值的待检测物目标;提取待检测物目标集合中每个待检测物的轮廓信息;将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合,通过在图像融合的基础上,将形态模板与待检测物的轮廓信息进行比对和匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合,解决了在实际场景中由于经常会出现类似待检测目标形态但却并不是待检测目标的物体,例如当待检测图像为某一交通道路图像,待检测目标为行人时,交通道路图像上可能存在类似于行人的路灯、树木等,所导致的目标检测结果出现不精确的情况的技术问题。
请参阅图3,图3示出了本发明实施例提供的一种目标检测设备的结构示意图,包括:
存储器301;
一个或多个处理器302;
一个或多个处理器执行上述目标检测方法。
请参阅图4,图4示出了本发明实施例提供的另一种目标检测设备的结构示意图,包括:
第一获取模块401,用于获取到双摄像头拍摄的红外图像信息和可见光图像信息;
评价模块402,用于对红外图像信息和可见光图像信息分别进行质量评价;
融合模块403,用于融合评价结果满足预设质量条件的红外图像信息和可见光图像信息,得到待检测图像;
需要说明的是,考虑成像特点与检测的影响因素不同,近红外在光线较弱时会发射主动光源,其中影响检测的主要因素是图像清晰度;可见光图像在光照不佳条件下很难检测到目标,清晰度低的近红外图像或光照不合格的可见光图像进行图像融合,将会进一步引起图像降质,因此,两种图像质量均合格才进行图像融合;
关于“红外图像信息”的质量评价,可以是获取到红外图像中局部像素行、局部像素列或局部像素块的各像素点灰度值,以及局部像素行、局部像素列或局部像素块中像素点灰度值连续下降间隔最大的起止像素点,计算起止像素点之间的局部灰度变化率,根据局部灰度变化率计算红外图像的整体灰度变化率;
需要说明的是,“获取到红外图像中局部像素行、局部像素列或局部像素块的各像素点灰度值”中,由于噪声的影响,图像的局部像素行、局部像素列或局部像素块中会存在灰度的阶跃,在单一背景的情况下,由噪声造成的灰度变化范围不会很大。为了避免噪声干扰,不采用常用的相邻像素作差法求梯度,而是取区域内的灰度值进行计算,使得单个噪声的影响得以消除;
需要说明的是,“获取局部像素行、局部像素列或局部像素块中像素点灰度值连续下降间隔最大的起止像素点”可以但不限于通过以下机制的规定实现:
需要说明的是,“计算起止像素点之间的局部灰度变化率,根据局部灰度变化率计算红外图像的整体灰度变化率”的目的是将局部的灰度值变化规整到整体上,在实际实施过程中,可以但不限于通过以下机制的规定实现:
找出灰度连续下降间隔最大的起止点所有像素点的灰度值,采用最小二乘法进行直线拟合,直线的斜率value。对所有行的灰度变化率求和,得到整幅图像的灰度变化率;最后求的灰度变化率的均值S:cla=v/m,其中m为图像的高度;
可以理解的是,cla为衡量图像清晰度指标,图像越清晰,对应cla的值越大;
关于“可见光图像信息”的质量评价,可以是将可见光图像转化到HIS空间,提取亮度分量得到第一可见光灰度图,计算第一可见光灰度图的第一平均灰度值,对可见光灰度图进行直方图修正,得到第二可见光灰度图,计算第二可见光灰度图的第二平均灰度值,第一平均灰度值和第二平均灰度值的变化值为亮度评价指标;
需要说明的是,对可见光图像采用基于直方图修正的亮度评价方法。首先可以对图像进行色彩空间转换,把图像从RGB空间转化到HIS空间,提取亮度分量I,得到图像灰度图M1。计算图像M1的平均灰度为G1。对灰度图M1做直方图修正,得到灰度图M2。计算M2的平均灰度为G2,亮度评价指标为:lum=|G1-G2|;G1与G2越接近,说明原图像亮度分布越均匀。即具有最小|G1-G2|的图像亮度质量更高;
根据整体灰度变化率和整体灰度变化率与质量分数的映射公式确定红外图像的第一质量分数,根据亮度评价指标和亮度评价指标与质量分数的映射公式确定可见光图像的第二质量分数;
需要说明的是,“根据整体灰度变化率和整体灰度变化率与质量分数的映射公式确定红外图像的第一质量分数”、“根据亮度评价指标和亮度评价指标与质量分数的映射公式确定可见光图像的第二质量分数”可以但不限于以下方式进行,只要能从整体上反映图片的质量高低即可:
1、记录N一帧近红外、可见光图像的质量评价结果集合,分别记为clr{clr1,…,clrN},lum{lum1,…,lumN}。
分别对每幅图像自定义分数值,自定义的过程可以为,按照质量的高低,依照等差数列的方式进行分数值定义,得到分数集合Si{Si1,…,SiN},Sv{Sv1,…,SvN};
2、采用最小二乘法分别建立clr→Si、lum→Sv的回归拟合关系Ki,Kv;
3、对每一个质量评价结果,依据2中建立的映射关系可以求得其质量分数:
Si=Ki(clr)
Sv=Ki(lum);
在得到质量分数后,可以依据质量分数进行低频系数的融合,具体的融合的过程可以为:
将红外图像和可见光图像进行离散傅立叶小波变换,提取红外图像的高频系数分量、可见光图像的高频系数分量、可见光图像低频系数分量和红外图像低频系数分量;
将第一质量分数和第二质量分数分别作为红外图像低频系数分量和可见光图像低频系数分量的权重进行低频分量融合,得到融合低频分量,对于低频分量融合系数与质量得分有关,质量高的图像源融合比例较高,结合质量因子的融合决策可以有效的提高融合图像质量;
例如:低频融合分量计算公式如下:
Fl=Si·Li+Sv·Lv;
其中,Li,Lv分别为可见光图像低频系数分量和红外图像低频系数分量,Si,Sv分别为第一质量分数和第二质量分数,可选地,Si,Sj∈[0,1];
确定红外图像的高频系数分量和可见光图像的高频系数分量中较大的高频系数分量为融合高频分量;
对于高频分量,取系数绝对值大的分量,能够较完整的保留图像的细节、边缘信息;
对融合低频分量和融合高频分量基于小波逆变换通过低通滤波器器和高通滤波器进行信号重构,得到空域图像,其中,空域图像为待检测图像;
第二获取模块404,用于获取到待检测图像的待检测物目标集合;
待检测图像为预进行目标检测的图像,根据不同的需求,选择不同的图像,其中图像可以为单摄像头或双目摄像头采集的原始图像信息,也可以是经过质量处理的处理图像信息,双目摄像头可以为红外摄像头和可见光摄像头的组合,关于对红外摄像头和可见光摄像头的组合双目摄像头的原始图像信息质量处理在之后的实施例中描述;
对待检测图像的待检测物目标检测方法可以分为两大类:
第一类是基于背景建模的传统检测算法,第二类是基于深度学习的目标检测算法,第一类方法在时间性能上占优,第二类方法在检测精度上占优,本实施例在获取到待检测图像的待检测物目标集合的过程中并不针对特定的检测算法,以SSD检测算法为例,输入一幅待检测图像,经过SSD检测算法可以得到待检测物的位置信息loc、标签信息label与置信度分数score。检测结果可以表示为:obj-s{locj,labelj,scorej}(j=1,…,n),其中,n为待检测图像中待检测物目标的数量;
第三获取模块405,用于通过混合高斯背景建模方法获取图像的前景二值图像;
剔除模块406,用于剔除待检测物目标集合对应的0像素低于第三预设值的待检测物目标;
需要说明的是,针对于动态的待检测物目标,例如行人或汽车等,在进行基于模板过滤之前可以对图片进行背景过滤,即剔除待检测物目标集合对应的0像素低于第三预设值的待检测物目标,相当于将背景中的静态“成分”过滤掉,进而在进行动态目标检测时,达到检测精度的进一步提高;
第三预设值可以按照需求设定,例如,背景过滤可以但不限于采用如下规则:
其中,0表示目标为背景(静态),需要过滤;1表示非背景,需要保留;ratio为中loci对应图像块中0像素所占的比例;
需要说明的是,“将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合”与“通过混合高斯背景建模方法获取图像的前景二值图像,并剔除待检测物目标集合对应的0像素低于第三预设值的待检测物目标”的先后顺序没有限定,可以先进行“将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合”的模板匹配步骤,再进行“通过混合高斯背景建模方法获取图像的前景二值图像,并剔除目标信息集合中对应的0像素低于第三预设值的待检测物目标”的背景过滤步骤,也可以先进行“通过混合高斯背景建模方法获取图像的前景二值图像,并剔除待检测物目标集合对应的0像素低于第三预设值的待检测物目标”的背景过滤步骤,再进行“将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合”的模板匹配步骤;
提取模块407,用于提取待检测物目标集合中每个待检测物的轮廓信息;
可选地,检测物目标集合为上述待检测物的位置信息和标签信息对应的目标集合,可选地,在提取待检测物目标集合中每个待检测物的轮廓信息之前可以在目标集合中抽取置信度小于某个阈值的集合,并进行二值分割处理,得到二值图像集合,可以采用基于边缘检测的轮廓搜索方法,提取每个目标的轮廓,可以理解的是,选择置信度小于某个阈值的集合的目标集合进行轮廓搜索,相当于预先进行了质量评价,只对质量评价较低的图像进行轮廓搜索,可以节省一定的计算资源;
需要说明的是,轮廓模板中的轮廓信息可以与待检测物的轮廓信息类型一致;
匹配模块408,用于将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合;
可选地,在构建待检测物的轮廓模板时,可通过采集大量待检测物获取与待检测物相关的姿态轮廓信息,轮廓模板需要包含能表现与待检测物全部姿态特征的轮廓信息集合,更一般的,与待检测物相关的姿态需要包括待检测物的各种形态的轮廓信息,以及待检测物的部分轮廓信息,在实际实施过程中,姿态轮廓信息可以是对待检测物图像一一进行阈值分割处理,并提取二值化待检测物模板为轮廓模板;
可选地,形态匹配计算过程可以但不限于如下公式:
其中,Cj和CM分别为待检测物的轮廓信息、轮廓模板中的轮廓信息,func是轮廓匹配度计算函数,sim是0到1之间浮点数,sim越接近1,两个轮廓相似度越高,规定相似度阈值为ε,当sim≤ε,判定此目标不是目标信息,过滤此目标;反之,则保留目标;
本发明实施例中,首先第一获取模块401获取到双摄像头拍摄的红外图像信息和可见光图像信息,之后评价模块402对红外图像信息和可见光图像信息分别进行质量评价,之后融合模块403融合评价结果满足预设质量条件的红外图像信息和可见光图像信息,得到待检测图像,之后第二获取模块404获取到待检测图像的待检测物目标集合,之后第三获取模块405通过混合高斯背景建模方法获取图像的前景二值图像,之后剔除模块406剔除待检测物目标集合对应的0像素低于第三预设值的待检测物目标,之后提取模块407提取待检测物目标集合中每个待检测物的轮廓信息,之后匹配模块408将轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合,通过在图像融合的基础上,将形态模板与待检测物的轮廓信息进行比对和匹配,确定满足匹配相似度条件的轮廓信息为目标信息集合,解决了在实际场景中由于经常会出现类似待检测目标形态但却并不是待检测目标的物体,例如当待检测图像为某一交通道路图像,待检测目标为行人时,交通道路图像上可能存在类似于行人的路灯、树木等,所导致的目标检测结果出现不精确的情况的技术问题。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种目标检测方法,其特征在于,包括:
获取双摄像头拍摄的红外图像信息和可见光图像信息,对所述红外图像信息和所述可见光图像信息分别进行质量评价,融合评价结果满足预设质量条件的所述红外图像信息和所述可见光图像信息,得到待检测图像;
获取所述待检测图像的待检测物目标集合;
提取所述待检测物目标集合中每个待检测物的轮廓信息;
将所述轮廓信息与轮廓模板进行形态匹配,确定满足匹配相似度条件的所述轮廓信息为目标信息集合;
所述对所述红外图像信息和所述可见光图像信息分别进行质量评价具体包括:
计算所述红外图像的整体灰度变化率,和/或基于直方图修正的亮度评价方法获取所述可见光图像的亮度评价指标,其中,所述亮度评价指标为直方图修正前的所述可见光图像的第一平均灰度值与直方图修正后的所述可见光图像的第二平均灰度值的变化值;
所述融合评价结果满足预设质量条件的所述红外图像信息和所述可见光图像信息具体包括:
融合整体灰度变化率大于第一预设值的所述红外图像信息和亮度评价指标小于第二预设值的所述可见光图像信息;
计算所述红外图像的整体灰度变化率具体包括:
获取所述红外图像中局部像素行、局部像素列或局部像素块的各像素点灰度值,以及所述局部像素行、所述局部像素列或所述局部像素块中所述像素点灰度值连续下降间隔最大的起止像素点,计算所述起止像素点之间的局部灰度变化率,根据所述局部灰度变化率计算所述红外图像的整体灰度变化率;
所述基于直方图修正的亮度评价方法获取所述可见光图像的亮度评价指标具体包括:
将所述可见光图像转化到HIS空间,提取亮度分量得到第一可见光灰度图,计算所述第一可见光灰度图的第一平均灰度值,对所述可见光灰度图进行直方图修正,得到第二可见光灰度图,计算所述第二可见光灰度图的第二平均灰度值,所述第一平均灰度值和所述第二平均灰度值的变化值为所述亮度评价指标。
2.根据权利要求1所述的目标检测方法,其特征在于,所述目标检测方法还包括:
根据所述整体灰度变化率和所述整体灰度变化率与质量分数的映射公式确定所述红外图像的第一质量分数,根据所述亮度评价指标和所述亮度评价指标与质量分数的映射公式确定所述可见光图像的第二质量分数;
所述融合评价结果满足预设质量条件的所述红外图像信息和所述可见光图像信息,得到待检测图像具体包括:
将所述红外图像和所述可见光图像进行离散傅立叶小波变换,提取红外图像的高频系数分量、可见光图像的高频系数分量、可见光图像低频系数分量和红外图像低频系数分量;
将所述第一质量分数和所述第二质量分数分别作为红外图像低频系数分量和所述可见光图像低频系数分量的权重进行低频分量融合,得到融合低频分量;
确定所述红外图像的高频系数分量和所述可见光图像的高频系数分量中较大的高频系数分量为融合高频分量;
对所述融合低频分量和融合高频分量基于小波逆变换通过低通滤波器和高通滤波器进行信号重构,得到空域图像,其中,所述空域图像为所述待检测图像。
3.根据权利要求1至2所述的任意一种目标检测方法,其特征在于,所述获取到待检测图像的待检测物目标集合之后还包括:
通过混合高斯背景建模方法获取所述图像的前景二值图像,并剔除所述待检测物目标集合对应的0像素低于第三预设值的所述待检测物目标。
4.根据权利要求1至2所述的任意一种目标检测方法,其特征在于,所述将所述轮廓信息与所述轮廓模板进行形态匹配,确定满足匹配相似度条件的所述轮廓信息为目标信息集合之后还包括:
通过混合高斯背景建模方法获取所述图像的前景二值图像,并剔除所述目标信息集合中对应的0像素低于第三预设值的所述待检测物目标。
5.一种目标检测设备,其特征在于,包括:
存储器;
一个或多个处理器;
所述一个或多个处理器执行如权利要求1至4中任意一项所述的目标检测方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质被处理器执行时实现如权利要求1至4中任意一项所述的目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810355700.0A CN108549874B (zh) | 2018-04-19 | 2018-04-19 | 一种目标检测方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810355700.0A CN108549874B (zh) | 2018-04-19 | 2018-04-19 | 一种目标检测方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108549874A CN108549874A (zh) | 2018-09-18 |
CN108549874B true CN108549874B (zh) | 2021-11-23 |
Family
ID=63515650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810355700.0A Active CN108549874B (zh) | 2018-04-19 | 2018-04-19 | 一种目标检测方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549874B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029779B (zh) * | 2018-04-28 | 2020-02-14 | 华映科技(集团)股份有限公司 | 一种实时人体温度快速侦测法 |
CN109360177B (zh) * | 2018-10-17 | 2021-09-28 | 成都森川科技股份有限公司 | 快速移动物体热成像图像与光学图像的快速小波融合方法 |
CN109089052B (zh) * | 2018-10-18 | 2020-09-01 | 浙江宇视科技有限公司 | 一种目标物体的验证方法及装置 |
CN109916415B (zh) * | 2019-04-12 | 2021-05-04 | 北京百度网讯科技有限公司 | 道路类型确定方法、装置、设备及存储介质 |
CN110111581A (zh) * | 2019-05-21 | 2019-08-09 | 哈工大机器人(山东)智能装备研究院 | 目标识别方法、装置、计算机设备及存储介质 |
CN110378861B (zh) * | 2019-05-24 | 2022-04-19 | 浙江大华技术股份有限公司 | 一种图像融合方法及装置 |
CN110751620B (zh) * | 2019-08-28 | 2021-03-16 | 宁波海上鲜信息技术有限公司 | 估算体积和重量的方法、电子设备及计算机可读存储介质 |
CN112991439B (zh) * | 2019-12-02 | 2024-04-16 | 宇龙计算机通信科技(深圳)有限公司 | 定位目标物体的方法、装置、电子设备及介质 |
CN111680592A (zh) * | 2020-05-28 | 2020-09-18 | 东风柳州汽车有限公司 | 车内生物检测方法、装置、设备及存储介质 |
CN111724470B (zh) * | 2020-06-30 | 2023-08-18 | 联想(北京)有限公司 | 一种处理方法及电子设备 |
CN114066786A (zh) * | 2020-08-03 | 2022-02-18 | 四川大学 | 一种基于稀疏和滤波器的红外和可见光图像融合方法 |
CN112233079B (zh) * | 2020-10-12 | 2022-02-11 | 东南大学 | 多传感器图像融合的方法及*** |
CN112860059A (zh) * | 2021-01-08 | 2021-05-28 | 广州朗国电子科技有限公司 | 一种基于眼球追踪的图像识别方法、设备及存储介质 |
CN113283439B (zh) * | 2021-06-15 | 2022-09-23 | 深圳诺博医疗科技有限公司 | 基于图像识别的智能计数方法、装置及*** |
CN113420629B (zh) * | 2021-06-17 | 2023-04-28 | 浙江大华技术股份有限公司 | 一种图像处理方法、装置、设备及介质 |
CN114898410B (zh) * | 2022-07-14 | 2022-10-11 | 安徽云森物联网科技有限公司 | 一种基于小波变换的跨分辨率行人重识别方法 |
CN115100081B (zh) * | 2022-08-24 | 2022-11-15 | 深圳佳弟子科技有限公司 | Lcd显示屏灰阶图像增强方法、装置、设备及存储介质 |
CN116452483A (zh) * | 2023-05-10 | 2023-07-18 | 北京道达天际科技股份有限公司 | 一种基于小波变换和hsi颜色空间的图像融合方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546428A (zh) * | 2009-05-07 | 2009-09-30 | 西北工业大学 | 基于区域分割的序列红外与可见光图像融合 |
CN102880877A (zh) * | 2012-09-28 | 2013-01-16 | 中科院成都信息技术有限公司 | 一种基于轮廓特征的目标识别方法 |
US8908940B1 (en) * | 2010-04-29 | 2014-12-09 | Mim Software, Inc. | System and method of applying an arbitrary angle to reformat medical images |
CN105069768A (zh) * | 2015-08-05 | 2015-11-18 | 武汉高德红外股份有限公司 | 一种可见光图像与红外图像融合处理***及融合方法 |
CN105787481A (zh) * | 2016-04-05 | 2016-07-20 | 湖南人文科技学院 | 一种基于目标性潜在区域分析的目标检测算法及其应用 |
CN105913040A (zh) * | 2016-04-27 | 2016-08-31 | 重庆邮电大学 | 暗视觉条件下的双摄像头实时行人检测*** |
CN107133592A (zh) * | 2017-05-05 | 2017-09-05 | 国网江苏省电力公司无锡供电公司 | 电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7646918B2 (en) * | 2005-09-27 | 2010-01-12 | Wisconsin Alumni Research Foundation | Systems and methods for recognizing objects in an image |
CN107240096A (zh) * | 2017-06-01 | 2017-10-10 | 陕西学前师范学院 | 一种红外与可见光图像融合质量评价方法 |
-
2018
- 2018-04-19 CN CN201810355700.0A patent/CN108549874B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546428A (zh) * | 2009-05-07 | 2009-09-30 | 西北工业大学 | 基于区域分割的序列红外与可见光图像融合 |
US8908940B1 (en) * | 2010-04-29 | 2014-12-09 | Mim Software, Inc. | System and method of applying an arbitrary angle to reformat medical images |
CN102880877A (zh) * | 2012-09-28 | 2013-01-16 | 中科院成都信息技术有限公司 | 一种基于轮廓特征的目标识别方法 |
CN105069768A (zh) * | 2015-08-05 | 2015-11-18 | 武汉高德红外股份有限公司 | 一种可见光图像与红外图像融合处理***及融合方法 |
CN105787481A (zh) * | 2016-04-05 | 2016-07-20 | 湖南人文科技学院 | 一种基于目标性潜在区域分析的目标检测算法及其应用 |
CN105913040A (zh) * | 2016-04-27 | 2016-08-31 | 重庆邮电大学 | 暗视觉条件下的双摄像头实时行人检测*** |
CN107133592A (zh) * | 2017-05-05 | 2017-09-05 | 国网江苏省电力公司无锡供电公司 | 电力变电站采用红外热成像及可见光成像技术融合的人体目标特征检测算法 |
Non-Patent Citations (2)
Title |
---|
Hand target extraction from infrared images based on the danger theory;Dong-Mei Fu et al.;《2017 9th International Conference on Modelling, Identification and Control (ICMIC)》;20180322;1026-1031 * |
红外与可见光融合图像的质量评价;王宇庆 等;《中国光学》;20140630;第7卷(第3期);396-401 * |
Also Published As
Publication number | Publication date |
---|---|
CN108549874A (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549874B (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
Negru et al. | Exponential contrast restoration in fog conditions for driving assistance | |
CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
WO2018024030A1 (zh) | 一种夜视红外图像中的基于显著性的道路目标提取方法 | |
US10592754B2 (en) | Shadow removing method for color image and application | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及*** | |
Liu et al. | Single image dehazing via large sky region segmentation and multiscale opening dark channel model | |
CN103020965B (zh) | 一种基于显著性检测的前景分割方法 | |
CN107301624B (zh) | 基于区域划分及浓雾预处理的卷积神经网络去雾方法 | |
CN109215053B (zh) | 一种无人机航拍视频中含暂停状态的运动车辆检测方法 | |
CN110287884B (zh) | 一种辅助驾驶中压线检测方法 | |
CN111104943A (zh) | 基于决策级融合的彩色图像感兴趣区域提取方法 | |
CN103198319B (zh) | 用于矿山井筒环境下的模糊图像角点提取方法 | |
Krishnan et al. | A survey on different edge detection techniques for image segmentation | |
CN116542982B (zh) | 一种基于机器视觉的出发判断器缺陷检测方法及装置 | |
WO2017120796A1 (zh) | 路面病害的检测方法及其装置、电子设备 | |
CN102881160A (zh) | 一种低照度场景下的户外交通标志识别方法 | |
CN103810702B (zh) | 一种基于分块噪声方差估计的图像累积信噪比计算方法 | |
CN110705634A (zh) | 一种鞋跟型号识别方法、装置及存储介质 | |
CN117037103A (zh) | 一种道路检测方法和装置 | |
CN116129195A (zh) | 图像质量评价装置、方法、电子设备和存储介质 | |
CN107103295B (zh) | 光学遥感影像云检测方法 | |
Wang et al. | Haze removal algorithm based on single-images with chromatic properties | |
CN114140481A (zh) | 一种基于红外图像的边缘检测方法、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 |