CN108876811B - 一种图像处理方法、设备及计算机可读存储介质 - Google Patents
一种图像处理方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108876811B CN108876811B CN201710325571.6A CN201710325571A CN108876811B CN 108876811 B CN108876811 B CN 108876811B CN 201710325571 A CN201710325571 A CN 201710325571A CN 108876811 B CN108876811 B CN 108876811B
- Authority
- CN
- China
- Prior art keywords
- analysis
- subgraphs
- rectangular image
- subgraph
- image
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 209
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 66
- 238000001914 filtration Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 abstract description 26
- 230000000903 blocking effect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 7
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 6
- 239000000203 mixture Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种图像处理方法、设备及计算机可读存储介质,该方法包括:将视频中设定帧图像中每一个可移动物体设置为矩形图像块;通过在所述设定帧图像中设置设定尺寸的分析子图覆盖所述矩形图像块,确定所述分析子图的数量范围;在预置的约束条件,及所述分析子图的数量范围的限制下,基于遗传算法,根据所述矩形图像块的位置及数量,设置所述分析子图的适应度函数,并对所述适应度函数进行迭代计算,得到所述分析子图的配置参数;对所述配置参数对应的分析子图中的矩形图像块进行检测,以获取所述矩形图像块中的所述可移动物体。本发明比现有检测算法具有更高的精度,并且比将视频中任一帧图像进行分块检测的方法有效地提升了检测速度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像处理方法、设备及计算机可读存储介质。
背景技术
基于深度学习的目标检测是近几年的研究热点,通过对卷积神经网络进行改良,大大提高了目标检测的速率,甚至达到了实时。但是现有的众多深度学习方法,往往会对输入的图片进行降采样,使用小分辨率的图像,减少运算量,进而提高检测速度。然而对于包含很多细节特征的高清大图来说,损失了细节特征将会降低检测精度。而如果直接将高清图片不经降采样,直接输入深度网络进行训练,庞大的计算量又将造成很大的速度损失。
在监控领域当中,由于拍摄角度、环境因素以及监控场景本身的复杂性,视频的质量层次不齐。当监控视频当中目标物体得尺寸差距比较大,或者目标较为密集,或者局部目标处于光线较差得环境中时,使用传统的检测方法将图片直接进行缩小的话,检测效果就变得非常糟糕。而如果考虑不对图片进行缩小,将原图进行切片后,分块输入深度网络进行检测,这样虽然能够一定程度提高检测的精度,但是效率却非常低,很有可能有大量的图像块只包含很少的目标,甚至只包含背景,没有目标。
发明内容
本发明要解决的技术问题是,提供一种图像处理方法、设备及计算机可读存储介质,克服现有技术中对原图像不压缩的情况下,对目标检测效率低的缺陷。
本发明采用的技术方案是,所述一种图像处理方法,包括:
将视频中设定帧图像中每一个可移动物体设置为矩形图像块;
通过在所述设定帧图像中设置设定尺寸的分析子图覆盖所述矩形图像块,确定所述分析子图的数量范围;
在预置的约束条件,及所述分析子图的数量范围的限制下,基于遗传算法,根据所述矩形图像块的位置及数量,设置所述分析子图的适应度函数,并对所述适应度函数进行迭代计算,得到所述分析子图的配置参数;
对所述配置参数对应的分析子图中的矩形图像块进行检测,以获取所述矩形图像块中的所述可移动物体。
进一步的,所述矩形图像块为所述可移动物体的最小外接矩形内的图像。
进一步的,所述分析子图的配置参数至少包括以下之一:所述分析子图的数量,所述分析子图在所述设定帧图像中的位置,及所述矩形图像块在所述分析子图中的位置。
进一步的,在所述将视频中设定帧图像中每一个可移动物体设置为矩形图像块之前,所述方法还包括:
基于预置的可移动物体分析模型,对所述视频的多个连续帧图像进行计算,得到所述视频的任一帧图像中的不可移动物体;
将所述视频的设定帧图像中的所有物体与所述不可移动物体相减,得到所述设定帧图像中的可移动物体。
进一步的,在所述得到所述视频的设定帧图像中的可移动物体之后,所述方法还包括:
基于预置的滤波模型,对所述视频的设定帧图像中的可移动物体上的噪声进行过滤。
进一步的,所述通过在所述设定帧图像中设置设定尺寸的分析子图覆盖所述矩形图像块,确定所述分析子图的数量范围,包括:
基于所述分析子图的面积,及所有所述矩形图像块的面积之和,确定所述分析子图的数量范围的下限;
通过在所述图像中的预置位置上设置所述分析子图覆盖至少一个所述矩形图像块的方式,以及基于贪婪算法,通过在所述图像中设置所述分析子图覆盖所有所述矩形图像块的方式,确定所述分析子图的数量范围的上限。
进一步的,所述基于所述设定尺寸的分析子图的面积,及所有所述矩形图像块的面积之和,确定所述分析子图的数量范围的下限,包括:
将所有所述矩形图像块的面积之和与所述分析子图的面积的比值向上取整,并设置为所述分析子图的数量范围的下限。
进一步的,所述通过在所述图像中的预置位置上设置所述分析子图覆盖至少一个所述矩形图像块的方式,以及基于贪婪算法,通过在所述图像中设置所述分析子图覆盖所有所述矩形图像块的方式,确定所述分析子图的数量范围的上限,包括:
基于贪婪算法,通过在所述图像中设置所述分析子图覆盖所有所述矩形图像块,得到所述分析子图的第一数量值;
通过在所述图像中的预置位置上设置所述分析子图覆盖至少一个所述矩形图像块,得到所述分析子图的第二数量值;
将所述第一数量值和所述第二数量值中的较小值设置为所述分析子图的数量范围的上限。
进一步的,所述预置的约束条件包括:
通过将一个或多个所述矩形图像块移动至所述分析子图中没有覆盖任一所述矩形图像块的空白区域,使所述分析子图覆盖所有所述矩形图像块。
进一步的,所述适应度函数为分别对目标函数和惩罚函数进行加权求和;
所述目标函数包括:分别对表征所述分析子图数量的函数,表征没有被任一所述分析子图覆盖的矩形图像块数量的函数,表征被移动至所述空白区域的矩形图像块数量的函数,及表征任意两个所述分析子图的距离的函数进行加权求和;
所述惩罚函数包括:当所有所述分析子图中没有覆盖所述矩形图像块的空白区域的面积小于或等于没有被任一所述分析子图覆盖的所述矩形图像块的面积之和的设定倍数时,所述惩罚函数为第一预置值;
当所有所述分析子图中没有覆盖所述矩形图像块的空白区域的面积大于没有被任一所述分析子图覆盖的所述矩形图像块的面积之和的设定倍数时,所述惩罚函数为第二预置值。
进一步的,在所述对所述配置参数对应的分析子图中的矩形图像块进行检测之前,所述方法还包括:
在所述分析子图的配置参数对应的分析子图没有覆盖所有所述矩形图像块的情况下,通过调整所述惩罚函数中的所述设定倍数和/或所述分析子图的数量范围,基于遗传算法,再次对所述适应度函数进行迭代计算,得到所述分析子图的配置参数。
本发明还提供一种图像处理设备,所述图像处理设备包括处理器和存储器;
所述处理器用于执行存储器中存储的图像处理程序,以实现上的图像处理方法的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述的图像处理方法的步骤。
采用上述技术方案,本发明至少具有下列优点:
本发明所述一种图像处理方法、设备及计算机可读存储介质,当监控视频中可移动物体时,可以通过提取可移动物体的方法,来初步确定视频当中可移动物体的大致位置,并根据可移动物体分布的先验特征,用一定数量的包含视频中任一帧图像全部可移动物体的分析子图来替代视频中任一帧图像,从而保留图片细节特征,比现有检测算法具有更高的精度,并且比将视频中任一帧图像进行分块检测的方法有效地提升了检测速度。
附图说明
图1为本发明第一实施例的图像处理方法流程图;
图2为本发明第二实施例的图像处理方法流程图;
图3为本发明第三实施例的将每个可移动物体的设置为矩形图像块示意图;
图4为本发明第三实施例的遗传算法方法流程图。
具体实施方式
为更进一步阐述本发明为达成预定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,对本发明进行详细说明如后。
本发明第一实施例,一种图像处理方法,如图1所示,包括以下具体步骤:
步骤S101,将视频中设定帧图像中每一个可移动物体设置为矩形图像块。
其中,矩形图像块为可移动物体的最小外接矩形内的图像。
步骤S102,通过在设定帧图像中设置设定尺寸的分析子图覆盖矩形图像块,确定分析子图的数量范围。
可选的,步骤S102,包括:
基于分析子图的面积,及所有矩形图像块的面积之和,确定分析子图的数量范围的下限;
通过在图像中的预置位置上设置分析子图覆盖至少一个矩形图像块的方式,以及基于贪婪算法,通过在图像中设置分析子图覆盖所有矩形图像块的方式,确定分析子图的数量范围的上限。
步骤S103,在预置的约束条件,及分析子图的数量范围的限制下,基于遗传算法,根据矩形图像块的位置及数量,设置分析子图的适应度函数,并对适应度函数进行迭代计算,得到分析子图的配置参数。
其中,分析子图的配置参数至少包括以下之一:分析子图的数量,分析子图在设定帧图像中的位置,及矩形图像块在分析子图中的位置。
可选的,步骤S103,包括:
在预置的约束条件,及分析子图的数量范围的限制下,基于遗传算法,根据矩形图像块的位置及数量,设置分析子图的适应度函数,并对适应度函数进行迭代计算,得到分析子图的配置参数。
其中,适应度函数为分别对目标函数和惩罚函数进行加权求和;
目标函数包括:分别对表征分析子图数量的函数,表征没有被任一分析子图覆盖的矩形图像块数量的函数,表征被移动至空白区域的矩形图像块数量的函数,及表征任意两个分析子图的距离的函数进行加权求和;
惩罚函数包括:当所有分析子图中没有覆盖矩形图像块的空白区域的面积小于或等于没有被任一分析子图覆盖的矩形图像块的面积之和的设定倍数时,惩罚函数为第一预置值;
当所有分析子图中没有覆盖矩形图像块的空白区域的面积大于没有被任一分析子图覆盖的矩形图像块的面积之和的设定倍数时,惩罚函数为第二预置值。
分析子图的配置参数至少包括以下之一:分析子图的数量,分析子图在设定帧图像中的位置,及矩形图像块在分析子图中的位置。
步骤S104,对配置参数对应的分析子图中的矩形图像块进行检测,以获取矩形图像块中的可移动物体。
本发明第一实施例所述的一种图像处理方法,当监控视频中可移动物体时,可以通过提取可移动物体的方法,来初步确定视频当中可移动物体的大致位置,并根据可移动物体分布的先验特征,用一定数量的包含视频中任一帧图像全部可移动物体的分析子图来替代视频中任一帧图像,从而保留图片细节特征,比现有检测算法具有更高的精度,并且比将视频中任一帧图像进行分块检测的方法有效地提升了检测速度。
本发明第二实施例,一种图像处理方法,如图2所示,包括以下具体步骤:
步骤S201,基于预置的可移动物体分析模型,对视频的多个连续帧图像进行计算,得到视频的任一帧图像中的不可移动物体;
将视频的设定帧图像中的所有物体与不可移动物体相减,得到设定帧图像中的可移动物体。
其中,预置的可移动物体分析模型包括但不限于:混合高斯模型(GaussianMixture Model)、VIBE(Background Generation And Foreground Detection)模型和三帧差分算法模型等。
例如:步骤S201,包括:基于混合高斯模型,对视频的多个连续帧图像进行计算,得到视频的任一帧图像中的不可移动物体B(x,y);
将视频的设定帧图像中的所有物体It与不可移动物体B(x,y)相减,得到设定帧图像中的可移动物体其中,(x,y)为像素位置;t为视频的帧序列号,t为正整数;i为设定帧图像中的可移动物体的编号,i属于[1,M],M为设定帧图像中的可移动物体的总数。
步骤S202,基于预置的滤波模型,对视频的设定帧图像中的可移动物体上的噪声进行过滤。
其中,预置的滤波模型包括但不限于:中值滤波模型和形态学滤波模型等。
例如:步骤S202,包括:基于预置的中值滤波模型和形态学滤波模型,对视频的设定帧图像中的可移动物体上的噪声进行过滤;
步骤S203,将视频中设定帧图像中每一个可移动物体设置为矩形图像块。
其中,矩形图像块为可移动物体的最小外接矩形内的图像。
将每一个可移动物体设置为矩形图像块的方式包括:
提取每一个可移动物体的最***轮廓;
将每一个可移动物体的最***轮廓设置最小外接矩形;
将每一个最小外接矩形内的图像设置为矩形图像块。
例如:步骤S203,包括:
将每一个可移动物体设置为矩形图像块Ei;其中,矩形图像块Ai为可移动物体的最小外接矩形内图像;
将每一个可移动物体设置为矩形图像块的方式包括:
提取每一个可移动物体的最***轮廓;
将每一个可移动物体的最***轮廓设置最小外接矩形;
将每一个最小外接矩形内的图像设置为矩形图像块Ei。
其中,矩形图像块Ei的长为hi,矩形图像块Ei的宽为wi。
步骤S204,通过在设定帧图像中设置设定尺寸的分析子图覆盖矩形图像块,确定分析子图的数量范围。
可选的,步骤S204,包括:
基于分析子图的面积,及所有矩形图像块的面积之和,确定分析子图的数量范围的下限;
通过在图像中的预置位置上设置分析子图覆盖至少一个矩形图像块的方式,以及基于贪婪算法,通过在图像中设置分析子图覆盖所有矩形图像块的方式,确定分析子图的数量范围的上限;
其中,基于分析子图的面积,及所有矩形图像块的面积之和,确定分析子图的数量范围的下限的方式,包括:
将所有矩形图像块的面积之和与分析子图的面积的比值向上取整,并设置为分析子图的数量范围的下限。
通过在图像中的预置位置上设置分析子图覆盖至少一个矩形图像块的方式,以及基于贪婪算法,通过在图像中设置分析子图覆盖所有矩形图像块的方式,确定分析子图的数量范围的上限的方式,包括:
基于贪婪算法,通过在图像中设置分析子图覆盖所有矩形图像块,得到分析子图的第一数量值;
通过在图像中的预置位置上设置分析子图覆盖至少一个矩形图像块,得到分析子图的第二数量值;
将第一数量值和第二数量值中的较小值设置为分析子图的数量范围的上限。
例如,步骤S204,包括:
将所有矩形图像块的面积之和与分析子图的面积的比值向上取整,并设置为分析子图的数量范围的下限min;
其中,H为分析子图的高,W为分析子图的宽。
基于贪婪算法,通过在图像中设置分析子图覆盖所有矩形图像块,得到分析子图的第一数量值max1;
通过在图像中的预置位置上设置分析子图覆盖至少一个矩形图像块,得到分析子图的第二数量值max2;
将第一数量值max1和第二数量值max2中的较小值设置为分析子图的数量范围的上限max;
确定分析子图的数量范围[min,max]。
步骤S205,在预置的约束条件,及分析子图的数量范围的限制下,基于遗传算法,根据矩形图像块的位置及数量,设置分析子图的适应度函数,并对适应度函数进行迭代计算,得到分析子图的配置参数。
其中,分析子图的配置参数至少包括以下之一:分析子图的数量,分析子图在设定帧图像中的位置,及矩形图像块在分析子图中的位置。
预置的约束条件包括:
通过将一个或多个矩形图像块移动至分析子图中没有覆盖任一矩形图像块的空白区域,使分析子图覆盖所有矩形图像块。
可选的,步骤S205,包括:
在预置的约束条件,及分析子图的数量范围的限制下,基于遗传算法,根据矩形图像块的位置及数量,设置分析子图的适应度函数,并对适应度函数进行迭代计算,得到分析子图的配置参数。
其中,适应度函数为分别对目标函数和惩罚函数进行加权求和;
目标函数包括:分别对表征分析子图数量的函数,表征没有被任一分析子图覆盖的矩形图像块数量的函数,表征被移动至空白区域的矩形图像块数量的函数,及表征任意两个分析子图的距离的函数进行加权求和;
惩罚函数包括:当所有分析子图中没有覆盖矩形图像块的空白区域的面积小于或等于没有被任一分析子图覆盖的矩形图像块的面积之和的设定倍数时,惩罚函数为第一预置值;
当所有分析子图中没有覆盖矩形图像块的空白区域的面积大于没有被任一分析子图覆盖的矩形图像块的面积之和的设定倍数时,惩罚函数为第二预置值。
分析子图的配置参数至少包括以下之一:分析子图的数量,分析子图在设定帧图像中的位置,及矩形图像块在分析子图中的位置。
步骤S206,在分析子图的配置参数对应的分析子图没有覆盖所有矩形图像块的情况下,通过调整惩罚函数中的设定倍数和/或分析子图的数量范围,基于遗传算法,再次对适应度函数进行迭代计算,得到分析子图的配置参数。
步骤S207,对分析子图的配置参数对应的分析子图中的矩形图像块进行检测,以获取矩形图像块中的可移动物体。
本发明第二实施例所述的一种图像处理方法,当监控视频中可移动物体时,可以通过提取可移动物体的方法,来初步确定视频当中可移动物体的大致位置,并根据可移动物体分布的先验特征,用一定数量的包含视频中任一帧图像全部可移动物体的分析子图来替代视频中任一帧图像,从而保留图片细节特征,比现有检测算法具有更高的精度,并且比将视频中任一帧图像进行分块检测的方法有效地提升了检测速度。
本发明第三实施例,一种图像处理方法,如图3~图4所示,包括以下具体步骤:
步骤S701,通过混合高斯模型(Gaussian Mixture Model)从视频中的连续K帧图像进行计算,得到任一帧图像中的不可移动物体集合B(x,y);其中,K为大于1的正整数;
计算第t帧图像It与不可移动物体集合B(x,y)的差值,得到第t帧图像中的可移动物体集合
对可移动物体集合进行二值化处理,得到二值化可移动物体集合/>
通过中值滤波和形态学滤波对二值化可移动物体集合中的噪声进行过滤;
其中,(x,y)为图像中的像素位置,t为视频中的图像帧序列号,t∈[1,A],A为视频中的图像帧总数。二值化可移动物体集合中,非零像素点为可移动物体像素点。
步骤S702,基于二值化可移动物体集合得到每个可移动物体的轮廓Ci;
如图3所示,根据每个可移动物体的轮廓,将每个可移动物体的设置为矩形图像块Di。
i∈[1,M],M为第t帧图像中可移动物体总数;
矩形图像块Di的中心像素点位置(xi,yi)为第i个可移动物体的位置;矩形图像块Di的长为hi;矩形图像块Di的宽为wi。
矩形图像块Di为能够包含可移动物体的轮廓Ci内所有像素点的矩形图像块,矩形图像块Di左上角顶点的横坐标为可移动物体的轮廓Ci中所有像素点集合中横坐标的最小值,矩形图像块Di左上角顶点的纵坐标为可移动物体的轮廓Ci中所有像素点集合中纵坐标的最小值;矩形图像块Di的高为可移动物体的轮廓Ci像素点集合中两点纵坐标差值的最大值,矩形图像块Di的宽为可移动物体的轮廓Ci像素点集合中两点横坐标差值的最大值。
步骤S703,在第t帧图像中等距离的设置r个横线和c个纵线;r≥1;c≥1;
在横线和纵线的交点位置设置分析子图,通过分析子图覆盖矩形图像块Di,得到覆盖矩形图像块Di的分析子图数量N;
N=Ψ-n;
其中,n为没有覆盖任何矩形图像块Di的分析子图数量;
Ψ=ceil((h1/H)×(w1/W));
ceil((h1/H)×(w1/W))为大于或等于((h1/H)×(w1/W))的最小整数;
h1为视频任一帧图像的高;w1为视频任一帧图像的宽;
H为分析子图的高;W为分析子图的宽;
Min=ceil(所有矩形图像块面积之和/(H×W));
ceil(所有矩形图像块面积之和/(H×W))为大于或等于(所有矩形图像块面积之和/H×W)的最小整数;
Max1=ceil((P0×没有被任何分析子图覆盖的矩形图像块面积之和+被分析子图覆盖的矩形图像块面积之和)/(H×W));
ceil((P0×没有被任何分析子图覆盖的矩形图像块面积之和+被分析子图覆盖的矩形图像块面积之和)/(H×W))为大于或等于(P0×没有被任何分析子图覆盖的矩形图像块面积之和+被分析子图覆盖的矩形图像块面积之和)/(H×W)的最小值;P0>1;
基于贪婪算法,在第t帧图像中设置Max2个分析子图,通过Max2个分析子图覆盖所有矩形图像块;
通过对Max1和Max2进行比较,将Max3设置为Max1和Max2中的最小值;
得到分析子图的数量范围[Min,Max3];
在第t帧图像中设置total个分析子图,通过任一分析子图至少覆盖一个矩形图像块,且不同分析子图覆盖不同的矩形图像块;
total=p1×(Max3+Min)×(Max3-Min+1)/2;
根据total,设置精英保留策略的参数:
mem=ceil(total/p2);ceil(total/p2)为大于或等于(total/p2)的最小整数;
S1=ceil(mem/p3);ceil(mem/p3)为大于或等于(mem/p3)的最小整数;
S2=mem-S1;
p1、p2和p3为预置值。
步骤S704,在能够通过将一个或多个矩形图像块搬移至分析子图的空白的情况下,设置目标函数f;
f=α1f1+α2f2+α3f3+α4f4;
其中,α1>0,α2>0,α3>0,α4>0;
f1=(Ψ-N)×H×W;
g'(i,j)为可移动目标Cj距离分析子图Pi的垂直边界距离的较大值与水平边界较大值之和,Ji被分析子图Pi覆盖的可移动目标Cj的编号的集合。
dist(i)返回N×N矩阵D,其中D(i,j)表示Pi和Pj中心点之间的距离,MIN{D}表示按列求最小值,并返回一个N维向量。
约束项为:
可移动目标Ci,/>分析子图Pj覆盖可移动目标Ci,i∈[1,M],j∈[1,N]。
惩罚项为:
其中,J为被至少一个分析子图覆盖的可移动目标Cj的编号集合,I为未被任何分析子图覆盖的可移动目标Ci的编号集合,β为预置值,且β>1。
如图4所示,基于目标函数和惩罚项构成的适应度函数,对分析子图的数量、分析子图的位置及分析子图中的可移动目标的位置进行迭代计算,具体步骤如下:
步骤S7041,适应度函数F=f+δf',计算解的适应度fiti;
步骤S7042,以概率ρ1对解进行局部梯度搜索,并沿着上升方向进行移动;移动步长最大为n个单位;一个单位为分析子图候选位置之间的最小距离;
步骤S7043,从候选解中取出适应度值最大的个体,并作记录。通过连续四次迭代计算,判断最优适应度值是否降低;若判断最优适应度值降低,得到迭代算法收敛到的最优解,转至步骤S7047;否则执行步骤S7044;
步骤S7044,求出解的浓度ci,并结合适应度和浓度求解繁殖率ei;
其中,浓度ci为与第i解相同的解的数量与候选解总数量的比值;
μ1和μ2为预置值;
将候选解按照繁殖率ei从大到小进行排序,并用轮盘赌的方法进行选择;
从候选解中选择S1个适应度值最大的个体和S2个繁殖率最大的个体;
步骤S7045,以概率ρ2对子代个体进行单点交叉操作;
以概率ρ3对子代个体进行单点变异操作;
步骤S7046,将步骤S7045中得到mem个个体直接放进下一代种群当中,转到步骤S7041;
步骤S7047,迭代计算结束。
步骤S705,对步骤S704中迭代计算得到的分析子图的数量、分析子图的位置及分析子图中的可移动目标的位置的进行合理性验证;
具体的,步骤S705,包括:
迭代计算得到解Ω;解Ω包括:分析子图的数量N'、分析子图的位置及分析子图中的可移动目标的位置;
步骤S7051,找出每一个分析子图中最大的至多R个空白矩形,且三个空白矩形不存在包含关系,记为Rk={Rk1,Rk2,...,RkM},k∈[1,N'],若这样的空白矩形数量小于M,则用点来代替不足的部分。图像中未被任何分析子图覆盖的可移动物体Ci,i∈I,其中I为未被任何分析子图覆盖的可移动物体的编号集合;图像中未被任何分析子图覆盖的可移动物体Cj,j∈J,其中J为被分析子图覆盖的可移动物体的编号集合。
步骤S7052,从Ci中选择面积最大的可移动物体Cmax;判断是否存在一个Rki,i∈[1,M]可以包含Cmax;若存在,转至步骤S7053;否则转至步骤S7054,Ω不满足约束条件。
步骤S7053,将Cmax从I中除掉,并加入J中。若I为空,则检验结束,Ω满足约束条件,否则,重新计算第k个分析子图中最大的三个空白矩形,转至步骤S7052。
步骤S7054,检验结束后,判断解Ω是否满足约束项;
若判定解Ω满足约束项,解Ω为近似最优解;
若判定解Ω满足约束条件,以步长step=p4增大惩罚项系数β,并将分析子图最小数量Min加1;如果Min=Max3,则Max3加1,转至步骤S703。
本发明第三实施例所述的一种图像处理方法,当监控视频中可移动物体时,可以通过提取可移动物体的方法,来初步确定视频当中可移动物体的大致位置,并根据可移动物体分布的先验特征,用一定数量的包含视频中任一帧图像全部可移动物体的分析子图来替代视频中任一帧图像,从而保留图片细节特征,比现有检测算法具有更高的精度,并且比将视频中任一帧图像进行分块检测的方法有效地提升了检测速度。
本发明第四实施例,一种图像处理设备,包括以下组成部分:
处理器110和存储器109。在本发明的一些实施例中,这些部件可通过总线或者其它方式连接。
处理器110可以是通用处理器,例如中央处理器(Central Processing Unit,CPU),还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(英文:Application Specific Integrated Circuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。其中,存储器用于存储所述处理器的可执行指令;
存储器109,用于存储程序代码,并将该程序代码传输给处理器110。存储器109可以包括易失性存储器(Volatile Memory),例如随机存取存储器(Random Access Memory,RAM);存储器109也可以包括非易失性存储器(Non-Volatile Memory),例如只读存储器(Read-Only Memory,ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);存储器109还可以包括上述种类的存储器的组合。存储器109通过总线与处理器110相连接。
其中,处理器110用于调用所述存储器109存储的程序代码管理代码,执行本发明第一实施例至本发明第三实施例中任一实施例中部分或全部步骤。
本发明第四实施例所述的一种图像处理设备,当监控视频中可移动物体时,可以通过提取可移动物体的方法,来初步确定视频当中可移动物体的大致位置,并根据可移动物体分布的先验特征,用一定数量的包含视频中任一帧图像全部可移动物体的分析子图来替代视频中任一帧图像,从而保留图片细节特征,比现有检测算法具有更高的精度,并且比将视频中任一帧图像进行分块检测的方法有效地提升了检测速度。
本发明第五实施例,一种计算机可读存储介质。
计算机存储介质可以是RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动硬盘、CD-ROM或者本领域已知的任何其他形式的存储介质。
计算机可读存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现本发明第一实施例至本发明第三实施例中任一实施例中部分或全部步骤。
本发明第五实施例中所述的一种计算机可读存储介质,存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,当监控视频中可移动物体时,可以通过提取可移动物体的方法,来初步确定视频当中可移动物体的大致位置,并根据可移动物体分布的先验特征,用一定数量的包含视频中任一帧图像全部可移动物体的分析子图来替代视频中任一帧图像,从而保留图片细节特征,比现有检测算法具有更高的精度,并且比将视频中任一帧图像进行分块检测的方法有效地提升了检测速度。
通过具体实施方式的说明,应当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解,然而所附图示仅是提供参考与说明之用,并非用来对本发明加以限制。
Claims (11)
1.一种图像处理方法,其特征在于,包括:
将视频中设定帧图像中每一个可移动物体设置为矩形图像块;
通过在所述设定帧图像中设置设定尺寸的分析子图覆盖所述矩形图像块,确定所述分析子图的数量范围,其中,基于所述分析子图的面积,及所有所述矩形图像块的面积之和,确定所述分析子图的数量范围的下限,通过在所述图像中的预置位置上设置所述分析子图覆盖至少一个所述矩形图像块的方式,以及基于贪婪算法,通过在所述图像中设置所述分析子图覆盖所有所述矩形图像块的方式,确定所述分析子图的数量范围的上限;
在预置的约束条件,及所述分析子图的数量范围的限制下,基于遗传算法,根据所述矩形图像块的位置及数量,设置所述分析子图的适应度函数,并对所述适应度函数进行迭代计算,得到所述分析子图的配置参数,其中,所述分析子图的配置参数至少包括以下之一:所述分析子图的数量,所述分析子图在所述设定帧图像中的位置,及所述矩形图像块在所述分析子图中的位置;
对所述配置参数对应的分析子图中的矩形图像块进行检测,以获取所述矩形图像块中的所述可移动物体。
2.根据权利要求1所述的方法,其特征在于,所述矩形图像块为所述可移动物体的最小外接矩形内的图像。
3.根据权利要求1所述的方法,其特征在于,在所述将视频中设定帧图像中每一个可移动物体设置为矩形图像块之前,所述方法还包括:
基于预置的可移动物体分析模型,对所述视频的多个连续帧图像进行计算,得到所述视频的任一帧图像中的不可移动物体;
将所述视频的设定帧图像中的所有物体与所述不可移动物体相减,得到所述设定帧图像中的可移动物体。
4.根据权利要求3所述的方法,其特征在于,在所述得到所述视频的设定帧图像中的可移动物体之后,所述方法还包括:
基于预置的滤波模型,对所述视频的设定帧图像中的可移动物体上的噪声进行过滤。
5.根据权利要求1所述的方法,其特征在于,所述基于所述设定尺寸的分析子图的面积,及所有所述矩形图像块的面积之和,确定所述分析子图的数量范围的下限,包括:
将所有所述矩形图像块的面积之和与所述分析子图的面积的比值向上取整,并设置为所述分析子图的数量范围的下限。
6.根据权利要求1所述的方法,其特征在于,所述通过在所述图像中的预置位置上设置所述分析子图覆盖至少一个所述矩形图像块的方式,以及基于贪婪算法,通过在所述图像中设置所述分析子图覆盖所有所述矩形图像块的方式,确定所述分析子图的数量范围的上限,包括:
基于贪婪算法,通过在所述图像中设置所述分析子图覆盖所有所述矩形图像块,得到所述分析子图的第一数量值;
通过在所述图像中的预置位置上设置所述分析子图覆盖至少一个所述矩形图像块,得到所述分析子图的第二数量值;
将所述第一数量值和所述第二数量值中的较小值设置为所述分析子图的数量范围的上限。
7.根据权利要求1所述的方法,其特征在于,所述预置的约束条件包括:
通过将一个或多个所述矩形图像块移动至所述分析子图中没有覆盖任一所述矩形图像块的空白区域,使所述分析子图覆盖所有所述矩形图像块。
8.根据权利要求1所述的方法,其特征在于,所述适应度函数为分别对目标函数和惩罚函数进行加权求和;
所述目标函数包括:分别对表征所述分析子图数量的函数,表征没有被任一所述分析子图覆盖的矩形图像块数量的函数,表征被移动至所述分析子图的空白区域的矩形图像块数量的函数,及表征任意两个所述分析子图的距离的函数进行加权求和;
所述惩罚函数包括:当所有所述分析子图中没有覆盖所述矩形图像块的空白区域的面积小于或等于没有被任一所述分析子图覆盖的所述矩形图像块的面积之和的设定倍数时,所述惩罚函数为第一预置值;
当所有所述分析子图中没有覆盖所述矩形图像块的空白区域的面积大于没有被任一所述分析子图覆盖的所述矩形图像块的面积之和的设定倍数时,所述惩罚函数为第二预置值。
9.根据权利要求8所述的方法,其特征在于,在所述对所述配置参数对应的分析子图中的矩形图像块进行检测之前,所述方法还包括:
在所述分析子图的配置参数对应的分析子图没有覆盖所有所述矩形图像块的情况下,通过调整所述惩罚函数中的所述设定倍数和/或所述分析子图的数量范围,基于遗传算法,再次对所述适应度函数进行迭代计算,得到所述分析子图的配置参数。
10.一种图像处理设备,其特征在于,所述图像处理设备包括处理器和存储器;
所述处理器用于执行存储器中存储的图像处理程序,以实现根据权利要求1~9中任一项所述的图像处理方法的步骤。
11.一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存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现根据权利要求1~9中任一项所述的图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710325571.6A CN108876811B (zh) | 2017-05-10 | 2017-05-10 | 一种图像处理方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710325571.6A CN108876811B (zh) | 2017-05-10 | 2017-05-10 | 一种图像处理方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876811A CN108876811A (zh) | 2018-11-23 |
CN108876811B true CN108876811B (zh) | 2024-02-02 |
Family
ID=64287716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710325571.6A Active CN108876811B (zh) | 2017-05-10 | 2017-05-10 | 一种图像处理方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876811B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5721595A (en) * | 1996-06-19 | 1998-02-24 | United Microelectronics Corporation | Motion estimation block matching process and apparatus for video image processing |
EP1443460A1 (en) * | 2003-02-03 | 2004-08-04 | C.F.D. Elettronica S.P.A. | A process for digital image processing, in particular in the video monitoring field |
CN102043953A (zh) * | 2011-01-27 | 2011-05-04 | 北京邮电大学 | 一种实时鲁棒的针对特定场景的行人检测方法 |
JP2013003860A (ja) * | 2011-06-16 | 2013-01-07 | Iwate Univ | 物体検出装置及び物体検出プログラム |
CN103262121A (zh) * | 2010-12-20 | 2013-08-21 | 国际商业机器公司 | 移动物体的检测和跟踪 |
CN103679271A (zh) * | 2013-12-03 | 2014-03-26 | 大连大学 | 基于Bloch球面坐标及量子计算的碰撞检测方法 |
-
2017
- 2017-05-10 CN CN201710325571.6A patent/CN108876811B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5721595A (en) * | 1996-06-19 | 1998-02-24 | United Microelectronics Corporation | Motion estimation block matching process and apparatus for video image processing |
EP1443460A1 (en) * | 2003-02-03 | 2004-08-04 | C.F.D. Elettronica S.P.A. | A process for digital image processing, in particular in the video monitoring field |
CN103262121A (zh) * | 2010-12-20 | 2013-08-21 | 国际商业机器公司 | 移动物体的检测和跟踪 |
CN102043953A (zh) * | 2011-01-27 | 2011-05-04 | 北京邮电大学 | 一种实时鲁棒的针对特定场景的行人检测方法 |
JP2013003860A (ja) * | 2011-06-16 | 2013-01-07 | Iwate Univ | 物体検出装置及び物体検出プログラム |
CN103679271A (zh) * | 2013-12-03 | 2014-03-26 | 大连大学 | 基于Bloch球面坐标及量子计算的碰撞检测方法 |
Non-Patent Citations (2)
Title |
---|
刘丽 ; 徐浩 ; 陈瑞生 ; .改进的遗传算法在PCNN参数标定中的应用.机械制造.2013,(第05期),全文. * |
巨永锋,蔺广逢,蔡占华.基于遗传算法的图像识别方法.长安大学学报(自然科学版).2004,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN108876811A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084095B (zh) | 车道线检测方法、车道线检测装置和计算机存储介质 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN111091095B (zh) | 一种遥感图像中船只目标的检测方法 | |
CN110913243B (zh) | 一种视频审核的方法、装置和设备 | |
WO2022134996A1 (en) | Lane line detection method based on deep learning, and apparatus | |
CN116152231B (zh) | 基于图像处理的润滑油内杂质检测方法 | |
CN109948533B (zh) | 一种文本检测方法、装置、设备及可读存储介质 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN112597846B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN109785356B (zh) | 一种视频图像的背景建模方法 | |
CN112669301B (zh) | 一种高铁底板脱漆故障检测方法 | |
CN115331245A (zh) | 一种基于图像实例分割的表格结构识别方法 | |
CN108229473A (zh) | 车辆年检标签检测方法及装置 | |
CN109961065B (zh) | 一种海面舰船目标检测方法 | |
CN110472640B (zh) | 一种目标检测模型预测框处理方法及装置 | |
CN113658199B (zh) | 基于回归修正的染色体实例分割网络 | |
CN107832732B (zh) | 基于三叉树遍历的车道线检测方法 | |
CN112580624B (zh) | 基于边界预测的多方向文本区域检测方法和装置 | |
CN108876811B (zh) | 一种图像处理方法、设备及计算机可读存储介质 | |
CN115170507B (zh) | 基于图像数据的注浆管表面缺陷检测方法及*** | |
CN115880228A (zh) | 多缺陷合并方法、装置、计算机设备及存储介质 | |
CN116563659A (zh) | 一种结合先验知识和特征分类的光学烟雾检测方法 | |
Muzammil et al. | Application of image processing techniques for the extraction of vehicle number plates over ARM target board | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及*** | |
CN106340038B (zh) | 一种基于单目图像中物体的深度次序推理方法 |
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 |