CN110853077B - 一种基于形态变化估计的自适应红外动态帧特征提取方法 - Google Patents
一种基于形态变化估计的自适应红外动态帧特征提取方法 Download PDFInfo
- Publication number
- CN110853077B CN110853077B CN201910987623.5A CN201910987623A CN110853077B CN 110853077 B CN110853077 B CN 110853077B CN 201910987623 A CN201910987623 A CN 201910987623A CN 110853077 B CN110853077 B CN 110853077B
- Authority
- CN
- China
- Prior art keywords
- image
- difference
- infrared
- connected domain
- time interval
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于形态变化估计的自适应红外动态帧特征提取方法,涉及红外图像检测技术领域,通过采集相关设备的红外图像;采用帧间差分法对红外图像进行处理,得到的红外图像监测区域的图像变化范围,根据图像变化范围自适应地调整帧间的时间间隔,当检测区域变化较大时,减少时间间隔;当检测区域变化较小时,增大时间间隔;根据图像变化范围得到检测特征图,通过自适应地调整时间间隔对后续红外图像视频进行帧间差分法处理,采用帧间差分法,并自适应调整间隔时间,能够有效的检测物体的运动,从而提高气体泄漏的检测精度和可靠度。
Description
技术领域
本发明涉及一种红外图像检测方法,尤其涉及一种基于形态变化估计的自适应红外动态帧特征提取方法。
背景技术
帧间差分法是一种通过对视频图像序列中相邻两帧作差分运算来获得运动目标轮廓的方法,一般适用于运动目标检测和摄像机目标移动的场景。帧间差分法将当前每一帧图像与前一时刻获得的帧图像相减,得到两帧图像的像素绝对值,设定阈值判断当前像素是否发生运动,标记为前景或背景。帧差法其优点是获取两幅图像之间的时间间隔较短,对光线场景变化不太敏感,可以适应各种动态环境,能够有效的检测物体的运动;算法实现简单,程序设计复杂。由于目标物体内部像素往往相似度较高,只能在其边缘有较大相应,故难以准确检测出完整目标物体。
采用相邻帧间差分法,帧间时间间隔选取是关键之一,此外还依赖于监视的物体的运动速度。对检测到运动速度较慢的物体,选择较大的时间间隔,如果选择时间间隔不适当,将造成相邻两帧图像相似度较高,无法检测到物体;相反对于检测快速运动的物体时,应该减小时间间隔,如果选择得不适当,两帧图像变化较大,对检测造成较大误差。
发明内容
本发明的目的在于提供一种基于形态变化估计的自适应红外动态帧特征提取方法,从而克服了现有相邻帧间差分法用于运动检测时,由于帧间间隔选取不当,导致检测误差等缺点。
为实现上述目的,本发明提供了一种基于形态变化估计的自适应红外动态帧特征提取方法,包括:采集相关设备的红外图像;采用帧间差分法对所述红外图像进行处理,得到的红外图像监测区域的图像变化范围,根据所述图像变化范围自适应地调整帧间的时间间隔,当所述检测区域变化较大时,减少所述时间间隔;当所述检测区域变化较小时,增大所述时间间隔;根据所述图像变化范围得到检测特征图,通过自适应地调整所述时间间隔对后续红外图像视频进行帧间差分法处理。
进一步的,采用所述帧间差分法对所述红外图像进行处理包括以下步骤:
将当前采集到的红外图像与前一时刻获得的红外图像求取差值图像,根据所述差值图像处理得到差值图;
根据所述差值图遍历差值图像得到遍历差值图像,设定遍历差值图像阈值,根据所述遍历差值图像阈值将所述遍历差值图像转化为二值图像;
根据所述差值图像和二值图像确定二值图像中的连通域;
计算所述二值图像的连通域中面积最大的三个连通域,并分别记录相应的中心点像素,所述连通域为红外图像监测区域的图像变化范围。
进一步的,所述差值图为差值图像的差值的绝对值。
进一步的,所述帧间差分法多次循环执行。
进一步的,多次循环执行后,判断最大的三个所述连通域在相邻的两次循环执行后是否为同一连通域,在相邻两次二值图像中比较同一连通域的面积得到差值面积,根据所述差值面积自适应的调整所述时间间隔。
进一步的,判断最大的三个所述连通域在相邻的两次循环执行后是否为同一连通域的判据为:计算最大的三个所述连通域的中心像素之间的最小欧式距离是否小于连通域半径,若所述最小欧式距离小于相应的连通域半径,则记为相邻两帧中出现的同一连通域,并对其作进一步分析;若所述最小欧式距离大于相应的连通域半径,则记为非相邻两帧中出现同一连通域,舍去该连通域,不对其进行后续分析。
进一步的,计算二值图像的连通域面积中面积最大的三个区域之前,对所述二值图像进行滤波,滤除孤立的单个像素点。
进一步的,根据所述差值图像和二值图像确定连通域为:若所述差值图像的像素小于设定的差值图像阈值,则所述二值图像中对应像素设置为0,若所述差值图像的像素大于设定的差值图像阈值,则所述二值图像中对应像素设置为1;在所述二值图像中,满足相邻帧的同一位置的像素值为1,且位于8邻域内,则表示为同一连通域,否则为不同的连通域。
与现有的技术相比,本发明具有如下有益效果:
本发明所提供的一种基于形态变化估计的自适应红外动态帧特征提取方法,通过采集相关设备的红外图像;采用帧间差分法对红外图像进行处理,得到的红外图像监测区域的图像变化范围,根据图像变化范围自适应地调整帧间的时间间隔,当检测区域变化较大时,减少时间间隔;当检测区域变化较小时,增大时间间隔;根据图像变化范围得到检测特征图,通过自适应地调整时间间隔对后续红外图像视频进行帧间差分法处理,采用帧间差分法,并自适应调整间隔时间,能够有效的检测物体的运动,从而提高气体泄漏的坚持精度和可靠度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例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个实施例,对于本领域普通技术人员来说,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他的附图。
图1是本发明一种基于形态变化估计的自适应红外动态帧特征提取方法的流程图。
具体实施方式
下面结合本发明实施例中的附图,对本发明中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,本领域普通技术人员在没有作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。
如图1所示,本发明所提供的一种基于形态变化估计的自适应红外动态帧特征提取方法包括以下步骤:
S1、采集相关设备的红外图像;
t-1时刻图像采集的红外图像记为M0,t时刻图像采集的红外图像记为M1,M1为当前采集到的红外图像。得到初始两帧图像,可根据两图得到的差值图,处理得到运动区域连通域,作为后续判定分析提供对比。
S2、采用帧间差分法对红外图像进行处理,得到的红外图像监测区域的图像变化范围,具体包括以下步骤:
S21、将当前采集到的红外图像M1与t-1时刻获得的红外图像M0求取差值图像,根据差值图像处理得到差值图D0,差值图D0为差值图像的差值的绝对值;
S22、根据差值图D0遍历差值图像得到遍历差值图像,设定遍历差值图像阈值,根据遍历差值图像阈值将遍历差值图像转化为二值图像B0;
式(1)中,xi和yj分别为差值图D0中第i行,第j列像素坐标,n和m分别为D0的最大行数,最大列数。
得到二值图像后,后续图像帧重复此操作,可得到每帧间图像的二值图像,得到二值图像目的在于简化后续的计算与分析。
S23、根据所述差值图像和二值图像确定二值图像中的连通域;若差值图像的像素小于设定的差值图像阈值,则二值图像中对应像素设置为0,若差值图像的像素大于设定的差值图像阈值,则二值图像中对应像素设置为1;在二值图像中,满足相邻帧的同一位置的像素值为1,且位于8邻域内,则表示为同一连通域,否则为不同的连通域。
S24、采用大小为3×3的中值滤波器对二值图像进行滤波,通过该中值滤波器滤波能够有效滤除单个孤立像素点,保留原图像区域特性不变;计算滤波后的二值图像的连通域中面积最大的三个连通域,并分别记录相应的中心点像素pi(x,y)。根据所述的帧差法得到的差值图像,若差值图像像素小于设定阈值设置为0,若差值图像像素大于设定阈值则设置为1。在得到的二值图像中,满足两像素值为1且位于8邻域内,则表示为同一连通域,否则视为不同的连通域,连通域为红外图像监测区域的图像变化范围,即得到检测特征图。
S24、多次循环执行S21-S23,判断最大的三个连通域在相邻的两次循环执行后是否为同一连通域,在相邻两次二值图像中比较同一连通域的面积得到差值面积;
判断最大的三个连通域在相邻的两次循环执行后是否为同一连通域的判据为:计算最大的三个连通域的中心像素pi(x,y)之间的最小欧式距离是否小于连通域半径,若最小欧式距离小于相应的连通域半径,则记为相邻两帧中出现的同一连通域,并对其作进一步分析;若最小欧式距离大于相应的连通域半径,则记为非相邻两帧中出现同一连通域,舍去该连通域,不对其进行后续分析。
S3、根据图像变化范围自适应地调整帧间的时间间隔,即根据差值面积自适应的调整时间间隔;当检测区域变化较大时,减少时间间隔;当检测区域变化较小时,增大时间间隔,从而提高气体泄漏的检测精度与可靠度。
S4、通过时间间隔对后续红外图像视频进行帧间差分法处理。
以上所揭露的仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或变型,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于形态变化估计的自适应红外动态帧特征提取方法,其特征在于:采集相关设备的红外图像;采用帧间差分法对所述红外图像进行处理,得到的红外图像监测区域的图像变化范围,根据所述图像变化范围自适应地调整帧间的时间间隔,当检测区域变化较大时,减少所述时间间隔;当所述检测区域变化较小时,增大所述时间间隔;根据所述图像变化范围得到检测特征图,通过自适应地调整所述时间间隔对后续红外图像视频进行帧间差分法处理;
采用所述帧间差分法对所述红外图像进行处理包括以下步骤:
将当前采集到的红外图像与前一时刻获得的红外图像求取差值图像,根据所述差值图像处理得到差值图;
根据所述差值图遍历差值图像得到遍历差值图像,设定遍历差值图像阈值,根据所述遍历差值图像阈值将所述遍历差值图像转化为二值图像;
根据所述差值图像和二值图像确定二值图像中的连通域;
计算所述二值图像的连通域中面积最大的三个连通域,并分别记录相应的中心点像素,所述连通域为红外图像监测区域的图像变化范围;
所述帧间差分法多次循环执行;
多次循环执行后,判断最大的三个所述连通域在相邻的两次循环执行后是否为同一连通域,在相邻两次二值图像中比较同一连通域的面积得到差值面积,根据所述差值面积自适应的调整所述时间间隔;
判断最大的三个所述连通域在相邻的两次循环执行后是否为同一连通域的判据为:计算最大的三个所述连通域的中心像素之间的最小欧式距离是否小于连通域半径,若所述最小欧式距离小于相应的连通域半径,则记为相邻两帧中出现的同一连通域,并对其作进一步分析;若所述最小欧式距离大于相应的连通域半径,则记为非相邻两帧中出现同一连通域,舍去该连通域,不对其进行后续分析。
2.根据权利要求1所述的基于形态变化估计的自适应红外动态帧特征提取方法,其特征在于:所述差值图为差值图像的差值的绝对值。
3.根据权利要求1所述的基于形态变化估计的自适应红外动态帧特征提取方法,其特征在于:计算二值图像的连通域面积中面积最大的三个区域之前,对所述二值图像进行滤波,滤除孤立的单个像素点。
4.根据权利要求1所述的基于形态变化估计的自适应红外动态帧特征提取方法,其特征在于:根据所述差值图像和二值图像确定连通域为:若所述差值图像的像素小于设定的差值图像阈值,则所述二值图像中对应像素设置为0,若所述差值图像的像素大于设定的差值图像阈值,则所述二值图像中对应像素设置为1;在所述二值图像中,满足相邻帧的同一位置的像素值为1,且位于8邻域内,则表示为同一连通域,否则为不同的连通域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910987623.5A CN110853077B (zh) | 2019-10-17 | 2019-10-17 | 一种基于形态变化估计的自适应红外动态帧特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910987623.5A CN110853077B (zh) | 2019-10-17 | 2019-10-17 | 一种基于形态变化估计的自适应红外动态帧特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110853077A CN110853077A (zh) | 2020-02-28 |
CN110853077B true CN110853077B (zh) | 2023-05-30 |
Family
ID=69597302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910987623.5A Active CN110853077B (zh) | 2019-10-17 | 2019-10-17 | 一种基于形态变化估计的自适应红外动态帧特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110853077B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311301B (zh) * | 2021-05-28 | 2022-11-04 | 广东电网有限责任公司 | 一种电力设备绝缘性能试验方法和*** |
CN113361504B (zh) * | 2021-08-10 | 2021-11-16 | 南京邮电大学 | 一种基于无人机协同组网的边缘群体智能方法 |
CN116805433B (zh) * | 2023-06-27 | 2024-02-13 | 北京奥康达体育科技有限公司 | 一种人体运动轨迹数据分析*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384355A (zh) * | 2016-09-21 | 2017-02-08 | 安徽慧视金瞳科技有限公司 | 一种投影交互***中的自动标定方法 |
CN108038883A (zh) * | 2017-12-06 | 2018-05-15 | 陕西土豆数据科技有限公司 | 一种应用于公路路面视频图像的裂缝检测及识别方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3110219B2 (ja) * | 1993-09-13 | 2000-11-20 | 株式会社ユニシアジェックス | 車両懸架装置 |
CN101533474B (zh) * | 2008-03-12 | 2014-06-04 | 三星电子株式会社 | 基于视频图像的字符和图像识别***和方法 |
US8531517B2 (en) * | 2010-07-15 | 2013-09-10 | Kai Tao | IV monitoring by video and image processing |
CN102867311B (zh) * | 2011-07-07 | 2015-11-25 | 株式会社理光 | 目标跟踪方法和目标跟踪设备 |
CN102708651B (zh) * | 2012-05-23 | 2017-03-08 | 无锡蓝天电子股份有限公司 | 一种图像型烟雾火灾探测方法及*** |
US9569679B1 (en) * | 2012-12-04 | 2017-02-14 | A9.Com, Inc. | Adaptive image sampling for text detection |
CN105391971B (zh) * | 2014-08-25 | 2019-07-12 | 株式会社理光 | 图像处理装置、图像处理***以及图像处理方法 |
CN105261030B (zh) * | 2015-11-26 | 2019-01-15 | 四川汇源光通信有限公司 | 从红外视频中检测火焰的方法及装置 |
US10445883B1 (en) * | 2017-05-15 | 2019-10-15 | Ambarella, Inc. | ID recycle mechanism for connected component labeling |
CN107705288B (zh) * | 2017-09-04 | 2021-06-01 | 武汉工程大学 | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 |
CN107860564B (zh) * | 2017-09-25 | 2019-10-18 | 广西电网有限责任公司电力科学研究院 | 一种用于高压断路器操作弹簧的疲软状态在线测试装置 |
CN108960070A (zh) * | 2018-06-05 | 2018-12-07 | 河海大学文天学院 | 一种水位高程检测***及其方法 |
CN109100370A (zh) * | 2018-06-26 | 2018-12-28 | 武汉科技大学 | 一种基于投影法和连通域分析的pcb板缺陷检测方法 |
CN110163869B (zh) * | 2019-04-18 | 2023-01-03 | 深圳大学 | 一种图像重复元素分割方法、智能设备及存储介质 |
-
2019
- 2019-10-17 CN CN201910987623.5A patent/CN110853077B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384355A (zh) * | 2016-09-21 | 2017-02-08 | 安徽慧视金瞳科技有限公司 | 一种投影交互***中的自动标定方法 |
CN108038883A (zh) * | 2017-12-06 | 2018-05-15 | 陕西土豆数据科技有限公司 | 一种应用于公路路面视频图像的裂缝检测及识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110853077A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110853077B (zh) | 一种基于形态变化估计的自适应红外动态帧特征提取方法 | |
US20210383102A1 (en) | Gesture shaking recognition method and apparatus, and gesture recognition method | |
JP6835215B2 (ja) | 画像処理方法及び装置 | |
US20190206065A1 (en) | Method, system, and computer-readable recording medium for image object tracking | |
CN111027398A (zh) | 行车记录仪视频遮挡检测方法 | |
CN105046719B (zh) | 一种视频监控方法及*** | |
CN110610150A (zh) | 一种目标运动物体的跟踪方法、装置、计算设备和介质 | |
CN111353496B (zh) | 一种红外弱小目标实时检测方法 | |
Sakpal et al. | Adaptive background subtraction in images | |
CN107067417A (zh) | Lk光流法和三帧差法结合的运动目标检测方法 | |
CN108364306B (zh) | 一种高速周期运动的视觉实时检测方法 | |
Zhang et al. | Moving objects detection method based on brightness distortion and chromaticity distortion | |
CN114613006A (zh) | 一种远距离手势识别方法及装置 | |
Zheng et al. | An automatic moving object detection algorithm for video surveillance applications | |
CN104463910B (zh) | 基于运动矢量的高速运动目标提取方法 | |
Sidnev et al. | Efficient camera tampering detection with automatic parameter calibration | |
Xu et al. | Moving target tracking based on adaptive background subtraction and improved camshift algorithm | |
Chuang et al. | Moving object segmentation and tracking using active contour and color classification models | |
CN114998788A (zh) | 一种基于视频分析的烟雾判定方法 | |
CN114998283A (zh) | 一种镜头遮挡物检测方法及装置 | |
CN114648730A (zh) | 一种梯度统计结合局部匹配的红外目标跟踪方法及*** | |
Zhang et al. | A traffic flow detection system combining optical flow and shadow removal | |
Fan et al. | Double-threshold image segmentation method based on gray gradient | |
Su et al. | Shadow removal using background reconstruction | |
Xiao et al. | Research on moving object detection and tracking |
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 |