CN113780110A - 一种图像序列中弱小目标实时检测方法及设备 - Google Patents
一种图像序列中弱小目标实时检测方法及设备 Download PDFInfo
- Publication number
- CN113780110A CN113780110A CN202110980665.3A CN202110980665A CN113780110A CN 113780110 A CN113780110 A CN 113780110A CN 202110980665 A CN202110980665 A CN 202110980665A CN 113780110 A CN113780110 A CN 113780110A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- target
- initial background
- image sequence
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000012805 post-processing Methods 0.000 claims abstract description 9
- 238000013145 classification model Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000011897 real-time detection Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30212—Military
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像序列中弱小目标实时检测方法及设备。图像序列中弱小目标实时检测方法包括:采集固定视场下的图像序列;基于图像序列的第一帧图像构建初始背景模型,并基于初始背景模型,对第一帧图像的后续图像序列进行前背景像素分割;利用所有分割得到的背景区域的像素更新初始背景模型,并基于更新后的初始背景模型,对所有分割得到的前景区域进行后处理、轮廓提取处理,以获得目标边界框;基于目标边界框,确定目标。本发明通过图像间逐个像素对比的方法在图像中识别目标并最终输出目标位置边界框和目标类别。提高了弱小目标识别的精准度,减少了识别过程中的计算量,具有更广泛的适用性。
Description
技术领域
本发明涉及计算机视觉目标检测技术领域,尤其涉及一种弱小目标的实时检测方法及设备。
背景技术
计算机视觉中的目标检测技术通常指利用图像传感器采集相应场景的图像并结合一定的算法策略自动将图像中所有的兴趣目标标注出位置边界框和类别的过程。目标检测技术广泛应用于军事侦查、安防监控、自动驾驶、工业自动化、智能医疗等领域,能够大幅提高***智能化程度、节省人力资源、辅助人类决策,具有较大的潜在经济效益。在军事领域,光电侦查监视设备正从传统的人工操纵搜索目标向自动检测发现目标发展,有效提升军队的情报侦查能力,而目标检测技术是其中不可缺少的关键环节。
目前,大多数目标检测算法采用深度卷积神经网络模型,通过大量的数据集训练,逐步提高目标检测的精确度,但其对目标尺寸、清晰度有一定的要求,对与图像背景对比度低、移动的弱小目标检测率低,且模型通常较大、计算代价高,应用于光电侦查***的边缘计算设备仍有较大局限性。
发明内容
本发明实施例提供一种图像序列中弱小目标实时检测方法及设备,用以解决现有技术中对与图像背景对比度低的弱小目标检测率低、计算代价高和对边缘计算设备适用性低的问题。
根据本发明一方面实施例的弱小目标实时检测方法,包括:
采集固定视场下的图像序列;
基于所述图像序列的第一帧图像构建初始背景模型,并基于所述初始背景模型,对所述第一帧图像的后续图像序列进行前背景像素分割;
利用所有分割得到的背景区域的像素更新所述初始背景模型,并基于更新后的初始背景模型,对所有分割得到的前景区域进行后处理、轮廓提取处理,以获得目标边界框;
基于所述目标边界框,确定目标。
根据本发明的一些实施例,所述方法还包括:
在基于所述图像序列的第一帧图像构建初始背景模型之前,对所述图像序列进行降噪处理。
根据本发明的一些实施例,所述对所述图像序列进行降噪处理,包括:
对所述图像序列中的每一帧图像进行中值滤波处理。
根据本发明的一些实施例,所述基于所述图像序列的第一帧图像构建初始背景模型,包括:
向第一帧图像的所有像素灰度值叠加[-a,a]间均匀分布的随机数,重复N次,以生成N幅初始背景样本图。
根据本发明的一些实施例,所述基于所述初始背景模型,对所述第一帧图像的后续图像序列进行前背景像素分割,包括:
将所述第一帧图像后的每一帧图像的每一像素灰度值与所述N幅初始背景样本图的像素灰度值逐一相减后求绝对值,若所述绝对值小于灰度差阈值,则该像素的背景匹配度加一,若最终统计得到该像素的背景匹配度大于样本匹配阈值,则判定该像素为背景像素,同时将该像素在图像中的灰度值置0;反之则判定该像素为前景像素,同时将该像素在图像中的灰度值置为b。
根据本发明的一些实施例,所述利用所有分割得到的背景区域的像素更新所述初始背景模型,包括:
从所述背景区域的首个像素开始,每间隔j个像素选取一个像素点作为更新所述初始背景模型的第一像素点;
若所述第一像素点为背景点,则从N幅所述初始背景样本图中随机选取一幅作为待更新初始背景样本图,并用所述第一像素点对所述待更新初始背景样本图中对应像素点进行替换更新;
随机选取所述第一像素点周围邻域中的一个邻域像素点,并用该邻域像素点对N幅所述初始背景样本图中的一幅进行替换更新。
根据本发明的一些实施例,所述基于更新后的初始背景模型,对所有分割得到的前景区域进行后处理、轮廓提取处理,以获得目标边界框,包括:
对所述前景区域进行腐蚀、膨胀处理;
基于更新后的初始背景模型,对腐蚀、膨胀处理后的前景区域进行鬼影消除处理,以更新前景区域;
对更新后的前景区域进行孔洞填充处理;
对孔洞填充处理后的前景区域进行腐蚀后,并对腐蚀处理前后的前景区域进行差分处理,以获得目标边界框。
根据本发明的一些实施例,所述基于所述目标边界框,确定目标,包括:
构建并训练softmax分类模型;
将所述目标边界框输入训练好的softmax分类模型中,以输出目标位置边界框和目标类别。
根据本发明另一方面的实施例提供的弱小目标实时检测设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的图像序列中弱小目标实时检测方法的步骤。
根据本发明再一方面的实施例提供的计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如上所述的图像序列中弱小目标实时检测方法的步骤。
采用本发明方案,先采集固定视场下的图像序列,然后建立初始背景模型,通过利用其它图像序列像素与对应的初始背景模型像素逐一比对,提取图像中目标区域,最后对图像中的目标进行检测识别,利用背景估计定位弱小目标,可以提高算法在复杂背景和低对比度条件下对目标的提取能力,避免耗时的滑窗卷积定位过程,减少了计算代价、提高了针对不同计算平台的适用性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在附图中:
图1是本发明实施例的图像序列中弱小目标实时检测方法流程示意图;
图2是本发明实施例的图像序列中弱小目标实时检测方法流程示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明一方面的实施例提供一种图像序列中弱小目标实时检测方法,结合图1所示,所述检测方法,包括:
S1.采集固定视场下的图像序列;所述图像序列为通过图像采集设备对某一场景下不同时间所采集的多副图像组合;
S2.基于所述图像序列的第一帧图像构建初始背景模型,并基于所述初始背景模型,对所述第一帧图像的后续图像序列进行前背景像素分割;前背景像素分割可以理解为将图像分割为前景区域和背景区域。
S3.利用所有分割得到的背景区域的像素更新所述初始背景模型,并基于更新后的初始背景模型,对所有分割得到的前景区域进行后处理、轮廓提取处理,以获得目标边界框;
S4.基于所述目标边界框,确定目标。
本发明基于所述采集图像序列的第一帧图像建立初始背景模型,通过将后续图像与初始背景模型逐一对比的方法将后续图像的前背景像素分割,通过分割后的前景像素进行目标提取从而获得目标边界框并确定目标。采用将图像中像素逐一对比的方法对目标进行检测,提高了对弱小目标识别的精准度,提升了目标检测概率,相对于现有技术中滑窗识别等方法减少了计算量,增加了对各计算平台的适用性。
在上述实施例的基础上,进一步提出各变型实施例,在此需要说明的是,为了使描述简要,在各变型实施例中仅描述与上述实施例的不同之处。
根据本发明的一些实施例,所述方法还包括:
在基于所述图像序列的第一帧图像构建初始背景模型之前,对所述图像序列进行降噪处理。通过所述降噪处理,可以降低图像脉冲噪声对本发明后续操作的影响,进一步提升了目标识别的准确性并减少了后续的计算量。
根据本发明的一些实施例,所述对所述图像序列进行降噪处理,包括:
对所述图像序列中的每一帧图像进行中值滤波处理。例如,采取窗口尺寸5*5的中值滤波器,对图像进行去噪处理。
采用中值滤波对采集的图形进行降噪处理,采用中值滤波既能保护图像的边缘,能达到去除噪音的效果,且计算量较小。
根据本发明的一些实施例,也可以采用均值滤波器、自适应维纳滤波器、形态学噪声滤除器等进行噪音处理。
根据本发明的一些实施例,所述基于所述图像序列的第一帧图像构建初始背景模型,包括:
向第一帧图像的所有像素灰度值叠加[-a,a]间均匀分布的随机数,重复N次,以生成N幅初始背景样本图。通过随机数叠加,对于每个像素都获得了容量为N的初始背景样本集合,可以提升初始背景模型的噪声容忍度。
根据本发明的一些实施例,所述基于所述初始背景模型,对所述第一帧图像的后续图像序列进行前背景像素分割,包括:
将所述第一帧图像后的每一帧图像的每一像素灰度值与所述N幅初始背景样本图的像素灰度值逐一相减后求绝对值,若所述绝对值小于灰度差阈值,则该像素的背景匹配度加一,若最终统计得到该像素的背景匹配度大于样本匹配阈值,则判定该像素为背景像素,同时将该像素在图像中的灰度值置0;反之则判定该像素为前景像素,同时将该像素在图像中的灰度值置为b。
所述灰度差阈值与匹配阈值综合决定了前景分割的灵敏度,通常灵敏度越高,越能提取弱小目标,但同时也会产生一些噪点,应用过程中可以根据场景复杂程度和目标特性或者需求进行参数的调整,使本发明具有广泛的适用性。
根据本发明的一些实施例,所述基于所述初始背景模型,对所述第一帧图像的后续图像序列进行前背景像素分割,还包括:
基于阈值的分割方法,通过图像的背景和图像的前景在灰度值上存在差异,设定不同的阈值,将图像中的每个像素灰度值与阈值进行比较,最终将图像分割为前景与背景。阈值的设定可以固定某像素值作为阈值点,也可以通过迭代阈值计算确定阈值点,还可以通过自适应阈值图像分割,在自适应阈值图像分割法中用大津法(OTSU)可以增大分割的正确率。
根据本发明的一些实施例,所述基于所述初始背景模型,对所述第一帧图像的后续图像序列进行前背景像素分割,还包括:
基于边缘的分割方法,因为图像中两个不同区域的边界线上连续的像素的集合,是图像局部特征不连续性的反映,体现了灰度、颜色、纹理等图像特性的突变。一般,可以基于灰度值进行边缘检测,边缘两边像素的灰度值存在着明显的差异,可以使用微分算子进行边缘检测,即使用一阶导数的极值与二阶导数的过零点来确定边缘,具体实现时可以使用图像与模板进行卷积来完成图像前景与背景的分割。
根据本发明的一些实施例,所述利用所有分割得到的背景区域的像素更新所述初始背景模型,包括:
从所述背景区域的首个像素开始,每间隔j个像素选取一个像素点作为更新所述初始背景模型的第一像素点;
所述间隔数字j为[0,J]区间均匀分布的随机数,J为预设的更新参数,可以根据所采集场景图像序列时间变化的快慢进行参数的调整。
若所述第一像素点为背景点,则从N幅所述初始背景样本图中随机选取一幅作为待更新初始背景样本图,并用所述第一像素点对所述待更新初始背景样本图中对应像素点进行替换更新;
随机选取所述第一像素点周围邻域中的一个邻域像素点,并用该邻域像素点对N幅所述初始背景样本图中的一幅进行替换更新。
所述背景区域像素通常灰度变化较为缓慢,故背景区域像素一般不需要全部用于更新初始背景模型;通过随机抽取像素点的方式可以大幅度降低计算时间,提升计算效率,且所有像素拥有相同的更新频率,可保证在一段时间后所有像素的背景模板均得到更新。
根据本发明的一些实施例,所述基于更新后的初始背景模型,对所有分割得到的前景区域进行后处理、轮廓提取处理,以获得目标边界框,包括:
对所述前景区域进行腐蚀、膨胀处理;例如:可以是对前景区域进行形态学操作开运算,用尺寸适合的矩形模板先对前景区域进行腐蚀处理,再进行膨胀处理,用以去除部分前景噪音。
基于更新后的初始背景模型,对腐蚀、膨胀处理后的前景区域进行鬼影消除处理,以更新前景区域;例如:根据目标极性特征,对前景区域的某一像素,计算所述初始背景模型中N副所述初始背景样本图的灰度均值并于该像素灰度值作差,若差值大于0且目标极性为白,或者差值小于0且目标极性为黑,则将所述前景区域像素重新判定为背景像素。
对更新后的前景区域进行孔洞填充处理;
对孔洞填充处理后的前景区域进行腐蚀后,并对腐蚀处理前后的前景区域进行差分处理,以获得目标边界框。
通过进行腐蚀、膨胀处理可以去除部分前景噪音,减少了后续的计算量,对前景区域进行鬼影消除处理,使前景区域中反映目标的像素更加准确,提高了对目标识别的准确性。
根据本发明的一些实施例,所述对腐蚀处理前后的前景区域进行差分处理后,设定所述图形水平方向为横轴x,所述图像竖直方向为纵轴y建立坐标系,对所述前景图像进行行列的遍历搜索,可获得所述前景图像反映目标像素的坐标集合,取坐标集合在x、y方向上的最大值和最小值作为目标边界框的位置。
根据本发明的一些实施例,所述基于所述目标边界框,确定目标,包括:
构建并训练softmax分类模型;通过目标边界框计算目标面积、宽高比、目标面积比,并对目标类别进行标注;所述目标面积为目标实际所占像素总数,所述宽高比为目标轮廓边界框的宽高比,所述面积比为目标面积与轮廓边界框面积之比。对计算的相关数据进行标准化和扩增处理,基于所述数据构建softmax分类模型以及训练数据集和验证数据集。
将所述目标边界框输入训练好的softmax分类模型中,以输出目标位置边界框和目标类别。
下面参照图2,以一个具体的实施例详细描述根据本发明实施例的图像序列中弱小目标实时检测方法。值得理解的是,下述描述仅是示例性说明,而不是对本发明的具体限制。凡是采用本发明的相似结构及其相似变化,均应列入本发明的保护范围。
本发明实施例的图像序列中弱小目标实时检测方法,包括:
S11.采集固定视场下的图像序列,将图像序列按照采集时间顺序标记为第一帧图像、第二帧图像...第P帧图像;
S12.对每一帧图像使用卷积核尺寸5*5的中值滤波进行预处理,用于降低图像噪声对后续处理的影响;
S13.利用第一帧图像构建初始背景模型,向第一帧图像的所有像素灰度值叠加[-10,10]间均匀分布的随机数,重复20次生成20幅初始背景样本图,对于每个像素,其获得了容量为20的初始背景样本集合。
S14.从第二帧图像开始,将经过中值滤波预处理后的图像与当前背景模型进行逐像素统计比对,进一步,将前背景分割的灰度差阈值G设定为10,将样本匹配阈值设置为5,对于每一个像素,将其灰度值与20个样本灰度逐一相减求绝对值,若绝对值小于10,其背景匹配度M加一,若最终统计得到该像素背景匹配度大于5,则判定该像素为背景像素,同时将分割图像中该像素灰度值置为0;反之若其背景匹配度小于等于5,判定该像素为前景像素,同时将分割图像中该像素灰度值置为255(8bit图像),遍历图像所有像素后得到完整的前背景分割图。
S15.利用分割得到的背景区域像素更新当前背景模板,更新方式为时域、空域上的随机选择替换;从前背景分割图像的首个像素开始,每间隔j个像素选取一个像素点作为该帧需要更新背景模板的像素,其中j为[0,20]间均匀分布的随机数,且每次间隔选取均需要生成新的随机数实例j;若选取的像素点为前景点,则不用于背景样本集的更新。
若随机间隔选取的某像素点为背景点,则生成一个[0,19]间均匀分布的随机数,用于随机选取该像素对应20个背景样本中的一个,并用该像素灰度值替换更新;生成一个[0,7]间均匀分布的随机数,用于随机选取该像素8邻域中的一个邻域像素,并用该像素灰度值替换更新邻域像素的背景模型中的一个样本。
S16.对前背景分割图像进行后处理,消除噪声和鬼影并填充孔洞,便于后续处理中提取兴趣目标;例如,消除噪声采用尺寸3*3的矩形模板对前景分割图像进行腐蚀、膨胀处理。鬼影消除处理中,对于某一前景像素点,计算其背景样本集灰度均值并与该像素灰度作差,若差值大于0且目标极性为白,或差值小于0且目标极性为黑,则将该前景像素点重新判定为背景像素,将前背景分割图中该像素灰度置为0。
S17.对经后处理的前景图像进行轮廓提取处理,定位目标边界框;具体的,对二值分割图像的边界进行1个像素宽度的0填充,填充图像尺寸为1922*1082;采用3*3的模板对图像进行腐蚀操作,并与腐蚀前图像差分得到轮廓图。对轮廓图行列遍历找到第一个灰度255的像素作为目标轮廓搜索起始点,顺时针遍历轮廓点,并在其8邻域中找到下一个轮廓点,直到搜索回到起始点,得到一个完整的目标轮廓点集;取轮廓点集坐标的在x、y轴上的最大值和最小值作为单体目标的定位框。
获取样本图像序列,并提取每个样本图像的目标边界框,计算所述目标面积、宽高比、目标/矩形面积比并人工标注目标类别,经过数据标准化和扩增处理,构建softmax分类模型的训练数据集和验证数据集;训练softmax分类模型并验证其分类精确度;标注数据集的训练集和验证集分配比例为8:2;数据标准化采用以下公式:
公式中s是标准差,n是训练集中标注为同类目标的个数,xi与yi是特征向量。
S18.将已获得目标边界框的待检测图像序列并送入训练好的softmax模型。
S19.输出目标位置边界框和目标类别。
本发明通过采用像素的逐一比对来识别弱小目标,提升了识别的精准度。并且增加了对所采集的图像序列进行中值滤波预处理、基于第一帧图像生成多副灰度值不同的样本图、背景模型更新和前景区域后处理等步骤,在消除影响目标识别的噪声同时,进一步降低了计算量,使所述检测方案的适用性更加广泛。
本发明的另一方面实施例提供一种图像序列中弱小目标实时检测设备;所述检测设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上述任一个实施例或者其自由组合所述的图像序列中弱小目标实时检测方法的步骤。
根据本发明的一些实施例,所述存储器和处理器可通过总线或者其他方式连接。所述存储器用于储存所述计算机程序,并将所述计算机程序传输给处理器。所述存储器可以包括易失性存储器,例如随机存取存储器(RAM);存储器也可以包括非易失性存储器,例如只读存储器(ROM)、快闪存储器、硬盘或者以上种类存储器的组合。所述处理器可以是通用处理器,例如中央处理器(CPU),还可以是数字信号处理器(DSP)、专用集成电路处理器(ASIC)等。
本发明的再一方面提供一种计算机可读存储介质;根据本发明的一些实施例所述的计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如上述任一个实施例或者其自由组合所述的图像序列中弱小目标实时检测方法的步骤。所述计算机可读存储介质可以是RAM存储器、闪存、ROM存储器、EPROM存储器、EEPRON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。
需要说明的是,以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,可以将本发明的各个实施例进行自由组合,也可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。在本说明书的描述中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
Claims (10)
1.一种图像序列中弱小目标实时检测方法,其特征在于,包括:
采集固定视场下的图像序列;
基于所述图像序列的第一帧图像构建初始背景模型,并基于所述初始背景模型,对所述第一帧图像的后续图像序列进行前背景像素分割;
利用所有分割得到的背景区域的像素更新所述初始背景模型,并基于更新后的初始背景模型,对所有分割得到的前景区域进行后处理、轮廓提取处理,以获得目标边界框;
基于所述目标边界框,确定目标。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
在基于所述图像序列的第一帧图像构建初始背景模型之前,对所述图像序列进行降噪处理。
3.如权利要求2所述的方法,其特征在于,所述对所述图像序列进行降噪处理,包括:
对所述图像序列中的每一帧图像进行中值滤波处理。
4.如权利要求1所述的方法,其特征在于,所述基于所述图像序列的第一帧图像构建初始背景模型,包括:
向第一帧图像的所有像素灰度值叠加[-a,a]间均匀分布的随机数,重复N次,以生成N幅初始背景样本图。
5.如权利要求4所述的方法,其特征在于,所述基于所述初始背景模型,对所述第一帧图像的后续图像序列进行前背景像素分割,包括:
将所述第一帧图像后的每一帧图像的每一像素灰度值与所述N幅初始背景样本图的像素灰度值逐一相减后求绝对值,若所述绝对值小于灰度差阈值,则该像素的背景匹配度加一,若最终统计得到该像素的背景匹配度大于样本匹配阈值,则判定该像素为背景像素,同时将该像素在图像中的灰度值置0;反之则判定该像素为前景像素,同时将该像素在图像中的灰度值置为b。
6.如权利要求5所述的方法,其特征在于,所述利用所有分割得到的背景区域的像素更新所述初始背景模型,包括:
从所述背景区域的首个像素开始,每间隔j个像素选取一个像素点作为更新所述初始背景模型的第一像素点;
若所述第一像素点为背景点,则从N幅所述初始背景样本图中随机选取一幅作为待更新初始背景样本图,并用所述第一像素点对所述待更新初始背景样本图中对应像素点进行替换更新;
随机选取所述第一像素点周围邻域中的一个邻域像素点,并用该邻域像素点对N幅所述初始背景样本图中的一幅进行替换更新。
7.如权利要求1所述的方法,其特征在于,所述基于更新后的初始背景模型,对所有分割得到的前景区域进行后处理、轮廓提取处理,以获得目标边界框,包括:
对所述前景区域进行腐蚀、膨胀处理;
基于更新后的初始背景模型,对腐蚀、膨胀处理后的前景区域进行鬼影消除处理,以更新前景区域;
对更新后的前景区域进行孔洞填充处理;
对孔洞填充处理后的前景区域进行腐蚀后,并对腐蚀处理前后的前景区域进行差分处理,以获得目标边界框。
8.如权利要求1所述的方法,其特征在于,所述基于所述目标边界框,确定目标,包括:
构建并训练softmax分类模型;
将所述目标边界框输入训练好的softmax分类模型中,以输出目标位置边界框和目标类别。
9.一种图像序列中弱小目标实时检测设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的图像序列中弱小目标实时检测方法的步骤。
10.一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上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至8中任一项所述的图像序列中弱小目标实时检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110980665.3A CN113780110A (zh) | 2021-08-25 | 2021-08-25 | 一种图像序列中弱小目标实时检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110980665.3A CN113780110A (zh) | 2021-08-25 | 2021-08-25 | 一种图像序列中弱小目标实时检测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780110A true CN113780110A (zh) | 2021-12-10 |
Family
ID=78839247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110980665.3A Pending CN113780110A (zh) | 2021-08-25 | 2021-08-25 | 一种图像序列中弱小目标实时检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780110A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114779271A (zh) * | 2022-06-16 | 2022-07-22 | 杭州宏景智驾科技有限公司 | 目标检测方法和装置、电子设备和存储介质 |
CN116385471A (zh) * | 2023-06-02 | 2023-07-04 | 中科微至科技股份有限公司 | 一种基于定向区域生长的激光轮廓线提取方法 |
CN116912621A (zh) * | 2023-07-14 | 2023-10-20 | 浙江大华技术股份有限公司 | 图像样本构建方法、目标识别模型的训练方法及相关装置 |
CN117576490A (zh) * | 2024-01-16 | 2024-02-20 | 口碑(上海)信息技术有限公司 | 一种后厨环境检测方法和装置、存储介质和电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090016603A1 (en) * | 2005-12-30 | 2009-01-15 | Telecom Italia S.P.A. | Contour Finding in Segmentation of Video Sequences |
CN105005992A (zh) * | 2015-07-07 | 2015-10-28 | 南京华捷艾米软件科技有限公司 | 一种基于深度图的背景建模和前景提取的方法 |
CN107767404A (zh) * | 2017-06-23 | 2018-03-06 | 北京理工大学 | 一种基于改进ViBe背景模型的遥感图像序列动目标检测方法 |
CN108537821A (zh) * | 2018-04-18 | 2018-09-14 | 电子科技大学 | 一种基于视频的运动目标检测方法 |
CN109858397A (zh) * | 2019-01-14 | 2019-06-07 | 苏州长风航空电子有限公司 | 一种基于自适应建模的红外弱小目标识别方法 |
CN111062974A (zh) * | 2019-11-27 | 2020-04-24 | 中国电力科学研究院有限公司 | 一种使用去除鬼影对前景目标提取的方法及*** |
CN111524082A (zh) * | 2020-04-26 | 2020-08-11 | 上海航天电子通讯设备研究所 | 目标鬼影消除方法 |
CN111815673A (zh) * | 2020-06-23 | 2020-10-23 | 四川虹美智能科技有限公司 | 运动目标检测方法、装置及可读介质 |
-
2021
- 2021-08-25 CN CN202110980665.3A patent/CN113780110A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090016603A1 (en) * | 2005-12-30 | 2009-01-15 | Telecom Italia S.P.A. | Contour Finding in Segmentation of Video Sequences |
CN105005992A (zh) * | 2015-07-07 | 2015-10-28 | 南京华捷艾米软件科技有限公司 | 一种基于深度图的背景建模和前景提取的方法 |
CN107767404A (zh) * | 2017-06-23 | 2018-03-06 | 北京理工大学 | 一种基于改进ViBe背景模型的遥感图像序列动目标检测方法 |
CN108537821A (zh) * | 2018-04-18 | 2018-09-14 | 电子科技大学 | 一种基于视频的运动目标检测方法 |
CN109858397A (zh) * | 2019-01-14 | 2019-06-07 | 苏州长风航空电子有限公司 | 一种基于自适应建模的红外弱小目标识别方法 |
CN111062974A (zh) * | 2019-11-27 | 2020-04-24 | 中国电力科学研究院有限公司 | 一种使用去除鬼影对前景目标提取的方法及*** |
CN111524082A (zh) * | 2020-04-26 | 2020-08-11 | 上海航天电子通讯设备研究所 | 目标鬼影消除方法 |
CN111815673A (zh) * | 2020-06-23 | 2020-10-23 | 四川虹美智能科技有限公司 | 运动目标检测方法、装置及可读介质 |
Non-Patent Citations (1)
Title |
---|
彭岩岩等: "《红外热成像理论与应用》", 31 December 2020, 北京冶金工业出版社, pages: 92 - 94 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114779271A (zh) * | 2022-06-16 | 2022-07-22 | 杭州宏景智驾科技有限公司 | 目标检测方法和装置、电子设备和存储介质 |
CN116385471A (zh) * | 2023-06-02 | 2023-07-04 | 中科微至科技股份有限公司 | 一种基于定向区域生长的激光轮廓线提取方法 |
CN116385471B (zh) * | 2023-06-02 | 2023-09-01 | 中科微至科技股份有限公司 | 一种基于定向区域生长的激光轮廓线提取方法 |
CN116912621A (zh) * | 2023-07-14 | 2023-10-20 | 浙江大华技术股份有限公司 | 图像样本构建方法、目标识别模型的训练方法及相关装置 |
CN116912621B (zh) * | 2023-07-14 | 2024-02-20 | 浙江大华技术股份有限公司 | 图像样本构建方法、目标识别模型的训练方法及相关装置 |
CN117576490A (zh) * | 2024-01-16 | 2024-02-20 | 口碑(上海)信息技术有限公司 | 一种后厨环境检测方法和装置、存储介质和电子设备 |
CN117576490B (zh) * | 2024-01-16 | 2024-04-05 | 口碑(上海)信息技术有限公司 | 一种后厨环境检测方法和装置、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN108052917B (zh) | 一种基于新旧时相变化发现的违章建筑自动识别的方法 | |
CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN111723644A (zh) | 一种监控视频遮挡检测方法及*** | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN108765463B (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN108491796B (zh) | 一种时域周期点目标检测方法 | |
CN114648547A (zh) | 用于反无人机红外探测***的弱小目标检测方法和装置 | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
CN115083008A (zh) | 运动目标检测方法、装置、设备及存储介质 | |
CN109241865B (zh) | 一种弱对比度交通场景下的车辆检测分割算法 | |
CN110751623A (zh) | 基于联合特征的缺陷检测方法、装置、设备及存储介质 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN114359332A (zh) | 基于深度图像的目标跟踪方法、装置、设备和介质 | |
CN110796684B (zh) | 目标跟踪方法以及相关装置 | |
CN111027560B (zh) | 文本检测方法以及相关装置 | |
CN104573692B (zh) | 一种基于模糊退化模型的车牌二值化方法 | |
CN111476821B (zh) | 基于在线学习的目标跟踪方法 | |
CN117876270B (zh) | 档案扫描图像修复方法、装置及存储介质 | |
CN109271986B (zh) | 一种基于Second-Confirm的数字识别方法 | |
Senel | Topological gradient operators for edge detection |
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 |