CN113808117A - 灯具检测方法、装置、设备及存储介质 - Google Patents
灯具检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113808117A CN113808117A CN202111122367.7A CN202111122367A CN113808117A CN 113808117 A CN113808117 A CN 113808117A CN 202111122367 A CN202111122367 A CN 202111122367A CN 113808117 A CN113808117 A CN 113808117A
- Authority
- CN
- China
- Prior art keywords
- image
- lamp
- detected
- target frame
- determining
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06T2207/20081—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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种灯具检测方法、装置、设备及存储介质，所述灯具检测方法包括：获取待检测图像，其中，所述待检测图像对应的场景内包括灯具；将所述待检测图像进行二值化处理，得到二值化图像，并基于所述二值化图像确定灯具候选框；对所述待检测图像中对应所述灯具候选框的候选区域进行识别，确定所述待检测图像的灯具目标框，其中，所述灯具目标框为所述灯具所在的位置。由于通过二值化处理筛选出了灯具候选框，则仅需要对灯具候选框对应的候选区域进行针对性识别，缩小了识别范围，提高了识别精度，增加了景观灯检测的精度和鲁棒性。
Description
技术领域
本发明涉及景观灯检测技术领域，尤其涉及一种灯具检测方法、装置、设备及存储介质。
背景技术
计算机视觉为代表的人工智能技术正在被大量用于智慧城市建设当中，其中城市管理是一大应用领域，其特点是需求广泛、多样、零散，比如违规经营占道检测、垃圾检测、烟火检测、景观灯检测等等。相关技术中，使用深度学习算法对景观灯进行检测，但是楼宇景观灯形态非常多，无法枚举，高空相机较少，数据采集困难，因此完全采用深度学习进行景观灯检测的效果不佳。
发明内容
本发明提供一种灯具检测方法、装置、设备及存储介质，以解决相关技术中的缺陷。
根据本发明实施例的第一方面，提供一种灯具检测方法，包括：
获取待检测图像，其中，所述待检测图像对应的场景内包括灯具；
将所述待检测图像进行二值化处理，得到二值化图像，并基于所述二值化图像确定灯具候选框；
对所述待检测图像中对应所述灯具候选框的候选区域进行识别，确定所述待检测图像的灯具目标框，其中，所述灯具目标框为所述灯具所在的位置。
在一个示例中，所述待检测图像为待检测视频的一帧图像，所述待检测视频对应的场景内包括灯具；
所述方法还包括：
根据所述待检测图像的灯具目标框和参考图像的灯具目标框，确定所述参考图像的灯具目标框对应的灯具的明暗状态，其中，所述参考图像为所述待检测视频中，所述待检测图像之前的一帧图像。
在一个示例中，所述根据所述待检测图像的灯具目标框和参考图像的灯具目标框，确定所述参考图像的灯具目标框对应的灯具的明暗状态，包括：
确定所述参考图像的每个灯具目标框和所述待检测图像的每个灯具目标框的交并比；
在所述参考图像的灯具目标框与所述待检测图像的每个灯具目标框的交并比，均小于预设的第一比例阈值，确定所述参考图像的灯具目标框对应的灯具的明暗状态为黑暗；
在所述参考图像的灯具目标框与所述待检测图像的任一灯具目标框的交并比，大于或等于所述第一比例阈值的情况下，确定所述参考图像的灯具目标框对应的灯具的明暗状态为明亮。
在一个示例中，所述根据所述待检测图像的灯具目标框和参考图像的灯具目标框，确定所述参考图像的灯具目标框对应的灯具的明暗状态，包括：
确定所述参考图像的所述灯具目标框中的全部像素的像素值平均值为第一平均值，并确定所述待检测图像中对应的所述灯具目标框中的全部像素的像素值平均值为第二平均值；
在所述第一平均值与所述第二平均值的差值大于预设的第一像素阈值的情况下，确定所述灯具目标框对应的景观灯的明暗状态为黑暗；
在所述第一平均值与所述第二平均值的差值小于或等于预设的第一像素阈值的情况下，确定所述灯具目标框对应的景观灯的明暗状态为明亮。
在一个示例中，所述将所述待检测图像进行二值化处理，包括：
确定所述待检测图像和所述参考图像间的每个像素对的像素差，其中，所述像素对中的一个像素点在所述待检测图像中的位置，和另一个像素点在所述参考图像中的位置相同；
在全部的像素对中，确定像素差大于预设的第二像素阈值的像素对的第一数量；
在所述第一数量与全部的像素对的数量的比例大于预设的比例阈值的情况下，将所述待检测图像进行二值化处理。
在一个示例中，在所述将所述待检测图像进行二值化处理之前，还包括：
将所述待检测图像转换为灰度图像。
在一个示例中，基于所述二值化图像确定灯具候选框之前，还包括：
对所述二值化图像进行图像腐蚀处理。
在一个示例中，基于所述二值化图像确定灯具候选框，包括：
确定所述二值化图像中，由明亮像素组成的连通区域为所述灯具候选框。
在一个示例中，基于所述二值化图像确定灯具候选框之前，还包括：
去除所述二值化图像中，面积小于预设的面积阈值的所述连通区域。
在一个示例中，所述对所述待检测图像中对应所述灯具候选框的候选区域进行识别，确定所述待检测图像的灯具目标框，包括：
将每个所述候选区域输入至预先完成训练的分类神经网络，所述分类神经网络输出每个所述候选区域的分类结果，其中，所述分类结果包括灯具和非灯具；
将分类结果为灯具的候选区域确定为所述灯具目标框。
在一个示例中，所述获取待检测图像，包括：
在所述待检测视频中获取与所述参考图像的时间间隔为预设时长的一帧图像，确定为所述待检测图像。
在一个示例中，还包括：
删除所述参考图像，将所述待检测图像保存为参考图像，并保存所述待检测图像的灯具目标框。
根据本发明实施例的第二方面，提供一种灯具检测装置，包括：
获取模块，用于获取待检测图像，其中，所述待检测图像对应的场景内包括灯具；
处理模块，用于将所述待检测图像进行二值化处理，得到二值化图像，并基于所述二值化图像确定灯具候选框；
确定模块，用于对所述待检测图像中对应所述灯具候选框的候选区域进行识别，确定所述待检测图像的灯具目标框，其中，所述灯具目标框为所述灯具所在的位置。
在一个示例中，所述待检测图像为待检测视频的一帧图像，所述待检测视频对应的场景内包括灯具；
所述装置还包括判断模块，用于：
根据所述待检测图像的灯具目标框和参考图像的灯具目标框，确定所述参考图像的灯具目标框对应的灯具的明暗状态，其中，所述参考图像为所述待检测视频中，所述待检测图像之前的一帧图像。
在一个示例中，所述判断模块具体用于：
确定所述参考图像的每个灯具目标框和所述待检测图像的每个灯具目标框的交并比；
在所述参考图像的灯具目标框与所述待检测图像的每个灯具目标框的交并比，均小于预设的第一比例阈值，确定所述参考图像的灯具目标框对应的灯具的明暗状态为黑暗；
在所述参考图像的灯具目标框与所述待检测图像的任一灯具目标框的交并比，大于或等于所述第一比例阈值的情况下，确定所述参考图像的灯具目标框对应的灯具的明暗状态为明亮。
在一个示例中，所述判断模块具体用于：
确定所述参考图像的所述灯具目标框中的全部像素的像素值平均值为第一平均值，并确定所述待检测图像中对应的所述灯具目标框中的全部像素的像素值平均值为第二平均值；
在所述第一平均值与所述第二平均值的差值大于预设的第一像素阈值的情况下，确定所述灯具目标框对应的景观灯的明暗状态为黑暗；
在所述第一平均值与所述第二平均值的差值小于或等于预设的第一像素阈值的情况下，确定所述灯具目标框对应的景观灯的明暗状态为明亮。
在一个示例中，所述处理模块具体用于：
确定所述待检测图像和所述参考图像间的每个像素对的像素差，其中，所述像素对中的一个像素点在所述待检测图像中的位置，和另一个像素点在所述参考图像中的位置相同；
在全部的像素对中，确定像素差大于预设的第二像素阈值的像素对的第一数量；
在所述第一数量与全部的像素对的数量的比例大于预设的比例阈值的情况下，将所述待检测图像进行二值化处理。
在一个示例中，所述处理模块还用于：
所述将所述待检测图像进行二值化处理之前，将所述待检测图像转换为灰度图像。
在一个示例中，所述处理模块还用于：
基于所述二值化图像确定灯具候选框之前，对所述二值化图像进行图像腐蚀处理。
在一个示例中，所述处理模块用于基于所述二值化图像确定灯具候选框时，具体用于：
确定所述二值化图像中，由明亮像素组成的连通区域为所述灯具候选框。
在一个示例中，所述处理模块还用于：
基于所述二值化图像确定灯具候选框之前，去除所述二值化图像中，面积小于预设的面积阈值的所述连通区域。
在一个示例中，所述确定模块具体用于：
将每个所述候选区域输入至预先完成训练的分类神经网络，所述分类神经网络输出每个所述候选区域的分类结果，其中，所述分类结果包括灯具和非灯具；
将分类结果为灯具的候选区域确定为所述灯具目标框。
在一个示例中，所述获取模块具体用于：
在所述待检测视频中获取与所述参考图像的时间间隔为预设时长的一帧图像，确定为所述待检测图像。
在一个示例中，还包括缓存模块，用于：
删除所述参考图像，将所述待检测图像保存为参考图像，并保存所述待检测图像的灯具目标框。
根据本发明实施例的第三方面，提供一种电子设备，所述设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现第一方面所述的方法。
根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面所述的方法。
根据上述实施例可知，通过获取待检测图像，并对待检测图像进行二值化处理，从而得到二值化图像，然后基于二值化图像确定为灯具候选框，再对待检测图像中对应上述灯具候选框的候选区域进行识别，以确定每个候选区域内是否为灯具，即确定待检测图像中的灯具目标框，灯具目标框为灯具所在的位置。由于通过二值化处理筛选出了灯具候选框，则仅需要对灯具候选框对应的候选区域进行针对性识别，缩小了识别范围，提高了识别精度，增加了灯具检测的精度和鲁棒性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本发明一实施例示出的灯具检测方法的流程图；
图2是本发明另一实施例示出的灯具检测方法的流程图
图3是本发明一实施例示出的确定灯具明暗状态的方法的流程图；
图4是本发明另实施例示出的确定灯具明暗状态的方法的流程图；
图5是本发明实施例示出的灯具检测装置的结构示意图；
图6是本发明实施例示出的电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
第一方面，本发明至少一个实施例提供了一种灯具检测方法，请参照附图1，其示出了该方法的流程，包括步骤S101至步骤S103。
其中，该方法可以用于对楼宇的景观灯进行检测，也可以对其他类型的灯具进行检测，下面主要以景观灯为例对本实施例提供的检测方法进行介绍，但是可以理解的是，这并非对本公开提供的检测方法所针对的灯具类型的限制。
景观灯一般在较高的位置，因此该检测方法所针对的对象，可以为架设在高楼楼顶的高空广角相机拍摄的图像或视频，因为高空广角相机的视野开阔，可以拍摄到大范围的城市高楼大厦。高空广角相机所拍摄的相机或视频，可以在夜间拍摄，从而使得到的图像或视频中，景观灯较为明显，进而，该方法所检测到的景观灯为被点亮的景光灯，或者说处于明亮状态的景光灯。
另外，该方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)手持设备、计算设备、车载设备、可穿戴设备等，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可以通过服务器执行该方法，服务器可以为本地服务器、云端服务器等。
在步骤S101中，获取待检测图像，其中，所述待检测图像对应的场景内包括灯具。
其中，待检测图像可以为上述高空广角相机拍摄的图像，或者高空广角相机录制的视频中的一帧图像。由于高空广角相机的拍摄视角中的场景包括景观灯，因此所得到的待检测图像中包括景观灯的像。高空广角相机可以按照一定的时间间隔拍摄图像，则获取每次拍摄的图像作为待检测图像；高空广角相机可以持续拍摄视频，则可以按照一定的时间间隔从上述视频中抽取视频帧，并将每次抽取的视频帧作为待检测图像。
在步骤S102中，将所述待检测图像进行二值化处理，得到二值化图像，并基于所述二值化图像确定灯具候选框。
如果待检测图像为灰度图像，则直接对待检测图像进行二值化处理。如果是待检测图像为彩色图像，则可以先将待检测图像转换为灰度图像，即可以根据每个像素的红(R)、黄(G)、蓝(B)像素值确定对应的亮度值。
二值化处理时，可以设置一个亮度阈值(例如230)，将大于或等于该亮度阈值的像素的亮度调整为255，将小于该亮度阈值的像素的亮度调整为0，从而使每个像素的亮度均为255(明亮像素)和0(黑暗像素)中的一个，相邻的多个明亮像素组成可以组成连通区域，相邻的多个黑暗像素也可以组成连通区域，进而整个二值化图像包括明亮像素组成的连通区域和黑暗像素组成的连通区域。由于待检测图像是在夜间拍摄的，因此(处于明亮状态的)景观灯的亮度是高于场景内的其他物体的，因此明亮像素组成的连通区域为景观灯的概率较大，因此可以确定所述二值化图像中，由明亮像素组成的连通区域为所述灯具候选框。
二值化处理后，还可以对二值化图像进行图像腐蚀处理，即将周围像素(周围的范围根据预先设置的维度确定，例如2*2的维度)均为明亮像素的明亮像素保持高亮(即将其亮度保持在255)，将周围包括黑暗像素的明亮像素调整为黑暗像素(就将其亮度调整为0)。通过图像腐蚀处理，可以消除二值化图像中的噪声点，进而使二值化图像中的连通区域的边缘平滑。
二值化处理后，还可以去除二值化图像中，面积小于预设的面积阈值的连通区域，因为这些小于面积阈值的连通区域可能为噪声点。因为连通区域是被认定为景观灯所在的区域的，因此面积阈值可以根据景观灯所在区域的面积下限确定。通过去除面积较小的连通区域，可以减少噪声点，使后续针对候选区域的检测更具有针对性，降低负荷，提高效率，提高精度。
可以理解的是，上述两种去除噪声的处理(即图像腐蚀处理以及去除面积较小的噪声点的处理)，可以择一使用，也可以都使用；当使用两种处理时，可以先进行图像腐蚀处理，再去除面积较小的噪声点。
在步骤S103中，对所述待检测图像中对应所述灯具候选框的候选区域进行识别，确定所述待检测图像的灯具目标框，其中，所述灯具目标框为所述灯具所在的位置。
其中，可以将每个所述候选区域输入至预先完成训练的分类神经网络，所述分类神经网络输出每个所述候选区域的分类结果，其中，所述分类结果包括灯具和非灯具；再将分类结果为灯具的候选区域确定为所述灯具目标框。
可以预先准备训练集，训练集中的样本图像可以选出多个局部区域，并将这些局部区域中为灯具的像的区域标注为灯具目标框，将剩余的局部区域标注为对照框；然后将样本图像中输入至分类神经网络中，输出对各个局部区域的预测结果，根据预测结果与对应的标注结果确定网络损失值，并进一步根据网络损失值调整分类神经网络的网络参数，直至该分类神经网络收敛。
灯具目标框可以为能够框住灯具的像的最小矩形框。每个灯具目标框内具有一个灯具，且灯具的状态为明亮状态的景观灯，换句话说，本步骤中所确定的待检测图像的灯具目标框，为待检测图像中处于明亮状态的灯具的像。
根据上述实施例可知，通过获取待检测图像，并对待检测图像进行二值化处理，从而得到二值化图像，然后基于二值化图像确定灯具候选框，再对待检测图像中对应上述灯具候选框的候选区域进行识别，以确定每个候选区域内是否为灯具，即确定待检测图像中的灯具目标框，灯具目标框为灯具所在的位置。由于通过二值化处理筛选出了灯具候选框，则仅需要对灯具候选框对应的候选区域进行针对性识别，缩小了识别范围，提高了识别精度，增加了灯具检测的精度和鲁棒性。
在本公开的一些实施例中，所述待检测图像为待检测视频的一帧图像，所述待检测视频对应的场景内包括灯具；
基于此，请参照附图2，所述灯具检测方法在步骤S101之后，还包括步骤S104：根据所述待检测图像的灯具目标框和参考图像的灯具目标框，确定所述参考图像的灯具目标框对应的灯具的明暗状态，其中，所述参考图像为所述待检测视频中，所述待检测视频之前的一帧图像。
其中，本实施例提供的检测方法是针对每一次获取的待检测图像重复循环运行的，也就是说，每次从待检测视频中获取到待检测图像后均按照步骤S101至步骤S103确定出灯具目标框。由于上一次获取到的待检测图像也确定出了灯具目标框，因此可以通过比较本次待检测图像的目标框和上一次待检测图像的目标框，确定上一次待检测图像中每个目标框对应的灯具的明暗状态，例如，上一次待检测图像中的某个目标框在本次待检测图像中的对应区域也具有目标框，则认为该目标框对应的灯具为明亮状态，即在两次获取待检测图像之间该灯具未熄灭；上一次待检测图像中的某个目标框在本次待检测图像中的对应区域不具有目标框，则认为该目标框对应的灯具为黑暗状态，即在两次获取待检测图像之间该灯具已熄灭。
需要注意的是，为了区分两次获取的待检测图像，可以将上一次获取的待检测图像称之为参考图像，将本次获取的待检测图像继续称之为待检测图像。因此待检测图像和参考图像为待检测视频中的两帧不同时刻的图像，参考图像在前，待检测图像在后。
由于每次获取的待检测图像，在确定出灯具目标框之后，需要在下一次获取的待检测图像确定出灯具目标框后，作为参考图像使用，因此每一次获取的待检测图像在确定出灯具目标框后均保存待用。另外，由于每一次获取的待检测图像只被作为参考图像使用一次，因此在步骤S104确定出参考图像的每个灯具目标框对应的灯具的明暗状态后，可以删除所述参考图像，将所述待检测图像保存为参考图像，并保存所述待检测图像的灯具目标框，也就是随时更新参考图像，从而减少内存占用，且增加灯具明暗状态的确定精度。
可以理解的是，当第一次从待检测视频中获取待检测图像后，在确定出该待检测图像的灯具目标框后，不执行步骤S104，而是直接将该待检测图像保存为参考图像，且保存该待检测图像的灯具目标框。
在一个示例中，可以按照一定的时间间隔获取待检测图像，即获取待检测图像时，是从待检测视频中，获取与所述参考图像的时间间隔为预设时长的一帧图像，确定为所述待检测图像。预设时长可以为3s，按照该预设时长可以重复的获取待检测视频。
在一个示例中，可以按照如图3所示的方式，根据所述待检测图像的灯具目标框和参考图像的灯具目标框，确定所述参考图像的灯具目标框对应的灯具的明暗状态，包括步骤S301至步骤S303。
在步骤S301中，确定所述参考图像的每个灯具目标框和所述待检测图像的每个灯具目标框的交并比。
按照顺序依次取参考图像中的每个灯具目标框，并在每次取得灯具目标框后，依次确定该灯具目标框与待检测图像的每个灯具目标框的交并比。
在步骤S302中，在所述参考图像的灯具目标框与所述待检测图像的每个灯具目标框的交并比，均小于预设的第一比例阈值的情况下，确定所述参考图像的灯具目标框对应的灯具的明暗状态为黑暗。
在步骤S303中，在所述参考图像的灯具目标框与所述待检测图像的任一灯具目标框的交并比的情况下，大于或等于所述第一比例阈值的情况下，确定所述参考图像的灯具目标框对应的灯具的明暗状态为明亮。
参考图像的灯具目标框与待检测图像的灯具目标框的交并比，大于预设的第一比例阈值，则表征这两个灯具目标框对应的场景相同，或者说对应着场景内同一个的灯具，即参考图像中的灯具目标框在待检测图像中存在匹配的灯具目标框，则可以初步确定该灯具目标框对应的灯具依然处于明亮状态，未熄灭，因此将该灯具目标框对应的灯具的明暗状态为明亮。
相对应的，参考图像的某灯具目标框与待检测图像的任一灯具目标框的交并比，小于预设的比例阈值，则表征待检测图像中无与该灯具目标框匹配的灯具目标框。因此，可以确定所述参考图像的灯具目标框对应的灯具的明暗状态为黑暗。
本示例中，通过灯具目标框的交并比确定灯具的明暗状态，由于灯具目标框是灯具所在的位置，因此这种方式确定灯具明暗状态较为简单，且较为准确。
在另一个示例中，可以按照如图4所示的方式，根据所述待检测图像的灯具目标框和参考图像的灯具目标框，确定所述参考图像的灯具目标框对应的灯具的明暗状态，包括步骤S401至步骤S403。
在步骤S401中，确定所述参考图像的所述灯具目标框中的全部像素的像素值平均值为第一平均值，并确定所述待检测图像中对应的所述灯具目标框中的全部像素的像素值平均值为第二平均值。
在步骤S402中，在所述第一平均值与所述第二平均值的差值大于预设的第一像素阈值的情况下，确定所述灯具目标框对应的灯具的明暗状态为黑暗。
在步骤S403中，在所述第一平均值与所述第二平均值的差值小于或等于预设的第一像素阈值的情况下，确定所述灯具待定框对应的灯具的明暗状态为明亮。
其中，第一像素阈值可以预设为100。处于黑暗状态，表征该灯具在参考图像对应的时刻之后出现了熄灭。
本实施例中，通过对应目标框的平均像素差，精确确定灯具是否熄灭，从而提高了灯具明暗状态的识别精度。
可以理解的是，上述如图3所示的示例中的确定灯具的明暗状态的方式，和如图4所示的示例中的确定灯具的明暗状态的方式，可以择一使用，也可以结合使用。在结合两种方式确定灯具的明暗状态时，可以先利用如图3所示的方式，所不同的是，在执行步骤S302时，在在所述参考图像的灯具目标框与所述待检测图像的每个灯具目标框的交并比，均小于预设的第一比例阈值的情况下，确定所述参考图像的灯具目标框为候选目标框；然后再执行如图4所示的方式，所不同的是，步骤S401中仅确定候选目标框中的全部像素的像素值平均值为第一平均值，仅确定待检测图像中与候选目标框对应的灯具目标框中的全部像素的像素值平均值为第二平均值，步骤S402和步骤S403中仅利用第一平均值和第二平均值确定灯具候选框对应的灯具的明暗状态，即在在所述第一平均值与所述第二平均值的差值大于预设的第一像素阈值，确定所述灯具候选框对应的灯具的明暗状态为黑暗，在所述第一平均值与所述第二平均值的差值小于或等于预设的第一像素阈值，确定所述灯具候选框对应的灯具的明暗状态为明亮。
结合两种方式判断灯具目标框对应的灯具的明暗状态，首先利用目标框之间的交并比筛选出可能出现熄灭的目标欧，即候选框，然后重点对候选框进行像素对比来确定灯具的明暗状态。既提高了灯具明暗状态判断的准确性，又避免了过多提高运算负荷。
本公开的一些实施例中，可以按照下述方式将所述待检测图像进行二值化处理：首先，确定所述待检测图像和所述参考图像间的每个像素对的像素差，其中，所述像素对中的一个像素点在所述待检测图像中的位置，和另一个像素点在所述参考图像中的位置相同；接下来，在全部的像素对中，确定像素差大于预设的第二像素阈值的像素对的第一数量；最后，在所述第一数量与全部的像素对的数量的比例大于预设的第二比例阈值的情况下，将所述待检测图像进行二值化处理。
其中，像素差可以通过对应的两个像素相减得到的差，并对该差取绝对值得到。像素差的大小，可以用来表征待检测图像对应的场景与参考图像对应的场景的匹配程度，而小于或等于第二像素阈值的像素差，表征在两张图像中的该像素对应的场景相同，大于第二像素阈值的像素差，表征在两张图像中的该像素对应的场景不同。进一步的，述第一数量与全部的像素对的数量的比例大于预设的第二比例阈值，表征两张图像对应的场景相同，即高空广角相机在获取这两张图像时的角度相同，在获取参考图像后未发生移动，因此这种情况下可以对待检测图像进行二值化处理，并进一步按照后续步骤确定参考图像的目标框对应的灯具的明暗状态。
相对应的，在所述第一数量与全部的像素对的数量的比例小于或等于预设的第二比例阈值的，则表征两张图像对应的场景不同，即高空广角相机在获取这两张图像时的角度不同，在获取参考图像后发生了移动。因此这种情况下，不对待检测图像进行二值化处理，即舍弃该待检测图像，进一步的可以再重新获取待检测图像。
本实施例中，每次获取待检测图像后，确定待检测图像与参考图像对应的场景是否相同，即确定高空广角相机是否发生移动，若场景不同则舍弃，若场景相同则进一步确定灯具的明暗状态，从而避免了高空广角相机移动造成检测结果不准确的问题，提高了灯具目标框的检测精度以及灯具明暗状态的确定精度。
根据本发明实施例的第二方面，提供一种灯具检测装置，请参照附图5，其示出了该装置的结构，包括：
获取模块501，用于获取待检测图像，其中，所述待检测图像对应的场景内包括灯具；
处理模块502，用于将所述待检测图像进行二值化处理，得到二值化图像，并基于所述二值化图像确定灯具候选框；
确定模块503，用于对所述待检测图像中对应所述灯具候选框的候选区域进行识别，确定所述待检测图像的灯具目标框，其中，所述灯具目标框为所述灯具所在的位置。
在一个示例中，所述待检测图像为待检测视频的一帧图像，所述待检测视频对应的场景内包括灯具；
所述装置还包括判断模块，用于：
根据所述待检测图像的灯具目标框和参考图像的灯具目标框，确定所述参考图像的灯具目标框对应的灯具的明暗状态，其中，所述参考图像为所述待检测视频中，所述待检测图像之前的一帧图像。
在一个示例中，所述判断模块具体用于：
确定所述参考图像的每个灯具目标框和所述待检测图像的每个灯具目标框的交并比；
在所述参考图像的灯具目标框与所述待检测图像的每个灯具目标框的交并比，均小于预设的第一比例阈值，确定所述参考图像的灯具目标框对应的灯具的明暗状态为黑暗；
在所述参考图像的灯具目标框与所述待检测图像的任一灯具目标框的交并比，大于或等于所述第一比例阈值的情况下，确定所述参考图像的灯具目标框对应的灯具的明暗状态为明亮。
在一个示例中，所述判断模块具体用于：
确定所述参考图像的所述灯具目标框中的全部像素的像素值平均值为第一平均值，并确定所述待检测图像中对应的所述灯具目标框中的全部像素的像素值平均值为第二平均值；
在所述第一平均值与所述第二平均值的差值大于预设的第一像素阈值的情况下，确定所述灯具目标框对应的景观灯的明暗状态为黑暗；
在所述第一平均值与所述第二平均值的差值小于或等于预设的第一像素阈值的情况下，确定所述灯具目标框对应的景观灯的明暗状态为明亮。
在一个示例中，所述处理模块具体用于：
确定所述待检测图像和所述参考图像间的每个像素对的像素差，其中，所述像素对中的一个像素点在所述待检测图像中的位置，和另一个像素点在所述参考图像中的位置相同；
在全部的像素对中，确定像素差大于预设的第二像素阈值的像素对的第一数量；
在所述第一数量与全部的像素对的数量的比例大于预设的比例阈值的情况下，将所述待检测图像进行二值化处理。
在一个示例中，所述处理模块还用于：
所述将所述待检测图像进行二值化处理之前，将所述待检测图像转换为灰度图像。
在一个示例中，所述处理模块还用于：
基于所述二值化图像确定灯具候选框之前，对所述二值化图像进行图像腐蚀处理。
在一个示例中，所述处理模块用于基于所述二值化图像确定灯具候选框时，具体用于：
确定所述二值化图像中，由明亮像素组成的连通区域为所述灯具候选框。
在一个示例中，所述处理模块还用于：
基于所述二值化图像确定灯具候选框之前，去除所述二值化图像中，面积小于预设的面积阈值的所述连通区域。
在一个示例中，所述确定模块具体用于：
将每个所述候选区域输入至预先完成训练的分类神经网络，所述分类神经网络输出每个所述候选区域的分类结果，其中，所述分类结果包括灯具和非灯具；
将分类结果为灯具的候选区域确定为所述灯具目标框。
在一个示例中，所述获取模块具体用于：
在所述待检测视频中获取与所述参考图像的时间间隔为预设时长的一帧图像，确定为所述待检测图像。
在一个示例中，还包括缓存模块，用于：
删除所述参考图像，将所述待检测图像保存为参考图像，并保存所述待检测图像的灯具目标框。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在第一方面有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
第三方面，本发明至少一个实施例提供了一种设备，请参照附图6，其示出了该设备的结构，所述设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时基于第一方面任一项所述的方法对灯具进行检测。
第四方面，本发明至少一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面任一项所述的方法。
在本发明中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (15)
1.一种灯具检测方法，其特征在于，包括：
获取待检测图像，其中，所述待检测图像对应的场景内包括灯具；
将所述待检测图像进行二值化处理，得到二值化图像，并基于所述二值化图像确定灯具候选框；
对所述待检测图像中对应所述灯具候选框的候选区域进行识别，确定所述待检测图像的灯具目标框，其中，所述灯具目标框为所述灯具所在的位置。
2.根据权利要求1所述的灯具检测方法，其特征在于，所述待检测图像为待检测视频的一帧图像，所述待检测视频对应的场景内包括灯具；
所述方法还包括：
根据所述待检测图像的灯具目标框和参考图像的灯具目标框，确定所述参考图像的灯具目标框对应的灯具的明暗状态，其中，所述参考图像为所述待检测视频中，所述待检测图像之前的一帧图像。
3.根据权利要求2所述的灯具检测方法，其特征在于，所述根据所述待检测图像的灯具目标框和参考图像的灯具目标框，确定所述参考图像的灯具目标框对应的灯具的明暗状态，包括：
确定所述参考图像的每个灯具目标框和所述待检测图像的每个灯具目标框的交并比；
在所述参考图像的灯具目标框与所述待检测图像的每个灯具目标框的交并比，均小于预设的第一比例阈值，确定所述参考图像的灯具目标框对应的灯具的明暗状态为黑暗；
在所述参考图像的灯具目标框与所述待检测图像的任一灯具目标框的交并比，大于或等于所述第一比例阈值的情况下，确定所述参考图像的灯具目标框对应的灯具的明暗状态为明亮。
4.根据权利要求2或3所述的灯具检测方法，其特征在于，所述根据所述待检测图像的灯具目标框和参考图像的灯具目标框，确定所述参考图像的灯具目标框对应的灯具的明暗状态，包括：
确定所述参考图像的所述灯具目标框中的全部像素的像素值平均值为第一平均值，并确定所述待检测图像中对应的所述灯具目标框中的全部像素的像素值平均值为第二平均值；
在所述第一平均值与所述第二平均值的差值大于预设的第一像素阈值的情况下，确定所述灯具目标框对应的景观灯的明暗状态为黑暗；
在所述第一平均值与所述第二平均值的差值小于或等于预设的第一像素阈值的情况下，确定所述灯具目标框对应的景观灯的明暗状态为明亮。
5.根据权利要求2至4任一项所述的灯具检测方法，其特征在于，所述将所述待检测图像进行二值化处理，包括：
确定所述待检测图像和所述参考图像间的每个像素对的像素差，其中，所述像素对中的一个像素点在所述待检测图像中的位置，和另一个像素点在所述参考图像中的位置相同；
在全部的像素对中，确定像素差大于预设的第二像素阈值的像素对的第一数量；
在所述第一数量与全部的像素对的数量的比例大于预设的比例阈值的情况下，将所述待检测图像进行二值化处理。
6.根据权利要求1至5任一项所述的灯具检测方法，其特征在于，在所述将所述待检测图像进行二值化处理之前，还包括：
将所述待检测图像转换为灰度图像。
7.根据权利要求1至6任一项所述的灯具检测方法，其特征在于，在所述二值化图像内确定灯具候选框之前，还包括：
对所述二值化图像进行图像腐蚀处理。
8.根据权利要求1至7任一项所述的灯具检测方法，其特征在于，基于所述二值化图像确定灯具候选框，包括：
确定所述二值化图像中，由明亮像素组成的连通区域为所述灯具候选框。
9.根据权利要求8所述的灯具检测方法，其特征在于，基于所述二值化图像确定灯具候选框之前，还包括：
去除所述二值化图像中，面积小于预设的面积阈值的所述连通区域。
10.根据权利要求1至9任一项所述的灯具检测方法，其特征在于，所述对所述待检测图像中对应所述灯具候选框的候选区域进行识别，确定所述待检测图像的灯具目标框，包括：
将每个所述候选区域输入至预先完成训练的分类神经网络，所述分类神经网络输出每个所述候选区域的分类结果，其中，所述分类结果包括灯具和非灯具；
将分类结果为灯具的候选区域确定为所述灯具目标框。
11.根据权利要求2至5任一项所述的景观灯状态方法，其特征在于，所述获取待检测图像，包括：
在所述待检测视频中获取与所述参考图像的时间间隔为预设时长的一帧图像，确定为所述待检测图像。
12.根据权利要求2至5任一项所述的灯具检测方法，其特征在于，还包括：
删除所述参考图像，将所述待检测图像保存为参考图像，并保存所述待检测图像的灯具目标框。
13.一种灯具检测装置，其特征在于，包括：
获取模块，用于获取待检测图像，其中，所述待检测图像对应的场景内包括灯具；
处理模块，用于将所述待检测图像进行二值化处理，得到二值化图像，并基于所述二值化图像确定灯具候选框；
确定模块，用于对所述待检测图像中对应所述灯具候选框的候选区域进行识别，确定所述待检测图像的灯具目标框，其中，所述灯具目标框为所述灯具所在的位置。
14.一种电子设备，其特征在于，所述设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现权利要求1至12任一项所述的方法。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至12任一所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111122367.7A CN113808117B (zh) | 2021-09-24 | 2021-09-24 | 灯具检测方法、装置、设备及存储介质 |
| PCT/CN2022/119250 WO2023045836A1 (zh) | 2021-09-24 | 2022-09-16 | 灯具检测方法、装置、设备、介质、芯片、产品及程序 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111122367.7A CN113808117B (zh) | 2021-09-24 | 2021-09-24 | 灯具检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113808117A true CN113808117A (zh) | 2021-12-17 |
| CN113808117B CN113808117B (zh) | 2024-05-21 |
Family
ID=78940378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111122367.7A Active CN113808117B (zh) | 2021-09-24 | 2021-09-24 | 灯具检测方法、装置、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113808117B (zh) |
| WO (1) | WO2023045836A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023045836A1 (zh) * | 2021-09-24 | 2023-03-30 | 上海商汤智能科技有限公司 | 灯具检测方法、装置、设备、介质、芯片、产品及程序 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527511A (zh) * | 2016-06-22 | 2017-12-29 | 杭州海康威视数字技术股份有限公司 | 一种智能车辆行车提醒方法及装置 |
| US20190147578A1 (en) * | 2017-11-10 | 2019-05-16 | Arcam Ab | Method and apparatus for detecting electron beam source filament wear |
| CN111444975A (zh) * | 2020-04-02 | 2020-07-24 | 南通大学 | 一种基于图像处理和深度学习的交通灯识别方法 |
| CN111723860A (zh) * | 2020-06-17 | 2020-09-29 | 苏宁云计算有限公司 | 一种目标检测方法及装置 |
| CN111931650A (zh) * | 2020-08-11 | 2020-11-13 | 杭州智行星科技有限公司 | 目标检测模型构建及闯红灯追责方法、***、终端及介质 |
| CN112598071A (zh) * | 2020-12-28 | 2021-04-02 | 北京市商汤科技开发有限公司 | 明火识别方法、装置、设备和存储介质 |
| CN112733818A (zh) * | 2021-03-30 | 2021-04-30 | 深圳佑驾创新科技有限公司 | 基于注意力机制的车灯状态识别方法、装置、终端和介质 |
| US20210192239A1 (en) * | 2019-06-27 | 2021-06-24 | Sensetime Group Limited | Method for recognizing indication information of an indicator light, electronic apparatus and storage medium |
| CN113256560A (zh) * | 2021-04-14 | 2021-08-13 | 安徽理工大学 | 一种基于YOLOv5的掘进机炮头区域入侵检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001299B (zh) * | 2020-08-21 | 2024-02-02 | 浙江省机电设计研究院有限公司 | 一种隧道车指器和照明灯故障识别方法 |
| CN113808117B (zh) * | 2021-09-24 | 2024-05-21 | 北京市商汤科技开发有限公司 | 灯具检测方法、装置、设备及存储介质 |
-
2021
- 2021-09-24 CN CN202111122367.7A patent/CN113808117B/zh active Active
-
2022
- 2022-09-16 WO PCT/CN2022/119250 patent/WO2023045836A1/zh unknown
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527511A (zh) * | 2016-06-22 | 2017-12-29 | 杭州海康威视数字技术股份有限公司 | 一种智能车辆行车提醒方法及装置 |
| US20190147578A1 (en) * | 2017-11-10 | 2019-05-16 | Arcam Ab | Method and apparatus for detecting electron beam source filament wear |
| US20210192239A1 (en) * | 2019-06-27 | 2021-06-24 | Sensetime Group Limited | Method for recognizing indication information of an indicator light, electronic apparatus and storage medium |
| CN111444975A (zh) * | 2020-04-02 | 2020-07-24 | 南通大学 | 一种基于图像处理和深度学习的交通灯识别方法 |
| CN111723860A (zh) * | 2020-06-17 | 2020-09-29 | 苏宁云计算有限公司 | 一种目标检测方法及装置 |
| CN111931650A (zh) * | 2020-08-11 | 2020-11-13 | 杭州智行星科技有限公司 | 目标检测模型构建及闯红灯追责方法、***、终端及介质 |
| CN112598071A (zh) * | 2020-12-28 | 2021-04-02 | 北京市商汤科技开发有限公司 | 明火识别方法、装置、设备和存储介质 |
| CN112733818A (zh) * | 2021-03-30 | 2021-04-30 | 深圳佑驾创新科技有限公司 | 基于注意力机制的车灯状态识别方法、装置、终端和介质 |
| CN113256560A (zh) * | 2021-04-14 | 2021-08-13 | 安徽理工大学 | 一种基于YOLOv5的掘进机炮头区域入侵检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| PETER KAN 等: "DeepLight:light source estimation for augmented reality using deep learning", SPRINGER, 7 May 2019 (2019-05-07), pages 873 - 883, XP036901772, DOI: 10.1007/s00371-019-01666-x * |
| 余震 等: "加权显著图耦合像素决策的红外目标检测算法", 计算机工程与设计, pages 216 - 222 * |
| 贾涛 等: "基于BING和GS的图像目标检测中的快速候选框生成算法", 信息工程大学学报, pages 151 - 157 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023045836A1 (zh) * | 2021-09-24 | 2023-03-30 | 上海商汤智能科技有限公司 | 灯具检测方法、装置、设备、介质、芯片、产品及程序 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023045836A1 (zh) | 2023-03-30 |
| CN113808117B (zh) | 2024-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8045761B2 (en) | Detection of environmental conditions in a sequence of images | |
| AU2011265429B2 (en) | Method and system for robust scene modelling in an image sequence | |
| CN109726620B (zh) | 一种视频火焰检测方法及装置 | |
| KR101432440B1 (ko) | 화재 연기 감지 방법 및 장치 | |
| CN110223284B (zh) | 一种基于智能终端的针孔摄像头的探测方法及探测装置 | |
| CN109413411B (zh) | 一种监控线路的黑屏识别方法、装置及服务器 | |
| US10438072B2 (en) | Video data background tracking and subtraction with multiple layers of stationary foreground and background regions | |
| CN108810423B (zh) | 一种基于图像亮度梯度的光照角度调节方法及*** | |
| US20160321825A1 (en) | Measuring apparatus, system, and program | |
| CN111190141B (zh) | 一种可见光室内定位中基于图像叠加确定光源发射序列的方法 | |
| KR101224494B1 (ko) | 촬영 대상의 명도 및 채도 변화에 강건한 영상 기반 연기 검출 방법 | |
| JP7092615B2 (ja) | 影検出装置、影検出方法、影検出プログラム、学習装置、学習方法、及び学習プログラム | |
| JP2020088647A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| CN113808117B (zh) | 灯具检测方法、装置、设备及存储介质 | |
| KR101044903B1 (ko) | 영상 감시 시스템에서 은닉 마르코프 모델을 이용한 불 검출방법 | |
| CN115965934A (zh) | 一种停车位检测方法及装置 | |
| CN111723805B (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
| CN109684982B (zh) | 结合易混目标排除的基于视频分析的火焰检测方法 | |
| CN111274896A (zh) | 一种烟火识别算法 | |
| CN113688820B (zh) | 频闪条带信息识别方法、装置和电子设备 | |
| CN113936252A (zh) | 基于视频监控的电瓶车智能管理***及方法 | |
| JP2020030751A (ja) | 物体検出装置、物体検出方法、及び物体検出プログラム | |
| CN110910379A (zh) | 一种残缺检测方法及装置 | |
| CN104809438A (zh) | 一种检测电子眼的方法和设备 | |
| JP7194534B2 (ja) | 対象検知装置、画像処理装置、対象検知方法、画像処理方法、及びプログラム |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40058664 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |