CN114998317A - 镜头遮挡检测方法、装置、摄像装置和存储介质 - Google Patents
镜头遮挡检测方法、装置、摄像装置和存储介质 Download PDFInfo
- Publication number
- CN114998317A CN114998317A CN202210838641.9A CN202210838641A CN114998317A CN 114998317 A CN114998317 A CN 114998317A CN 202210838641 A CN202210838641 A CN 202210838641A CN 114998317 A CN114998317 A CN 114998317A
- Authority
- CN
- China
- Prior art keywords
- image
- connected domain
- lens
- detected
- 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 125
- 238000000034 method Methods 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 26
- 230000003068 static effect Effects 0.000 description 9
- 230000000903 blocking effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000011541 reaction mixture Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- QVRVXSZKCXFBTE-UHFFFAOYSA-N n-[4-(6,7-dimethoxy-3,4-dihydro-1h-isoquinolin-2-yl)butyl]-2-(2-fluoroethoxy)-5-methylbenzamide Chemical compound C1C=2C=C(OC)C(OC)=CC=2CCN1CCCCNC(=O)C1=CC(C)=CC=C1OCCF QVRVXSZKCXFBTE-UHFFFAOYSA-N 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000011218 segmentation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种镜头遮挡检测方法、装置、摄像装置和存储介质。所述方法包括:获取待检测图像,所述待检测图像包括多帧原始图像,所述待检测图像由所述镜头在运动状态下采集;确定每帧所述原始图像的连通域以及连通域的质心;基于多帧所述原始图像的连通域的重合度以及质心距离判断所述镜头是否存在遮挡。采用本方法能够有效检测镜头异物的遮挡,尤其对于体积较小的异物造成的遮挡有着较好的检测效果。解决了现有技术中如污渍等小体积异物对镜头造成的遮挡,现有技术中尚未提出有效检测方法的技术问题。使镜头遮挡检测的技术更加成熟、完善,遮挡检测结果更加精确、可靠。
Description
技术领域
本申请涉及图像检测领域,特别是涉及一种镜头遮挡检测方法、装置、摄像装置和存储介质。
背景技术
随着摄像技术的发展,摄像装置逐渐应用于各个行业领域,如常见的医疗摄像、ATM机监控、道路监控、车载摄像等。现有摄像装置中,有一部分已经装配了相应的机械及电气结构,可以通过远程手动或自动控制,使镜头短距离直线运动或转动。而对于手持摄像装置或车载摄像装置等,虽可能未装配运动控制结构,但镜头在使用过程中也可能处于运动状态。
在摄像装置的使用过程中,如果镜头被外界物体遮挡,不仅影响视频、图像的正常采集,对于某些应用场景如医疗摄像、自动驾驶车载摄像等,还会造成巨大的安全隐患。因此,摄像装置的镜头遮挡检测技术至关重要。
目前对于镜头遮挡检测技术是对镜头所采集的视频或图像进行分析,基于图像像素值、图像亮度或图像颜色信息进行遮挡检测。然而现有技术虽然可以检测镜头的大部分遮挡,但是对于如污渍等小体积异物对镜头造成的遮挡,现有技术中尚未提出有效的检测方法。
发明内容
基于此,有必要针对上述技术问题,提供一种能够检测镜头小部分遮挡的镜头遮挡检测方法、装置、摄像装置和存储介质。
一种镜头遮挡检测方法,包括:
获取待检测图像,所述待检测图像包括多帧原始图像,所述待检测图像由所述镜头在运动状态下采集;
确定每帧所述原始图像的连通域以及连通域的质心;
基于多帧所述原始图像的连通域的重合度以及质心距离判断所述镜头是否存在遮挡。
在其中的一些实施例中,所述确定每帧所述原始图像的连通域以及连通域的质心包括:
对所述待检测图像进行二值化处理,得到待检测二值化图像;
基于所述待检测二值化图像确定每帧所述原始图像的连通域以及连通域的质心。
在其中的一些实施例中,所述确定每帧所述原始图像的连通域以及连通域的质心还包括:
对所述待检测图像进行二值化处理,得到待检测二值化图像;
确定所述待检测二值化图像的第一连通域,以及,确定所述待检测图像的第二连通域;
基于所述第一连通域以及第二连通域的重合度确定所述原始图像的连通域。
在其中的一些实施例中,所述确定每帧所述原始图像的连通域以及连通域的质心还包括:
对所述待检测图像进行灰度处理,得到待检测灰度图像;
对所述待检测图像进行二值化处理,得到待检测二值化图像;
确定所述待检测二值化图像的第三连通域和第三连通域的第三质心;
确定与基点相邻且与所述基点灰度等级的差值在预设范围内的扩张像素点,以所述扩张像素点作为基点进行扩张,直至没有新的扩张像素点为止,基于所有扩张像素点与所述基点,确定第四连通域和第四连通域的第四质心,所述基点为所述第三质心在所述待检测灰度图像中对应的像素点;
基于所述第三质心以及第四质心的距离确定所述原始图像的连通域。
在其中的一些实施例中,所述确定每帧所述原始图像的连通域包括:
对每帧所述原始图像进行分割,得到预设数量的原始子图像;
获取每个所述原始子图像中的子连通域;
将多个所述子连通域融合,得到每帧所述原始图像的连通域。
在其中的一些实施例中,所述镜头以第一速度运动,所述基于多帧所述原始图像的连通域的重合度以及质心距离判断所述镜头是否存在遮挡包括:
确定基准原始图像以及待比对原始图像,所述基准图像与所述待比对原始图像之间的时间间隔基于所述第一速度确定;
确定所述基准原始图像的连通域与所述待比对原始图像的连通域的第一重合度,以及,确定所述基准原始图像连通域的质心与所述待比对原始图像连通域的质心的第一距离;
若所述第一重合度大于第一预设阈值,且所述第一距离小于第二预设阈值,则将所述待比对原始图像连通域加入基准连通域队列,所述基准连通域队列基于所述基准原始图像中的连通域构建;
若所述基准连通域队列中的连通域数大于第三预设阈值,则判断所述镜头存在遮挡;
若所述基准连通域队列中的连通域数不大于所述第三预设阈值,则重新确定待比对原始图像,并与所述基准原始图像进行比对。
在其中的一些实施例中,所述确定所述基准原始图像的连通域与所述待比对原始图像的连通域的第一重合度,以及,确定所述基准原始图像连通域的质心与所述待比对原始图像连通域的质心的第一距离之后还包括:
若所述第一重合度不大于第一预设阈值,和/或,所述第一距离不小于所述第二预设阈值,则将所述基准连通域队列清除,并基于所述待比对图像的连通域构建新的基准连通域队列。
在其中的一些实施例中,所述获取待检测图像之后还包括:
将所述待检测图像进行灰度处理,得到待检测灰度图像;
获取每帧所述待检测灰度图像中每个灰度等级的像素个数;
确定目标灰度等级,并基于所述目标灰度等级的像素个数和连续检测帧数判断所述镜头是否存在遮挡,所述目标灰度等级为像素个数最多的灰度等级。
一种镜头遮挡检测装置,所述装置包括:
图像获取模块,用于获取待检测图像,所述待检测图像包括多帧原始图像,所述待检测图像由所述镜头在运动状态下采集;
图像处理模块,用于确定每帧所述原始图像的连通域以及连通域的质心;
遮挡确定模块,用于基于多帧所述原始图像的连通域的重合度以及质心距离判断所述镜头是否存在遮挡。
一种摄像装置,所述装置包括镜头组、图像传感器、存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任意一项所述镜头遮挡检测的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述镜头遮挡检测的方法。
一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任意一项所述镜头遮挡检测的方法。
上述镜头遮挡检测方法、装置、摄像装置和存储介质,在获取运动状态镜头所采集的多帧原始图像作为待检测图像后,获取原始图像的连通域以及连通域的质心。当镜头被污渍等小体积异物遮挡时,所述异物形成的连通域及连通域的质心也会被识别并获取。在不同帧的原始图像中,相对镜头运动物体的连通域重合度就会降低(近大远小),且连通域的质心距离也会变化。但是小体积遮挡异物相对于镜头是静止的,因此不同帧原始图像中的连通域重合度和质心距离相对不变或变化很小。因此,基于多帧所述原始图像的连通域的重合度以及质心距离,即可判断所述镜头是否被小体积异物遮挡。
通过以上检测过程,本申请实施例提供的镜头遮挡检测方法、装置、摄像装置和存储介质,能够有效检测镜头异物的遮挡,尤其对于体积较小的异物造成的遮挡有着较好的检测效果。解决了现有技术中,污渍、水滴等小型异物对镜头的遮挡缺少有效检测方案的技术问题。使镜头遮挡检测的技术更加成熟、完善,遮挡检测结果更加精确、可靠,能够满足医疗摄像、自动驾驶车载摄像等对遮挡检测要求较高的应用条件,具有突出的实质性特点和显著的进步。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为一个实施例中镜头遮挡检测方法的流程示意图;
图2为一个实施例中基准原始图像与待比对原始图像连通域的外接矩形示意图;
图3为一个实施例中镜头存在大部分遮挡时的某帧原始图像;
图4为一个实施例中镜头存在大部分遮挡时,某帧待测灰度图像中像素值个数统计图;
图5为一个实施例中镜头遮挡检测方法具体实施流程示意图;
图6为一个实施例中镜头遮挡检测装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
除另作定义外,本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制,它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体,其目的是涵盖不排他的包含;例如,包含一系列步骤或模块(单元)的过程、方法和***、产品或设备并未限定于列出的步骤或模块(单元),而可包括未列出的步骤或模块(单元),或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接,而可以包括电气连接,无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。通常情况下,字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等,只是对相似对象进行区分,并不代表针对对象的特定排序。
以下所使用的术语“模块”、“单元”等为可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以硬件来实现,但是软件,或者软件和硬件的组合的实现也是可能并被构想的。
本申请实施例中,如图1所示,提供了一种镜头遮挡检测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
S101:获取待检测图像,所述待检测图像包括多帧原始图像,所述待检测图像由所述镜头在运动状态下。
本申请实施例中,终端获取镜头在运动状态下所拍摄的原始图像,所述运动状态是指所述镜头相对于地面运动。其中,所述镜头可以是摄像头、摄像机、摄影机等具有图像采集或视频采集功能的摄像装置的镜头或镜头组。所述原始图像,可以是镜头所拍摄视频中的图像,也可以是镜头直接拍摄的图像。终端获取待检测图像,所述待检测图像包括多帧原始图像。当镜头拍摄视频时,终端可以从所述视频中获取多帧原始图像;当镜头拍摄图像时,所述多帧原始图像可以是全部或部分拍摄的原始图像。可以理解的,所述多帧原始图像也可以从视频中图像和拍摄图像中同时获取,本申请在此不做限制。
S103:确定每帧所述原始图像的连通域以及连通域的质心。
所述连通域指的是,图像中具有相同或相近像素值且位置相邻的像素点组成的图像区域。本申请实施例中,所述原始图像中可能包括镜头拍摄到的各种目标物体,如行人、车辆、建筑物等。现有技术中的目标识别技术,可以将这些目标物体识别出来并进行标记,通常使用外接矩形来标记识别出来的目标物体。在每帧原始图像中,所有拍摄到的目标物体都是像素点的集合,而组成同一目标物体的像素值因相同或相近可以形成连通域,因此可以通过确定连通域的方式在原始图像中确定目标物体。如果镜头存在遮挡,那么遮挡物体形成的连通域也会作为目标物体被确认出来。值得一提的是,虽然现有技术中的目标识别技术可以识别出如行人、车辆、建筑物等目标物体,但是尚且难以对附着在镜头上的遮挡物进行识别。另外,可以理解的,每帧原始图像中的连通域数量取决于目标物体的数量。终端在根据相同或相近的像素值确定所有连通域后,即可确定所有连通域的质心。
具体地,本申请实施例中,终端在获取多帧原始图像之后,确定连通域的具体方法可以是通过遍历原始图像标记等价对,也可以是通过定位连通域的内外轮廓进行标记等等,本申请在此不做限制。在确定连通域后,终端可以通过图像质心算法确定每帧原始图像连通域的质心。
S105:基于多帧所述原始图像的连通域的重合度以及质心距离判断所述镜头是否存在遮挡。
本申请实施例中,在运动状态下镜头所采集到的多帧原始图像中,所述镜头拍摄到的物体都会作为连通域被识别并获取,并进一步获取这些连通域的质心。可以理解的,当镜头被污渍等小体积异物遮挡时,所述异物形成的连通域及其连通域的质心也会被识别并获取。当镜头运动时,拍摄到的大部分物体相对于镜头也都是运动的。又因为镜头获取的多帧原始图像具有连续性,所以在不同帧的原始图像中,相对运动物体的连通域重合度就会降低(近大远小),且连通域的质心距离也会变化。但是附着在镜头表面的小体积遮挡异物,即使镜头运动,小体积遮挡异物相对于镜头也是静止的。所以,不同帧的原始图像中,由小体积遮挡异物形成的连通域重合度比较高,连通域的质心距离也几乎不变。因此,基于多帧所述原始图像的连通域的重合度以及质心距离,即可判断所述镜头是否被小体积异物遮挡。
具体地,本申请实施例中,当多帧所述原始图像的连通域的重合度较高,且多帧所述原始图像的连通域的质心距离较小的情况下,则可以判定镜头被所述连通域对应的目标物体遮挡。当多帧所述原始图像的连通域的重合度较低时,则说明所述连通域对应的目标物体,正逐渐接近或逐渐远离镜头,因此可以判定所述目标物体未对镜头造成遮挡。另一方面,当多帧所述原始图像的连通域的质心距离变化较大的情况下,则说明所述连通域对应的物体有进入或离开镜头拍摄范围的趋势,可以判定所述目标物体未对镜头造成遮挡。
本申请实施例提供的镜头遮挡检测方法,能够有效检测镜头异物的遮挡,尤其对于体积较小的异物造成的遮挡有着较好的检测效果。解决了现有技术中,污渍、水滴等小型异物对镜头的遮挡缺少有效检测方案的技术问题。使镜头遮挡检测的技术更加成熟、完善,遮挡检测结果更加精确、可靠,能够满足医疗摄像、自动驾驶车载摄像等对遮挡检测要求较高的应用条件,具有突出的实质性特点和显著的进步。
本申请实施例中,在步骤S101中镜头采集到的原始图像可以是彩色、灰度或二值化等各种形式的图像。在步骤S103中,当待检测图像为非二值化图像时,本申请实施例提供一种将所述待检测图像进行二值化处理后,获取连通域以及连通域质心的方法:
S201:对所述待检测图像进行二值化处理,得到待检测二值化图像。
本申请实施例中,基于镜头采集的视频或图像序列具有连续的特点,对于多帧原始图像来说,如果图像中的目标物体相对于镜头运动,则不同帧之间的变化较为明显;如果图像中的目标物体相对于镜头静止,如遮挡异物,则不同帧之间的变化较为微弱。所以可以通过设定阈值的方式,将待测图像进行二值化处理,以排除掉相对于镜头运动的未遮挡镜头的目标物体。获取第n帧和第n-N帧原始图像中所有像素点的像素值,其中n≠N。将第n帧图像与第n-N帧原始图像对应像素点的像素值相减,并取其绝对值作为所述像素点的新像素值,以此得到像素差值图像:
设定阈值t,认为不运动目标物体的像素值为255,运动目标物体的像素值为0,对像素差值图像进行二值化处理:
S203:基于所述待检测二值化图像确定每帧所述原始图像的连通域以及连通域的质心。
本申请实施例中,在确定连通域之前,可以对二值化图像进行预处理,如中值滤波去除椒盐噪声等。确定二值化图像中的连通域可以参考现有技术中的方法,如遍历待检测二值化图像并标记处理等价对的方法、定位连通域的内外轮廓进行标记的方法等。在确定所述连通域之后,根据式(3)、式(4)可以计算并确认连通域的质心:
本申请实施例中,通过将待检测图像进行二值化处理,可以将相对于镜头运动的目标物体排除。得到的待检测二值化图像中,连通域对应的目标物体均为相对于镜头是静止状态的物体,存在遮挡镜头的可能。二值化处理可以有效地排除大部分非遮挡目标物体,减轻了后续遮挡判定过程的检测压力,整体上提高了镜头遮挡检测的效率。
本申请实施例基于多帧原始图像的连通域的重合度以及质心距离判断所述镜头是否存在遮挡。具体地,本申请实施例提供一种步骤S105的具体实施方式,包括:
S301:镜头以第一速度运动,确定基准原始图像以及待比对原始图像,所述基准图像与所述待比对原始图像之间的时间间隔基于所述第一速度确定。
本申请实施例中,当镜头以第一速度运动时,基于所述第一速度确定时间间隔。当多帧原始图像从镜头所拍摄的视频中获取时,首先获取的原始图像为基准原始图像,经过所述时间间隔后,获取的原始图像为待比对原始图像。类似的,当多帧原始图像从镜头所拍摄的图像中获取,或拍摄的视频与图像中同时获取时,都可以以所述时间间隔获取基准原始图像与待比对原始图像。
本申请实施例中,确定所述时间间隔的有益效果是,在一般情况下目标物体的运动速度普遍较低,当镜头运动的速度也较低时,镜头与目标物体的相对速度就较低。这时如果获取基准原始图像与待比对原始图像的时间间隔很短,相对慢速运动目标物体则需要经过很多次检测才可判定为非遮挡物体。因此镜头运动速度较低时,可以预设较长的时间间隔,降低检测时的运算成本。
S303:确定所述基准原始图像的连通域与所述待比对原始图像的连通域的第一重合度,以及,确定所述基准原始图像连通域的质心与所述待比对原始图像连通域的质心的第一距离。
本申请实施例中,在基准原始图像中可能存在多个目标物体对应的连通域。确定基准原始图像后对每一个连通域进行标记,并构建每一个连通域的连通域队列。基准原始图像的基准连通域队列构建完成后,将待比对原始图像中的连通域与所有基准连通域队列中的连通域进行比对。确定两个连通域重合度的方法可以是一种或多种,如计算IoU(Intersection over Union,交并比)及其各种衍生概念的计算方法中的一种或多种,本申请在此不做限制。本申请实施例以其中一种衍生方法DIoU(Distance- Intersection overUnion,基于距离的交并比)的计算为示例进行说明。如图2所示,基准连通域队列中连通域与待比对原始图像中一个连通域的重合度可以由式(5)确定:
在图2和式(5)中,为基准连通域队列中连通域与待比对原始图像中一个连通
域的第一重合度,A为基准连通域队列中连通域的外接矩形,B为待比对原始图像中一个连
通域的外接矩形,为矩形A与矩形B相交矩形的面积,为矩形A与矩形B外接矩形
的面积,d为矩形A、B中心点的距离,c为矩形A、B外接矩形的对角线长度。
基准连通域队列和待比对原始图像中,连通域的质心可以根据式(3)和式(4)计算确定。在确定连通域质心后,质心间的第一距离可以由式(6)确定:
S305:若所述第一重合度大于第一预设阈值,且所述第一距离小于所述第二预设阈值,则将所述待比对原始图像连通域加入基准连通域队列,所述基准连通域队列基于所述基准原始图像中的连通域构建。
本申请实施例中,设定第一阈值t1和第二阈值t2,当>t1且<t2时,将
待比对原始图像的连通域加入连通域队列,记每个基准连通域队列的基础连通域数F=1,队
列中每增加一个连通域,该基准通域队列的连通域数F增加1。
S307:若所述基准连通域队列中的连通域数大于第三预设阈值,则判断所述镜头存在遮挡;若所述基准连通域队列中的连通域数不大于所述第三预设阈值,则重新确定待比对原始图像,并与所述基准原始图像进行比对。
本申请实施例中,设定第三阈值t3,当F>t3时,则判断镜头存在遮挡;若F≤t3时,则保留队列,重新确定待比对原始图像,且前一个待比对原始图像作为下一次比对时的基准原始图像。
本申请实施例通过连续比对多帧原始图像中相似连通域的重合度以及连通域的质心距离,完成镜头遮挡的检测。在连续比对多帧原始图像的过程中,如果多个连通域的重合度足够高,且多个连通域的质心距离足够小时,会逐渐积累该连通域队列中相似连通域的数量。当所述数量达到阈值时,可以确定同一目标物体对应的连通域长时间存在于待测图像中,且在图像中的位置相对固定,则判定镜头被该目标物体遮挡。
本申请实施例中,步骤S303之后,还可以包括:
S304:若所述第一重合度不大于第一预设阈值,和/或,所述第一距离不小于所述第二预设阈值,则将所述连通域队列清除,并基于所述待比对图像的连通域构建新的连通域队列。
本申请实施例中,当≤t1和/或≥t2时,将所述连通域队列清除,并基
于待比对原始图像的连通域构建新的连通域队列。在连通域比对过程中,将待比对原始图
像中的所有连通域,与所有连通域队列中最后加入的连通域进行比对。在完成一帧待比对
原始图像的比对过程后,当某连通域队列中最后加入的连通域,无法匹配到满足>t1
且<t2的待比对连通域时,则认为待比对原始图像中,所述连通域队列所对应的目
标物体,相对于镜头产生了较大范围的移动。因此可以判定所述连通域队列对应的目标物
体未对镜头造成遮挡,可以清除掉所述连通域队列。另一方面,当待比对原始图像中的某一
连通域,在所有连通域队列中都匹配不到满足>t1且<t2的连通域,则认为待
比对连通域对应的目标物体,可能是之前存在于原始图像中但相对于镜头产生了较大位移
的物体,也可能是镜头拍摄待比对原始图像时刚刚进入拍摄范围的外界目标物体,还可能
是镜头拍摄待比对原始图像时刚刚产生的镜头遮挡物。因此,需要对所述待比对连通域创
建新的连通域队列,再使用本申请提供的遮挡检测方法进行后续检测。可以理解的,本申请
提供的遮挡检测方法,是基于镜头移动过程中拍摄到的原始图像具有连续性的特点,需要
获取多帧原始图像才能够实现合理的判定。对镜头的短时遮挡如近距离经过镜头的目标物
体等,或一段时间内与镜头相对静止而后又产生相对运动的目标物体等,都需要经过连续
多帧的检测才能够判定为非遮挡物体。
本申请实施例中,当连续多帧原始图像中的连通域重合度足够高、质心距离足够小,但接下来多帧原始图像中的连通域不再满足所述判定要求时,则可以确定所述连通域对应的目标物体,是在与镜头保持相对静止一段时间后,又与镜头产生了相对运动或离开了镜头拍摄范围,所以所述目标物体不被判定为遮挡。当然,可以理解的,目标物体也可以是突然出现在基准原始图像中,在获取待比对原始图像的时间间隔中,所述目标物体因速度较高产生了较大位移或离开了镜头拍摄范围,此时该目标物体也被判定为未对镜头造成遮挡。将非遮挡目标物体对应的连通域所在队列清除,可以在之后的比对过程中,不再参与遮挡检测过程,节省了检测时间,减小了检测成本,提高了检测效率。
本申请实施例提供了一种基于比较连通域和连通域质心距离的遮挡检测方法,尤其可以检测出体积较小的镜头遮挡物。在镜头被大体积物体遮挡时,本申请还提供一种基于灰度图像的辅助检测方法,结合两种检测方法可以提高镜头遮挡检测的整体效率。在步骤S101获取待检测图像之后,还包括:
S401:将所述待检测图像进行灰度处理,得到待检测灰度图像。
本申请实施例中,当待检测图像为彩色图像时,对所述检测图像进行灰度处理,得到待检测灰度图像。灰度图像由不同灰度等级的像素组成,灰度等级包括0-255的正整数,当灰度等级为0时像素点显示为黑色,灰度等级为255时像素点显示为白色。灰度图像描述了图像中灰度的分布情况,能够很直观地展示出图像中各个灰度等级的像素数量。将彩色图像处理为灰度图像的方法可以是最大值法、均值法或加权平均值法等,本申请在此不做限制。
S403:获取每帧所述待检测灰度图像中每个灰度等级的像素个数。
S405:确定目标灰度等级,并基于所述目标灰度等级的像素个数和连续检测帧数判断所述镜头是否存在遮挡,所述目标灰度等级为像素个数最多的灰度等级。
本申请实施例中,通过将待检测图像进行灰度处理得到灰度图像,统计灰度图像中各像素点的灰度等级,确定像素个数最多的目标灰度等级后,根据所述像素个数和连续检测帧数判断镜头是否存在遮挡。图3为镜头被大部分遮挡的原始图像,图4为所述原始图像进行灰度处理后,各灰度等级的像素个数统计表,其中,横坐标为像素等级,纵坐标为像素个数。从图4可以很直观地看出,如图3所示镜头被大部分遮挡时,灰度图像中大部分像素值的灰度等级集中分布在9-18的灰度等级区间内。可以理解的,当大体积物体遮挡镜头时,所述检测方法可以简单、高效地检测出遮挡结果。因此在步骤S101获取待检测图像后,可以将步骤S401至步骤S405的辅助检测方法与前述检测方法并行,当任一检测方法判定镜头存在遮挡时即可确定检测结果,提高了检测效率。当然,也可以优先或滞后执行辅助检测方法,本申请对所述两种检测方法的组合使用方式不做限定。本申请实施例提供的镜头遮挡检测方法,可以使检测结果更加可靠、精确。
本申请实施例中,在步骤S405确定目标灰度等级之后,还提供一种判定遮挡的方法,以扩大检测的灰度等级范围。
S4051:确定目标灰度等级区间,并基于所述目标灰度等级区间、区间内的像素个数以及连续检测帧数判断所述镜头是否存在遮挡,所述目标灰度等级区间为所述目标灰度等级左右相邻像素个数不为零的灰度等级组成的区间。
本申请实施例中,在确定目标灰度等级区间之后,进一步确定目标灰度等级左右
两侧最接近的像素个数为0的灰度等级。将右侧最接近的像素个数为0的灰度等级记为,
将左侧最接近的像素个数为0的灰度等级记为,可以得到由灰度等级至组成的目标
灰度等级区间。所述区间的灰度等级差为,其中:
记左侧灰度等级,参考式(7)得到对应积分和为,根据式(10)得到其占
总积分比例为;记右侧灰度等级j=,参考式(7)得到对应的积分和,根据式(11)得
到其占总积分比例为;将目标灰度等级区间内的像素个数占总积分比例记为,根据式
(12)可以得到:
本申请实施例中,在将待检测图像进行灰度处理得到灰度图像后,遮挡镜头的物体灰度等级可能并不是某一定值,如颜色渐变的遮挡物等,其灰度等级可能落在某一灰度等级区间内。将目标灰度等级左右两侧接近的灰度等级都作为检测范围,以区间内的像素值个数作为判定依据,可以使检测结果更加精确,对于遮挡物的检测更加全面。
为进一步提高镜头遮挡检测的精确度,本申请实施例还提供一种排除长时间与镜头相对静止的常规目标物体的方法。在步骤S103中,所述确定每帧所述原始图像的连通域以及连通域的质心还包括:
S501:对所述待检测图像进行二值化处理,得到待检测二值化图像。
本申请实施例中,将所述待检测图像进行二值化处理的方法,可以参考步骤S201所述的方法,此处不再赘述。
S503:确定所述待检测二值化图像的第一连通域,以及,确定所述待检测图像的第二连通域。
本申请实施例中,确定二值化图像中的连通域可以参考现有技术中的方法,如遍历待检测二值化图像并标记处理等价对的方法、定位连通域的内外轮廓进行标记的方法等。确定所述待检测图像的第二连通域,可以参考现有技术中,对镜头拍摄到的行人、车辆、建筑物等常规目标物体的识别技术。当识别到待检测图像中的所述常规目标物体时,确定其连通域的方法可以参考步骤S103所述的方法,此处不再赘述。
S505:基于所述第一连通域以及第二连通域的重合度确定所述原始图像的连通域。
本申请实施例中,如步骤S201所述,通过设定阈值的方式,将待测图像进行二值化
处理,可以排除掉相对于镜头运动的未遮挡镜头的目标物体。所以,当存在长时间与镜头相
对静止的目标物体时,其所对应的连通域也会出现在待检测二值化图像中。也即,所述第一
连通域对应的目标物体为与镜头相对静止的目标物体。所述相对静止的目标物体可以是附
着在镜头表面的遮挡物,也可以是与镜头运动速度、运动方向均相同的目标物体。另一方
面,如步骤S103所述,目前的目标识别技术尚且难以对附着在镜头表面的遮挡物进行识别,
只能对行人、车辆、建筑物等常规目标物体进行识别。所以,基于目前的目标识别技术,可以
将待检测图像中的常规目标物体识别出来,所述常规目标物体对应的连通域为所述第二连
通域。至此,可以理解的是,所述第一连通域对应的目标物体,可能是镜头遮挡物,也可能是
运动速度、运动方向与镜头均相同的常规目标物体。而所述第二连通域对应的目标物体,只
是通过目标识别技术识别出的常规目标物体。参考步骤S303中式(5)和图3所述获取两个连
通域重合的方法可以得到,第一连通域与第二连通域的重合度,通过设定第七阈值
t7,当>t7时,可以认为第一连通域与第二连通域所对应的目标物体为同一目标物体,
所述目标物体为与镜头相对静止的常规目标物体,未对镜头造成遮挡。将所述第一、第二连
通域对应目标物体排除后的多帧原始图像,作为步骤S105中所述多帧原始图像进行遮挡检
测。
本申请实施例中,结合现有技术中的目标识别技术,可以有效检测出与镜头相对静止的常规目标物体,排除了常规目标物体对镜头遮挡检测的干扰,有效地提高了镜头遮挡检测结果的精准度,使检测结果更为可靠。可以理解的,本申请步骤S501至步骤S505所述的检测方法,可以在判定遮挡结果之前实施,对干扰检测的目标物体进行排除,节省后续检测过程的算力资源;也可以在判定镜头存在遮挡之后实施,对判定结果进行校验,进一步提升检测结果的准确度。
另外,针对某些其它对检测产生干扰的目标物体,现有的目标物体识别技术难以对其识别标记,如长时间出现在镜头中的围墙、护栏等目标物体。本申请实施例还提供一种将其排除的检测方法。在步骤S103中,所述确定每帧所述原始图像的连通域以及连通域的质心还包括:
S601:对所述待检测图像进行灰度处理,得到待检测灰度图像。
本申请实施例中,将所述待检测图像进行灰度处理的方法,可以参考步骤S401的说明,此处不再赘述。
S603:对所述待检测图像进行二值化处理,得到待检测二值化图像。
本申请实施例中,将所述待检测图像进行二值化处理的方法,可以参考步骤S201所述的方法,此处不再赘述。
S605:确定所述待检测二值化图像的第三连通域和第三连通域的第三质心。
本申请实施例中,确定所述待检测二值化图像的第三连通域和第三连通域的第三质心的方法,可以参考步骤S203所述的方法。此处均不再赘述。
S607:确定与基点相邻且与所述基点灰度等级的差值在预设范围内的扩张像素点,以所述扩张像素点作为基点进行扩张,直至没有新的扩张像素点为止,基于所有扩张像素点与所述基点,确定第四连通域和第四连通域的第四质心,所述基点为所述第三质心在所述待测灰度图像中对应的像素点。
本申请实施例中,使用大津算法计算出待检测灰度图像的第八阈值t8。大津算法是假定待检测灰度图像根据双模直方图包含两类像素(如像素值为0或255的两类像素),如果要将待测灰度图像进行二值化处理,存在一个灰度等级阈值,如按照所述灰度等级阈值进行二值化处理,得到的二值化图像效果最佳。所述第八阈值t8为大津算法计算过程中涉及到的类间方差值,使所述第八阈值t8最大的灰度等级即为所述灰度等级阈值。大津算法的计算原理及计算过程为现有技术,此处不进行详细说明。在待测灰度图像中确定基点,所述基点的坐标与待检测二值化图像的第三连通域的第三质心坐标一致,根据式(13)得到与所述基点与相邻的多个像素点的灰度等级差:
其中,为基点与相邻像素点的灰度等级差的绝对值,为坐标是的基
点的灰度等级,为坐标是的与基点相邻的像素点的灰度等级,其
中。当<t8时,说明该相邻像素的灰度等级与基点接近,将满足<t8的相邻像素点与基点一同划分为一个连通域。随后,将所有满足<t8的相邻像
素点再作为基点,重复上述判定过程,不断扩张连通域,直至没有满足<t8的相邻像素
点为止。此时得到完成扩张的连通域,确定为第四连通域。确定第四连通域质心的方法可以
参考步骤S203所述的方法,此处不再赘述。
S609:基于所述第三质心以及第四质心的距离确定所述原始图像的连通域。
本申请实施例中,确定第三质心与第四质心的第二距离,确定质心距离的
方法可以参考式(6)。设定第九阈值t9,当≥t9时,可以认为第三连通域所对应的目标
物体为长时间出现在原始图像中的较大体积物体,未对镜头造成遮挡。将所述第三连通域
对应的目标物体排除后的多帧原始图像,作为步骤S105中所述多帧原始图像进行遮挡检
测。
本申请实施例中,对于某些大体积的目标物体,如围墙、护栏等,现有的目标识别技术难以将其识别标记。当镜头直线运动时,如长围栏或长围墙等大体积目标物体,可能长时间出现在镜头拍摄的原始图像中。其虽然不与镜头相对静止,但是因为其形状、体积具有连贯性和相似性,在镜头拍摄到的原始图像中,这些目标物体会在一段时间内形成较为稳定的连通域,影响镜头的遮挡检测。然而考虑到镜头处于运动状态,拍摄到这些目标物体的像素值会产生小幅度的变化,使得这些目标物体虽然在灰度图中形成的连通域大小和位置较为稳定,但是其在二值化图像中形成的连通域未必稳定。在对图像进行二值化处理的过程中,这些目标物体形成的连通域可能因为像素值的偏差,形成的二值化图像连通域相较于灰度图像连通域更小,连通域质心的位置也不相同。或者也可能存在灰度图像中的大面积连通域,在二值化图像中被分割为多个小面积连通域的情况。因此,通过确定二值化图像中的第三连通域质心,将其对应在灰度图像中,形成与所述质心灰度等级相近的像素组成的第四连通域。如果第三连通域的质心与第四连通域的质心距离较远,则说明第四连通域对应的目标物体,在二值化的过程中损失掉了部分相似像素值,形成的第三连通域变小,质心也产生了偏移。而对于遮挡异物形成的连通域来说,其二值化过程产生像素损失的可能性非常低,因此其并不会被此检测方法所排除。将第三连通域对应的目标物体排除,可以有效地提高镜头遮挡检测结果的精准度,使检测结果更为可靠。可以理解的,本申请步骤S601至步骤S609所述的检测方法,可以在判定遮挡结果之前实施,对干扰检测的目标物体进行排除,节省后续检测过程的算力资源;也可以在判定镜头存在遮挡之后实施,对判定结果进行校验,进一步提升检测结果的准确度。
本申请实施例中,还可以结合现有技术中语义分割的方法排除掉目标物体的干扰,如排除镜头拍摄到的地面等目标物体对遮挡检测的干扰等。
在处理器对原始图像处理的过程中,可能需要对图像进行灰度、二值化以及遮挡检测进行相关处理运算。基于此,本申请实施例提供一种检测方法,可以有效提升处理器的检测效率。在步骤S103中,还包括:
S701:对每帧所述原始图像进行分割,得到预设数量的原始子图像。
本申请实施例中,可以对每帧原始图像进行分割,得到预设数量的原始子图像。可以进行行、列的分割,也可以进行不规则的分割,本申请对分割方式不做限定。
S703:获取每个所述待测子图像中的子连通域。
本申请实施例中,获取待测子图像中的子连通域方法,可以参考步骤S103的说明,在此不再赘述。
S705:将多个所述子连通域融合,得到每帧所述原始图像的连通域。
本申请实施例中,在处理器进行原始图像的处理时,可以将原始图像分割为预设数量的多个原始子图像,并在每个处理周期内仅处理部分原始子图像,确定部分子图像的连通域。在处理完所有子图像后再对所述子图像融合,得到原始图像的连通域。可以理解的,对于连通域来说,分块处理之后再进行融合,确定的最终连通域,与直接确定原始图像中的连通域是一致的。
本申请实施例中,通过将每帧原始图像进行分割处理,最后融合获得原始图像中的连通域,缩短了程序运行时间,减轻了处理器在处理图片时的运算压力,提高了原始图像处理的效率,也提高了镜头遮挡检测的效率。
本申请实施例中,基于上述镜头遮挡检测方法,提供一种镜头遮挡检测具体的方
法实施流程示意图,如图5所示。将待检测图像分别进行连通域分析和灰度图检测方法进行
检测。一方面,在连通域分析方法中,确定连通域及连通域的质心。将待检测图像使用基于
目标识别技术的检测方法进行检测,当满足>t7时,排除该连通域,否则保留连通域
进行后续检测。将待检测图像使用基于基点灰度等级扩张连通域的检测方法进行检测,当
满足≥t9时,排除该连通域,否则保留连通域进行后续检测。将上述检测方法未排除
的连通域,使用基于连通域重合度和质心距离的遮挡检测方法进行检测。当满足>t1
且<t2时,加入连通域队列并判断连通域队列长度是否满足预设条件,当满足F>t3
时,判定为镜头存在遮挡;当连通域重合度和质心距离不满足>t1且<t2时,
则清除基准连通域队列,基于待比对连通域构建新连通域队列;当加入连通域队列且连通
域队列长度不满足F>t3时,保留基准连通域队列并参与到下一次检测过程中。另一方面,
在灰度图检测方法中,当>t4且连续检测帧数达到第一帧数时,判定镜头存在遮挡。
当<t5且>t6且连续检测的帧数达到第二帧数时,判定镜头存在遮挡。当灰度图检测方
法中的任一判定条件不满足时,则结束本次灰度图检测流程。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的镜头遮挡检测方法的镜头遮挡检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个镜头遮挡检测装置实施例中的具体限定可以参见上文中对于镜头遮挡检测法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种镜头遮挡检测装置900,包括:图像获取模块901、图像处理模块902和遮挡确定模块903,其中:
图像获取模块901,用于获取待检测图像,所述待检测图像包括多帧原始图像,所述待检测图像由所述镜头在运动状态下采集。
图像处理模块902,用于确定每帧所述原始图像的连通域以及连通域的质心。
遮挡确定模块903,用于基于多帧所述原始图像的连通域的重合度以及质心距离判断所述镜头是否存在遮挡。
上述镜头遮挡检测装置900中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本申请的实施例还提供了一种摄像装置,包括镜头组、图像传感器、存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一实施例所述的方法。其中,所述镜头组可以包括多个透镜(凸透镜或凹透镜),用于采集目标物体反射的光信号,并将采集的光信号传递给图像传感器。图像传感器根据所述光信号生成目标物体的原始图像。
本申请的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指令,所述计算机程序指令被处理器执行时实现上述方法。
本申请的实施例提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种镜头遮挡检测方法,其特征在于,包括:
获取待检测图像,所述待检测图像包括多帧原始图像,所述待检测图像由所述镜头在运动状态下采集;
确定每帧所述原始图像的连通域以及连通域的质心;
基于多帧所述原始图像的连通域的重合度以及质心距离判断所述镜头是否存在遮挡。
2.根据权利要求1所述的方法,其特征在于,所述确定每帧所述原始图像的连通域以及连通域的质心包括:
对所述待检测图像进行二值化处理,得到待检测二值化图像;
基于所述待检测二值化图像确定每帧所述原始图像的连通域以及连通域的质心。
3.根据权利要求1所述的方法,其特征在于,所述确定每帧所述原始图像的连通域以及连通域的质心还包括:
对所述待检测图像进行二值化处理,得到待检测二值化图像;
确定所述待检测二值化图像的第一连通域,以及,确定所述待检测图像的第二连通域;
基于所述第一连通域以及第二连通域的重合度确定所述原始图像的连通域。
4.根据权利要求1所述的方法,其特征在于,所述确定每帧所述原始图像的连通域以及连通域的质心还包括:
对所述待检测图像进行灰度处理,得到待检测灰度图像;
对所述待检测图像进行二值化处理,得到待检测二值化图像;
确定所述待检测二值化图像的第三连通域和第三连通域的第三质心;
确定与基点相邻且与所述基点灰度等级的差值在预设范围内的扩张像素点,以所述扩张像素点作为基点进行扩张,直至没有新的扩张像素点为止,基于所有扩张像素点与所述基点,确定第四连通域和第四连通域的第四质心,所述基点为所述第三质心在所述待检测灰度图像中对应的像素点;
基于所述第三质心以及第四质心的距离确定所述原始图像的连通域。
5.根据权利要求1所述的方法,其特征在于,所述确定每帧所述原始图像的连通域包括:
对每帧所述原始图像进行分割,得到预设数量的原始子图像;
获取每个所述原始子图像中的子连通域;
将多个所述子连通域融合,得到每帧所述原始图像的连通域。
6.根据权利要求1所述的方法,其特征在于,所述镜头以第一速度运动,所述基于多帧所述原始图像的连通域的重合度以及质心距离判断所述镜头是否存在遮挡包括:
确定基准原始图像以及待比对原始图像,所述基准图像与所述待比对原始图像之间的时间间隔基于所述第一速度确定;
确定所述基准原始图像的连通域与所述待比对原始图像的连通域的第一重合度,以及,确定所述基准原始图像连通域的质心与所述待比对原始图像连通域的质心的第一距离;
若所述第一重合度大于第一预设阈值,且所述第一距离小于第二预设阈值,则将所述待比对原始图像连通域加入基准连通域队列,所述基准连通域队列基于所述基准原始图像中的连通域构建;
若所述基准连通域队列中的连通域数大于第三预设阈值,则判断所述镜头存在遮挡;
若所述基准连通域队列中的连通域数不大于所述第三预设阈值,则重新确定待比对原始图像,并与所述基准原始图像进行比对。
7.根据权利要求6所述的方法,其特征在于,所述确定所述基准原始图像的连通域与所述待比对原始图像的连通域的第一重合度,以及,确定所述基准原始图像连通域的质心与所述待比对原始图像连通域的质心的第一距离之后还包括:
若所述第一重合度不大于第一预设阈值,和/或,所述第一距离不小于所述第二预设阈值,则将所述基准连通域队列清除,并基于所述待比对图像的连通域构建新的基准连通域队列。
8.根据权利要求1所述的方法,其特征在于,所述获取待检测图像之后还包括:
将所述待检测图像进行灰度处理,得到待检测灰度图像;
获取每帧所述待检测灰度图像中每个灰度等级的像素个数;
确定目标灰度等级,并基于所述目标灰度等级的像素个数和连续检测帧数判断所述镜头是否存在遮挡,所述目标灰度等级为像素个数最多的灰度等级。
9.一种镜头遮挡检测装置,其特征在于,所述装置包括:
图像获取模块,用于获取待检测图像,所述待检测图像包括多帧原始图像,所述待检测图像由所述镜头在运动状态下采集;
图像处理模块,用于确定每帧所述原始图像的连通域以及连通域的质心;
遮挡确定模块,用于基于多帧所述原始图像的连通域的重合度以及质心距离判断所述镜头是否存在遮挡。
10.一种摄像装置,所述装置包括镜头组、图像传感器、存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1-权利要求8中任意一项所述的方法。
11.一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,所述计算机程序被处理器执行时实现权利要求1-权利要求8中任一项所述的方法。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-权利要求8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210838641.9A CN114998317B (zh) | 2022-07-18 | 2022-07-18 | 镜头遮挡检测方法、装置、摄像装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210838641.9A CN114998317B (zh) | 2022-07-18 | 2022-07-18 | 镜头遮挡检测方法、装置、摄像装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998317A true CN114998317A (zh) | 2022-09-02 |
CN114998317B CN114998317B (zh) | 2022-11-04 |
Family
ID=83021260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210838641.9A Active CN114998317B (zh) | 2022-07-18 | 2022-07-18 | 镜头遮挡检测方法、装置、摄像装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998317B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071724A (zh) * | 2023-03-03 | 2023-05-05 | 安徽蔚来智驾科技有限公司 | 车载相机遮挡场景识别方法、电子设备、存储介质及车辆 |
CN116527877A (zh) * | 2023-07-04 | 2023-08-01 | 广州思涵信息科技有限公司 | 设备检测方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027398A (zh) * | 2019-11-14 | 2020-04-17 | 深圳市有为信息技术发展有限公司 | 行车记录仪视频遮挡检测方法 |
CN111860120A (zh) * | 2020-06-03 | 2020-10-30 | 江西江铃集团新能源汽车有限公司 | 车载相机自动遮挡检测方法和装置 |
CN112637588A (zh) * | 2020-12-23 | 2021-04-09 | 维沃移动通信有限公司 | 检测摄像头污损的方法、装置和电子设备 |
CN112669294A (zh) * | 2020-12-30 | 2021-04-16 | 深圳云天励飞技术股份有限公司 | 相机遮挡检测方法、装置、电子设备及存储介质 |
CN113096059A (zh) * | 2019-12-19 | 2021-07-09 | 合肥君正科技有限公司 | 一种车内监控相机排除夜晚光源干扰遮挡检测的方法 |
CN114155201A (zh) * | 2021-11-11 | 2022-03-08 | 浙江大华技术股份有限公司 | 检测镜头附有目标物的方法、装置、设备及可读存储介质 |
WO2022088620A1 (zh) * | 2020-10-28 | 2022-05-05 | 北京市商汤科技开发有限公司 | 相机镜头的状态检测方法、装置、设备及存储介质 |
CN114758124A (zh) * | 2022-03-30 | 2022-07-15 | 北京奇艺世纪科技有限公司 | 目标对象的遮挡检测方法、装置、设备及计算机可读介质 |
-
2022
- 2022-07-18 CN CN202210838641.9A patent/CN114998317B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027398A (zh) * | 2019-11-14 | 2020-04-17 | 深圳市有为信息技术发展有限公司 | 行车记录仪视频遮挡检测方法 |
CN113096059A (zh) * | 2019-12-19 | 2021-07-09 | 合肥君正科技有限公司 | 一种车内监控相机排除夜晚光源干扰遮挡检测的方法 |
CN111860120A (zh) * | 2020-06-03 | 2020-10-30 | 江西江铃集团新能源汽车有限公司 | 车载相机自动遮挡检测方法和装置 |
WO2022088620A1 (zh) * | 2020-10-28 | 2022-05-05 | 北京市商汤科技开发有限公司 | 相机镜头的状态检测方法、装置、设备及存储介质 |
CN112637588A (zh) * | 2020-12-23 | 2021-04-09 | 维沃移动通信有限公司 | 检测摄像头污损的方法、装置和电子设备 |
CN112669294A (zh) * | 2020-12-30 | 2021-04-16 | 深圳云天励飞技术股份有限公司 | 相机遮挡检测方法、装置、电子设备及存储介质 |
CN114155201A (zh) * | 2021-11-11 | 2022-03-08 | 浙江大华技术股份有限公司 | 检测镜头附有目标物的方法、装置、设备及可读存储介质 |
CN114758124A (zh) * | 2022-03-30 | 2022-07-15 | 北京奇艺世纪科技有限公司 | 目标对象的遮挡检测方法、装置、设备及计算机可读介质 |
Non-Patent Citations (1)
Title |
---|
邬美银等: "基于深度学习的监控视频树叶遮挡检测", 《武汉科技大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071724A (zh) * | 2023-03-03 | 2023-05-05 | 安徽蔚来智驾科技有限公司 | 车载相机遮挡场景识别方法、电子设备、存储介质及车辆 |
CN116071724B (zh) * | 2023-03-03 | 2023-08-04 | 安徽蔚来智驾科技有限公司 | 车载相机遮挡场景识别方法、电子设备、存储介质及车辆 |
CN116527877A (zh) * | 2023-07-04 | 2023-08-01 | 广州思涵信息科技有限公司 | 设备检测方法、装置、设备及存储介质 |
CN116527877B (zh) * | 2023-07-04 | 2023-09-29 | 广州思涵信息科技有限公司 | 设备检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114998317B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400332B (zh) | 一种目标检测跟踪方法、装置及计算机设备 | |
CN114998317B (zh) | 镜头遮挡检测方法、装置、摄像装置和存储介质 | |
JP6549797B2 (ja) | 通行人の頭部識別方法及びシステム | |
CN109559324B (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN108985162A (zh) | 目标实时跟踪方法、装置、计算机设备及存储介质 | |
CN105631418A (zh) | 一种人数统计的方法和装置 | |
CN109087295B (zh) | 基于灰度值投影法的桥梁露筋视觉检测方法 | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN112949398A (zh) | 车道线检测方法、测距方法及对应装置 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
US20150178573A1 (en) | Ground plane detection | |
CN107578011A (zh) | 视频关键帧的判定方法及装置 | |
CN111753775A (zh) | 鱼的生长评估方法、装置、设备及存储介质 | |
WO2019242388A1 (zh) | 一种基于深度图像的图书馆机器人障碍识别方法 | |
CN107832732B (zh) | 基于三叉树遍历的车道线检测方法 | |
CN113963438A (zh) | 行为识别方法及装置、设备和存储介质 | |
CN111429487B (zh) | 一种深度图像的黏连前景分割方法及装置 | |
CN107977608A (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN113240829A (zh) | 一种基于机器视觉的闸机智能通行检测方法 | |
CN110135382B (zh) | 一种人体检测方法和装置 | |
CN110020572B (zh) | 基于视频图像的人数统计方法、装置、设备及存储介质 | |
CN115393318A (zh) | 一种血塞通滴丸外观质量检测方法及*** | |
CN110363192A (zh) | 物件影像辨识***及物件影像辨识方法 | |
CN115719362A (zh) | 一种高空抛物检测方法、***、设备及存储介质 |
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 |