CN116935496B - 一种电子烟烟雾视觉检测方法 - Google Patents
一种电子烟烟雾视觉检测方法 Download PDFInfo
- Publication number
- CN116935496B CN116935496B CN202311195814.0A CN202311195814A CN116935496B CN 116935496 B CN116935496 B CN 116935496B CN 202311195814 A CN202311195814 A CN 202311195814A CN 116935496 B CN116935496 B CN 116935496B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- electronic cigarette
- gray level
- cigarette smoke
- target pixel
- 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
- 239000003571 electronic cigarette Substances 0.000 title claims abstract description 167
- 239000000779 smoke Substances 0.000 title claims abstract description 165
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 230000000007 visual effect Effects 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 57
- 241000270295 Serpentes Species 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种电子烟烟雾视觉检测方法。该方法包括:对电子烟烟雾的灰度图像进行边缘检测获取初始曲线,从初始曲线上任意一个像素点开始迭代选取目标像素点,获得多个目标像素点组,根据目标像素点组中目标像素点的灰度差异和位置分布获得局部灰度变化程度,进而获得整体灰度变化程度,根据整体灰度变化程度和像素点的第一梯度获得外力权重;根据外力权重和像素点的第二梯度获得像素点的加权外力,将加权外力作为snake模型的外力参数并对电子烟烟雾进行检测,本发明使得snake模型中的演化曲线在加权外力的作用下能够收敛到深度凹陷的边界,提高对电子烟烟雾检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种电子烟烟雾视觉检测方法。
背景技术
近些年来,全世界的电子烟行业都有巨大的发展,对电子烟使用情况的监测已经刻不容缓,由于在公共场所使用电子烟的人群比较分散,使用人工进行数据统计会导致数据不精确,反馈不及时,需要更加及时高效的方法针对使用电子烟的人群进行监测,而使用电子烟的过程中会产生烟雾,所以对于检测电子烟烟雾的产生是监测电子烟使用情况的一个重要指标。
在检测电子烟烟雾的过程中,可通过提取电子烟烟雾的轮廓实现对电子烟烟雾的检测,现有技术常用的提取轮廓的方法为:使用snake模型实现对目标的轮廓提取,但由于电子烟烟雾的边缘情况比较复杂,存在大量不规则并且深度凹陷的边界,导致snake模型的演化曲线在迭代过程中无法收敛到凹陷边界,进而导致使用snake模型无法检测出凹陷边界,降低对电子烟烟雾检测的准确性。
发明内容
为了解决电子烟烟雾边缘存在大量不规则并且深度凹陷的边界,导致snake模型的演化曲线在迭代过程中无法收敛到凹陷边界,进而导致使用snake模型无法检测出凹陷边界,降低对电子烟烟雾检测的准确性的技术问题,本发明的目的在于提供一种电子烟烟雾视觉检测方法,所采用的技术方案具体如下:
本发明提出了一种电子烟烟雾视觉检测方法,所述方法包括:
获取电子烟烟雾的灰度图像;
对灰度图像进行边缘检测处理获取电子烟烟雾的初始曲线,将所述初始曲线上的像素点作为初始像素点,将任意一个初始像素点作为目标像素点,以目标像素点为中心构建预设邻域范围,根据所述目标像素点和所述预设邻域范围内其他像素点之间的灰度差异,获得每个初始像素点的目标像素点组;
根据每个所述目标像素点组中所述目标像素点之间的灰度差异和所述目标像素点在灰度图像中的位置,获得电子烟烟雾的局部灰度变化程度,根据所有所述局部灰度变化程度获得电子烟烟雾的整体灰度变化程度;
基于不同的边缘检测算子获取所述灰度图像中每个像素点的第一梯度和第二梯度,根据所述整体灰度变化程度和灰度图像中每个像素点的第一梯度,获得像素点的外力权重;根据所述外力权重和灰度图像中每个像素点的第二梯度,获得像素点的加权外力;
根据所述加权外力对灰度图像中的电子烟烟雾进行检测。
进一步地,所述电子烟烟雾的初始曲线的获取方法包括:
对灰度图像进行边缘检测处理,获得灰度图像中的边缘轮廓;
获取历史嘴唇特征模板,使用历史嘴唇特征模板对灰度图像进行模板匹配获得灰度图像中的嘴唇区域;
将距离所述嘴唇区域最近的所述边缘轮廓作为电子烟烟雾的初始轮廓,将所述初始轮廓与所述嘴唇区域重合的曲线作为电子烟烟雾的初始曲线。
进一步地,所述每个初始像素点的目标像素点组的获取方法包括:
将所述目标像素点和所述预设邻域范围内每个其他像素点的灰度值差值的绝对值作为其他像素点的第一灰度差异;
若所述第一灰度差异小于预设差异阈值,则将所述目标像素点和所述预设邻域范围内其他像素点的灰度值差值作为其它像素点的判定参数,若所述第一灰度差异不小于预设差异阈值,则将预设常数作为其它像素点的判定参数;
确定目标像素点的预设邻域范围内其他像素点的判定参数是否满足预设条件;
在所述判定参数满足预设条件时,将所述预设邻域范围内所有所述判定参数的最小正值对应的其他像素点作为下一个目标像素点,并继续执行选取过程;
在所述判定参数不满足预设条件时,停止选取,将得到的目标像素点组合作为初始像素点的目标像素点组,由此,遍历所有初始像素点,获得每个初始像素点的目标像素点组。
进一步地,所述确定目标像素点的预设邻域范围内其他像素点的判定参数是否满足预设条件包括:
若所述预设邻域范围内其他像素点的所述判定参数中存在正值,则满足预设条件;
若所述预设邻域范围内其他像素点的所述判定参数中不存在正值,则不满足预设条件。
进一步地,所述电子烟烟雾的局部灰度变化程度的获取方法包括:
根据每个所述目标像素点组中所述目标像素点在灰度图像中的位置,利用多项式拟合的方法构建每个目标像素点组的回归曲线;
将位于每个所述回归曲线上相邻目标像素点之间的灰度值差值的绝对值作为第二灰度差异;
将每个回归曲线上所述第二灰度差异的平均值作为该回归曲线对应电子烟烟雾的局部灰度变化程度。
进一步地,所述电子烟烟雾的整体灰度变化程度的获取方法包括:
将所有所述局部灰度变化程度的平均值作为电子烟烟雾的整体灰度变化程度。
进一步地,所述像素点的外力权重的获取方法包括:
将所述整体灰度变化程度和每个像素点的所述第一梯度的乘积值作为像素点的外力权重。
进一步地,所述像素点的加权外力的获取方法包括:
将所述外力权重和每个像素点的所述第二梯度的乘积值进行负相关映射获得像素点的加权外力。
进一步地,所述第一梯度为LOG梯度算子对像素点处理的结果,所述第二梯度为sobel算子对像素点处理的结果。
进一步地,所述根据所述加权外力对灰度图像中的电子烟烟雾进行检测包括:
基于所述加权外力,使用snake模型对电子烟烟雾进行检测,其中,所述加权外力为snake模型所使用的外力参数。
本发明具有如下有益效果:
本发明考虑到电子烟烟雾的灰度值与背景的灰度值差别较大,并且电子烟烟雾从使用者的口中喷出的过程中具有一定的流动特性,使得烟雾区域中像素点的灰度值呈现一种逐渐降低的趋势,所以首先获取电子烟烟雾的初始曲线,初始曲线上像素点的灰度值相对于烟雾区域中像素点的灰度值较大,将初始曲线上像素点作为初始像素点,选取任意一个初始像素点作为目标像素点,基于电子烟烟雾区域中像素点灰度值逐渐降低这一特征,为目标像素点构建预设邻域范围,根据目标像素点和预设邻域范围内其他像素点之间的灰度差异,获得每个初始像素点的目标像素点组,目标像素点组中各目标像素点的灰度值的差异能够反映电子烟烟雾由于流动特性导致的局部像素点灰度值的变化程度,并且目标像素点在灰度图像中的位置分布能够反映出电子烟烟雾在局部区域中流动的走向,为后续分析电子烟烟雾的整体灰度变化程度提供数据支持,所以可根据每个目标像素点组中目标像素点的灰度差异和目标像素点在灰度图像中的位置,获得电子烟烟雾的局部灰度变化程度,并结合所有局部灰度变化程度获得电子烟烟雾的整体灰度变化程度,整体灰度变化程度能够反映出电子烟烟雾区域中像素点灰度值的整体变化情况,由于每个电子烟烟雾在空气中的流动趋势都是不同的,所以每个电子烟烟雾的整体灰度变化程度也是不同的,使得后续可根据整体灰度变化程度自适应调整外力权重,考虑到原始snake模型仅使用像素点的梯度作为外力的限制,无论迭代多少次,snake模型中的演化曲线始终难以收敛到深度凹陷的边界,所以本发明在snake模型原始外力的基础上引入外力权重,并根据整体灰度变化程度和灰度图像中每个像素点的第一梯度获得像素点的外力权重,可在后续中利用外力权重获得加权外力,实现对snake模型中外力的自动控制,使得snake模型中的演化曲线在加权外力的作用下能够进入到电子烟烟雾深度凹陷的边界。本发明通过获取每个初始像素点的目标像素点组,根据目标像素点组中目标像素点之间的灰度差异和目标像素点在灰度图像中的位置,获得目标像素点组的灰度变化程度,进而获得电子烟烟雾的整体灰度变化程度,根据整体灰度变化程度和像素点的第一梯度获取外力权重,将外力权重作为像素点第二梯度的权重获得加权外力,使得snake模型中的演化曲线在加权外力的作用下能够收敛到深度凹陷的边界,从而能够检测出电子烟烟雾的凹陷边界,提高对电子烟烟雾检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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它附图。
图1为本发明一个实施例所提供的一种电子烟烟雾视觉检测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明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,对依据本发明提出的一种电子烟烟雾视觉检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种电子烟烟雾视觉检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种电子烟烟雾视觉检测方法流程图,该方法包括:
步骤S1:获取电子烟烟雾的灰度图像。
本发明实施例首先通过摄像监控器采集公共场所周围环境的RGB图像,由于采集的RGB图像中的噪声影响到图像的质量,不利于后续对电子烟烟雾的检测,所以需要对采集的RGB图像进行去噪预处理,由于电子烟烟雾的边缘较复杂,为了尽可能保留电子烟烟雾边缘的细节特征,防止进行去噪处理后对图像造成的细节模糊问题,从而降低后续对电子烟烟雾检测的准确性,所以,本发明提出了电子烟烟雾视觉检测方法,能够有效检测出电子烟烟雾的凹陷边界,提高对电子烟烟雾检测的准确性。
在本发明的一个实施例中,可以使用中值滤波的方式对采集的RGB图像进行去噪预处理,需要说明的是,中值滤波是本领域技术人员熟知的技术手段,在此不再赘述。
为了降低后续图像处理的计算量,提高处理速度,在本发明的一个实施例中将采集到的RGB图像进行灰度化处理,转化为单通道的灰度图像,需要说明的是,灰度化处理是本领域技术人员熟知的技术手段,在此不再赘述。
获取到灰度图像后,便可在后续中针对灰度图像进行分析,实现对电子烟烟雾的检测。
步骤S2:对灰度图像进行边缘检测处理获取电子烟烟雾的初始曲线,将初始曲线上像素点作为初始像素点,将任意一个初始像素点作为目标像素点,以目标像素点为中心构建预设邻域范围,根据目标像素点和预设邻域范围内其他像素点之间的灰度差异,获得每个初始像素点的目标像素点组。
由于电子烟烟雾从使用者口中喷出时会造成空气的快速流动,使得电子烟烟雾具有一定的流动特性,其流动特性导致电子烟烟雾中像素点的灰度值呈现出一种逐渐降低的趋势,并且灰度图像中的电子烟烟雾与背景之间的对比度较大,所以可对灰度图像进行边缘检测处理获取电子烟烟雾的初始曲线,初始曲线上像素点的灰度值相比于电子烟烟雾中其他像素点的灰度值较大,可在后续中从初始曲线上的像素点开始,选取能够体现电子烟烟雾流动特性的目标像素点。
优选地,在本发明的一个实施例中电子烟烟雾的初始曲线的获取方法具体包括:
对灰度图像进行边缘检测处理,获得灰度图像中的边缘轮廓;获取历史嘴唇特征模板,使用历史嘴唇特征模板对灰度图像进行模板匹配获得灰度图像中的嘴唇区域;将距离嘴唇最近的边缘轮廓作为电子烟烟雾的初始轮廓,将初始轮廓与嘴唇区域重合的曲线作为电子烟烟雾的初始曲线。由于电子烟烟雾从使用者的口中开始喷出,所以初始曲线上像素点的灰度值较大,并随着电子烟烟雾的流动使得电子烟烟雾中像素点的灰度值逐渐减小。
由于初始曲线上像素点的灰度值相比于电子烟烟雾中其他像素点的灰度值较大,可从初始曲线上的像素点开始选取目标像素点,将初始曲线上任意一个像素点作为初始像素点,并将初始像素点作为第一个选取的目标像素点,由于电子烟烟雾中像素点的灰度值呈现逐渐降低的趋势,所以可为目标像素点构建预设邻域范围,并根据目标像素点和预设邻域范围内其他像素点之间的灰度差异,在预设邻域范围内迭代选取像素点作为下一个目标像素点,将选取的目标像素点作为每个初始像素点的目标像素点组,由于每个目标像素点组中的目标像素点是从初始曲线上的初始像素点开始选取的,并且每个目标像素点组中目标像素点的灰度值按照选取顺序是逐渐降低的,因此每个目标像素点组中各目标像素点灰度值的变化特征能够反映电子烟烟雾在局部区域中的流动特性,在本发明的一个实施例中预设邻域范围的尺寸设置为。
优选地,在本发明的一个实施例中每个初始像素点的目标像素点组的获取方法具体包括:
将目标像素点和预设邻域范围内每个其他像素点的灰度值差值的绝对值作为其他像素点的第一灰度差异;若第一灰度差异小于预设差异阈值,则将目标像素点和预设邻域范围内其他像素点的灰度值差值作为其它像素点的判定参数,若第一灰度差异不小于预设差异阈值,则将预设常数作为其它像素点的判定参数;确定目标像素点的预设邻域范围内其他像素点的判定参数是否满足预设条件;在判定参数满足预设条件时,将预设邻域范围内所有判定参数的最小正值对应的其他像素点作为下一个目标像素点,并继续执行选取过程;在判定参数不满足预设条件时,停止选取,将得到的目标像素点组合作为初始像素点的目标像素点组,由此,遍历所有初始像素点,获得每个初始像素点的目标像素点组。
举例说明:当选取某一个像素点作为目标像素点之后,以该目标像素点为中心构建预设邻域范围,并计算预设邻域范围内其他像素点的判定参数,若预设邻域范围内其他像素点的判定参数满足预设条件,则在预设邻域范围内选取判定参数的最小正值对应的其他像素点作为新选取的目标像素点,接着在这个新选取的目标像素点的预设邻域范围内计算其他像素点的判定参数,同样,若预设邻域范围内其他像素点的判定参数满足预设条件则在预设邻域范围内继续选取判定参数最小正值对应的其他像素点作为新选取的目标像素点,在选取的过程中若预设邻域范围内其他像素点的判定参数不满足预设条件,则停止选取下一个目标像素点。在选取目标像素点的过程中,当所选取的目标像素点达到电子烟烟雾的边缘位置时将停止选取下一个目标像素点,而当所选取的目标像素点达到边缘位置时,预设邻域范围内属于背景的像素点与目标像素点的灰度值差异较大,此时预设邻域范围内其他像素点的判断参数为负数或预设常数,而在本发明的一个实施例中预设常数设置为负数,则此时预设邻域范围内其他像素点的判定参数不存在正值,所以在本发明的一个实施例中确定目标像素点的预设邻域范围内其他像素点的判定参数是否满足预设条件为:若预设邻域范围内其他像素点的判定参数中存在正值,则满足预设条件;若预设邻域范围内其他像素点的判定参数中不存在正值,则不满足预设条件。
在本发明的一个实施例中判定参数的具体表达式可以例如为:
其中,表示预设邻域范围内除中心像素点外的第/>个其他像素点的判定参数;/>表示预设邻域范围内除中心像素点外的第/>个其他像素点的第一灰度差异;/>表示预设邻域范围对应的目标像素点的灰度值,也即中心像素点的灰度值;/>表示预设邻域范围内除中心像素点外的第/>个其他像素点的灰度值;/>表示预设常数;/>表示预设差异阈值;在本发明的一个实施例中/>设置为-1,/>设置为20,需要说明的是,/>需要设置为小于零的常数。
在预设邻域范围内其他像素点的判定参数的获取过程中,表示预设邻域范围内除中心像素点外的第/>个其他像素点的第一灰度差异,当第一灰度差异/>小于预设差异阈值/>时,此时存在两种情况,第一情况为目标像素点和预设邻域范围内某个其他像素点的灰度值差值/>小于0,即该像素点的判定参数/>小于0,说明目标像素点的灰度值小于该像素点的灰度值,第二种情况为目标像素点和预设邻域范围内某个其他像素点的灰度值差值大于0,即该像素点的判定参数/>大于0,说明目标像素点的灰度值大于该像素点的灰度值,由于选取的目标像素点需要反映电子烟烟雾中像素点灰度值逐渐减小的流动特性,所以选取的下一个目标像素点的灰度值需要小于当前的目标像素点的灰度值,即需要在预设邻域范围内选取判定参数/>大于0的其他像素点作为下一个目标像素点,为了更加准确地反映电子烟烟雾的流动特性,在本发明的一个实施例中将预设邻域范围内所有判定参数的最小正值对应的像素点作为下一个目标像素点,当选取的目标像素点到达电子烟烟雾的边缘时,需要停止选取下一个目标像素点,此时预设邻域范围内属于背景的像素点与目标像素点的第一灰度值/>大于预设差异阈值/>,则预设邻域范围内属于背景的像素点的判定参数/>为预设常数,而在本发明的一个实施例中预设常数设置为负数,所以预设邻域范围内其他像素点的判定参数/>不存在大于0的正值,表明选取的目标像素点达到了电子烟烟雾的边缘,需要停止迭代选取下一个目标像素点。
目标像素点组中各目标像素点灰度值的变化能够反映电子烟烟雾由于流动特性导致的局部区域中像素点灰度值的变化,并且目标像素点组中各目标像素点在灰度图像中的分布能够反映出电子烟烟雾在局部区域中流动的走向,为后续分析电子烟烟雾的整体灰度变化程度提供数据支持。
步骤S3:根据每个目标像素点组中目标像素点之间的灰度差异和目标像素点在灰度图像中的位置,获得电子烟烟雾的局部灰度变化程度,根据所有局部灰度变化程度获得电子烟烟雾的整体灰度变化程度。
由于电子烟烟雾的流动特性,导致电子烟烟雾中像素点的灰度值呈现逐渐减小的趋势,而每个目标像素点组中目标像素点的灰度值按照选取顺序也是逐渐减小的,则目标像素点组中目标像素点的灰度值的变化能够反映出电子烟烟雾在局部区域中的流动特性,所以可根据每个目标像素点组中目标像素点之间的灰度差异,获得电子烟烟雾的局部灰度变化程度,通过局部灰度变化程度反映电子烟烟雾在局部区域中像素点的灰度变化情况。
优选地,在本发明的一个实施例中电子烟烟雾的局部灰度变化程度的获取方法具体包括:
根据每个目标像素点组中目标像素点在灰度图像中的位置,利用多项式拟合的方法构建每个目标像素点组的回归曲线,其中回归曲线的走向能够反映出电子烟烟雾在局部区域中的流动方向;将位于每个回归曲线上相邻目标像素点之间的灰度值差值的绝对值作为第二灰度差异;将每个回归曲线上第二灰度差异的平均值作为该回归曲线对应电子烟烟雾的局部灰度变化程度,需要说明的是,多项式拟合是本领域技术人员熟知的技术手段,在此不再赘述。局部灰度变化程度的具体表达式可以例如为:
其中,表示由第/>个目标像素点组获得的电子烟烟雾的局部灰度变化程度,也可理解为第/>个局部灰度变化程度;/>表示回归曲线上的第/>个目标像素点的灰度值;/>表示回归曲线上的第/>个目标像素点的灰度值;/>表示每个回归曲线上目标像素点的数量。
在局部灰度变化程度的获取过程中,每个目标像素点组中目标像素点在灰度图像中的分布能够反映出电子烟烟雾的局部流动特性,所以在本发明的一个实施例中为每个目标像素点组构建回归曲线,其中回归曲线的走向反映了电子烟烟雾的局部流动方向,从而可根据回归曲线上的目标像素点之间的灰度差异分析电子烟烟雾在局部区域中的灰度变化情况,进而反映电子烟烟雾的局部流动特性,表示回归曲线上相邻像素点之间的第二灰度差异,对所有的第二灰度差异求平均即可反映电子烟烟雾在局部区域中的灰度变化情况,所以在本发明的一个实施例中将所有第二灰度差异的平均值作为局部灰度变化程度/>。
通过每个目标像素点组获得的局部灰度变化程度能够反映出电子烟烟雾由于流动特性导致的局部区域的灰度变化情况,所以可结合所有的局部灰度变化程度获得电子烟烟雾的整体灰度变化程度。
优选地,在本发明的一个实施例中电子烟烟雾的整体灰度变化程度的获取方法具体包括:
将所有局部灰度变化程度的平均值作为电子烟烟雾的整体灰度变化程度。整体灰度变化程度的具体表达式可以例如为:
其中,表示电子烟烟雾的整体灰度变化程度,其中/>恒大于0;/>表示由第/>个目标像素点组获得的电子烟烟雾的局部灰度变化程度,也可理解为第/>个局部灰度变化程度;表示目标像素点组的数量。
在电子烟烟雾的整体灰度变化程度的获取过程中,局部灰度变化程度能够反映出电子烟烟雾在某个局部区域中像素点的灰度值的变化情况,所以可通过计算所有局部灰度变化程度的平均值/>获得电子烟烟雾的整体灰度变化程度/>。
每个电子烟烟雾从使用者口中喷出后,其流动的情况不尽相同,导致电子烟烟雾中像素点的灰度变化情况存在差异,所以每个电子烟烟雾的整体灰度变化程度也不相同,可在后续中根据整体灰度变化程度对外力权重进行自适应调整。
步骤S4:基于不同的边缘检测算子获取灰度图像中每个像素点的第一梯度和第二梯度,根据整体灰度变化程度和灰度图像中每个像素点的第一梯度获得像素点的外力权重,根据外力权重和灰度图像中每个像素点的第二梯度获得像素点的加权外力。
本发明实施例通过snake模型提取电子烟烟雾的轮廓,从而实现对灰度图像中电子烟烟雾的检测,原始snake模型的基本思想是通过能量最小化,将一条初始曲线向待检测的目标轮廓方向逐步变形与运动,将一条带有能量函数的参数化曲线初始化在待分割目标周围,模拟物理上的力学原理,在内力和外力作用下,利用能量最小化作为框架,不断地演化变形,最终收敛到目标边界,得到一个光滑且连续的轮廓,由于原始snake模型使用图像中像素点的灰度梯度作为外力的限制,所以无论迭代多少次,演化曲线始终难以收敛到电子烟烟雾深度凹陷的边界,因此本发明实施例通过引入一个自动控制外力大小的外力权重,解决snake模型的演化曲线无法收敛到电子烟烟雾深度凹陷边界的问题,需要说明的是,snake模型是本领域技术人员熟知的技术手段,在此不再赘述。
由于电子烟烟雾的整体灰度变化程度能够反映出电子烟烟雾由于流动特性导致的像素点灰度值的变化特征,并且snake模型中所使用的外力参数和像素点的梯度相关,所以可根据整体灰度变化程度和灰度图像中每个像素点的第一梯度获得像素点的外力权重,当针对不同的电子烟烟雾时,可通过电子烟烟雾的整体灰度变化程度对外力权重进行自适应调整,提高像素点的外力权重的准确性。
优选地,在本发明的一个实施例中像素点的外力权重的获取方法具体包括:
将整体灰度变化程度和每个像素点的第一梯度的乘积值作为像素点的外力权重,其中像素点的第一梯度为LOG梯度算子对像素点处理的结果。外力权重的具体表达式可以例如为:
其中,表示像素点/>的外力权重;/>表示像素点在灰度图像中的位置坐标;/>表示电子烟烟雾的整体灰度变化程度;/>表示像素点/>的第一梯度。
在像素点的外力权重的获取过程中,的作用是针对不同的电子烟烟雾,利用电子烟烟雾的整体灰度变化程度/>对外力权重/>进行自适应调整,在原始snake模型中使用图像中像素点灰度的梯度作为外力,所以在本发明的一个实施例中将整体灰度变化程度/>和像素点的第一梯度/>的乘积值作为像素点的外力权重/>,由于/>,所以外力权重/>与第一梯度/>成正比,第一梯度越大,则外力权重也越大,进而可通过外力权重实现对原始snake模型中外力的自动控制。
由于原始snake模型使用图像中像素点的灰度梯度作为外力的限制,导致原始snake模型中的演化曲线无法收敛到电子烟烟雾深度凹陷的边界,而外力权重可实现对外力的自动控制,所以可根据外力权重和灰度图像中每个像素点的第二梯度获得像素点的加权外力。
优选地,在本发明的一个实施例中像素点的加权外力的获取方法具体包括:
将外力权重和每个像素点的第二梯度的乘积值进行负相关映射获得像素点的加权外力,其中像素点的第二梯度为sobel算子对像素点处理的结果。加权外力的具体表达式可以例如为:
其中,表示像素点/>的加权外力,/>表示像素点在灰度图像中的位置坐标;/>表示像素点/>的外力权重;/>表示像素点/>的第二梯度。
在加权外力的获取过程中,原始snake模型中外力表达式为,其中/>表示像素点的外力,/>表示像素点的梯度,由于原始snake模型仅使用图像中像素点的灰度梯度作为外力的限制,导致原始snake模型中的演化曲线无法收敛到电子烟烟雾深度凹陷的边界,所以本发明实施例在原始snake模型使用的外力的基础上,引入一个自动控制外力大小的外力权重/>,在外力权重/>较大的像素点的位置,原始snake模型中的演化曲线收缩和膨胀的程度也越大,演化曲线在加权外力/>的作用下能进入到电子烟烟雾深度凹陷的边界,使得演化曲线更好的收敛到深度凹陷的边界。
需要说明的是,在本发明其他一些实施例中也可使用其他的梯度算子获得像素点的第一梯度和像素点的第二梯度,在此不做限定。
获取的加权外力作用在snake模型中的演化曲线后,可以提高演化曲线的收敛效果,使演化曲线能够进入到电子烟烟雾深度凹陷的边界,在后续中可将加权外力作为snake模型的外力参数,提高对电子烟烟雾检测的准确性。
步骤S5:根据加权外力对灰度图像中的电子烟烟雾进行检测。
由于在加权外力作用下,snake模型的演化曲线可以继续向内收缩或向外膨胀,使得演化曲线最终可以收敛到电子烟烟雾深度凹陷的边界,所以可根据加权外力对灰度图像中的电子烟烟雾进行检测。
优选地,在本发明的一个实施例中对电子烟烟雾进行检测包括:
基于加权外力,使用snake模型对电子烟烟雾进行检测,其中,加权外力为snake模型所使用的外力参数。将加权外力作为snake模型中的外力参数,使得snake模型的演化曲线在加权外力的作用下可以进入到电子烟烟雾深度凹陷的边界,进而得到更加完整的电子烟烟雾的边界轮廓,提高了对电子烟烟雾检测的准确性。
需要说明的是,snake模型是本领域技术人员熟知的技术手段,在此不再赘述。
综上所述,本发明实施例首先获取包含电子烟烟雾的灰度图像,对灰度图像进行边缘检测获得电子烟烟雾的初始曲线,将初始曲线上的像素点作为初始像素点,并将任意一个初始像素点作为第一个选取的目标像素点,以目标像素点为中心构建预设邻域范围,根据目标像素点和预设邻域范围内的其他像素点之间的灰度差异,在预设邻域范围内选取下一个目标像素点,然后以新选取的目标像素点为中心构建预设邻域范围继续选取目标像素点,进行迭代选取后将选取的目标像素点作为每个初始像素点的目标像素点组,根据目标像素点组中目标像素点在灰度图像中的位置构建相应的回归曲线,根据回归曲线上目标像素点之间的灰度差异获得电子烟烟雾的局部灰度变化程度,进而获得电子烟烟雾的整体灰度变化程度,根据整体灰度变化程度和像素点的第一梯度获得像素点的外力权重,根据外力权重和像素点的第二梯度获得像素点的加权外力,基于加权外力,使用snake模型提取出电子烟烟雾的轮廓,实现对电子烟烟雾的检测。本发明实施例首先获取每个目标像素点组,根据每个目标像素点组中目标像素点之间的灰度差异,获得电子烟烟雾的局部灰度变化程度,进而获得电子烟烟雾的整体灰度变化程度,根据整体灰度变化程度和像素点的第一梯度获得像素点的外力权重,并根据外力权重和像素点的第二梯度获得像素点的加权外力,将加权外力作为snake模型中的外力参数,使得snake模型中的演化曲线在加权外力的作用下能够收敛到电子烟烟雾深度凹陷的边界,提高对电子烟烟雾检测的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.一种电子烟烟雾视觉检测方法,其特征在于,所述方法包括:
获取电子烟烟雾的灰度图像;
对灰度图像进行边缘检测处理获取电子烟烟雾的初始曲线,将所述初始曲线上的像素点作为初始像素点,将任意一个初始像素点作为目标像素点,以目标像素点为中心构建预设邻域范围,根据所述目标像素点和所述预设邻域范围内其他像素点之间的灰度差异,获得每个初始像素点的目标像素点组;
根据每个所述目标像素点组中所述目标像素点之间的灰度差异和所述目标像素点在灰度图像中的位置,获得电子烟烟雾的局部灰度变化程度,根据所有所述局部灰度变化程度获得电子烟烟雾的整体灰度变化程度;
基于不同的边缘检测算子获取所述灰度图像中每个像素点的第一梯度和第二梯度,根据所述整体灰度变化程度和灰度图像中每个像素点的第一梯度,获得像素点的外力权重;根据所述外力权重和灰度图像中每个像素点的第二梯度,获得像素点的加权外力;
根据所述加权外力对灰度图像中的电子烟烟雾进行检测;
所述像素点的外力权重的获取方法包括:
将所述整体灰度变化程度和每个像素点的所述第一梯度的乘积值作为像素点的外力权重;
所述像素点的加权外力的获取方法包括:
将所述外力权重和每个像素点的所述第二梯度的乘积值进行负相关映射获得像素点的加权外力;
所述电子烟烟雾的初始曲线的获取方法包括:
对灰度图像进行边缘检测处理,获得灰度图像中的边缘轮廓;
获取历史嘴唇特征模板,使用历史嘴唇特征模板对灰度图像进行模板匹配获得灰度图像中的嘴唇区域;
将距离所述嘴唇区域最近的所述边缘轮廓作为电子烟烟雾的初始轮廓,将所述初始轮廓与所述嘴唇区域重合的曲线作为电子烟烟雾的初始曲线;
所述电子烟烟雾的局部灰度变化程度的获取方法包括:
根据每个所述目标像素点组中所述目标像素点在灰度图像中的位置,利用多项式拟合的方法构建每个目标像素点组的回归曲线;
将位于每个所述回归曲线上相邻目标像素点之间的灰度值差值的绝对值作为第二灰度差异;
将每个回归曲线上所述第二灰度差异的平均值作为该回归曲线对应电子烟烟雾的局部灰度变化程度。
2.根据权利要求1所述的一种电子烟烟雾视觉检测方法,其特征在于,所述每个初始像素点的目标像素点组的获取方法包括:
将所述目标像素点和所述预设邻域范围内每个其他像素点的灰度值差值的绝对值作为其他像素点的第一灰度差异;
若所述第一灰度差异小于预设差异阈值,则将所述目标像素点和所述预设邻域范围内其他像素点的灰度值差值作为其它像素点的判定参数,若所述第一灰度差异不小于预设差异阈值,则将预设常数作为其它像素点的判定参数;
确定目标像素点的预设邻域范围内其他像素点的判定参数是否满足预设条件;
在所述判定参数满足预设条件时,将所述预设邻域范围内所有所述判定参数的最小正值对应的其他像素点作为下一个目标像素点,并继续执行选取过程;
在所述判定参数不满足预设条件时,停止选取,将得到的目标像素点组合作为初始像素点的目标像素点组,由此,遍历所有初始像素点,获得每个初始像素点的目标像素点组。
3.根据权利要求2所述的一种电子烟烟雾视觉检测方法,其特征在于,所述确定目标像素点的预设邻域范围内其他像素点的判定参数是否满足预设条件包括:
若所述预设邻域范围内其他像素点的所述判定参数中存在正值,则满足预设条件;
若所述预设邻域范围内其他像素点的所述判定参数中不存在正值,则不满足预设条件。
4.根据权利要求1所述的一种电子烟烟雾视觉检测方法,其特征在于,所述电子烟烟雾的整体灰度变化程度的获取方法包括:
将所有所述局部灰度变化程度的平均值作为电子烟烟雾的整体灰度变化程度。
5.根据权利要求1所述的一种电子烟烟雾视觉检测方法,其特征在于,所述第一梯度为LOG梯度算子对像素点处理的结果,所述第二梯度为sobel算子对像素点处理的结果。
6.根据权利要求1所述的一种电子烟烟雾视觉检测方法,其特征在于,所述根据所述加权外力对灰度图像中的电子烟烟雾进行检测包括:
基于所述加权外力,使用snake模型对电子烟烟雾进行检测,其中,所述加权外力为snake模型所使用的外力参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311195814.0A CN116935496B (zh) | 2023-09-18 | 2023-09-18 | 一种电子烟烟雾视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311195814.0A CN116935496B (zh) | 2023-09-18 | 2023-09-18 | 一种电子烟烟雾视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116935496A CN116935496A (zh) | 2023-10-24 |
CN116935496B true CN116935496B (zh) | 2023-11-17 |
Family
ID=88388250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311195814.0A Active CN116935496B (zh) | 2023-09-18 | 2023-09-18 | 一种电子烟烟雾视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935496B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118090808B (zh) * | 2024-04-28 | 2024-07-23 | 陕西润泽博泽科技有限公司 | 基于数据处理的油封热稳定性检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633212A (zh) * | 2017-08-30 | 2018-01-26 | 清华大学苏州汽车研究院(吴江) | 一种基于视频图像的烟火检测方法和装置 |
WO2019033568A1 (zh) * | 2017-08-17 | 2019-02-21 | 平安科技(深圳)有限公司 | 嘴唇动作捕捉方法、装置及存储介质 |
CN110738186A (zh) * | 2019-10-23 | 2020-01-31 | 德瑞姆创新科技(深圳)有限公司 | 一种基于计算机视觉技术的驾驶员抽烟检测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035276B (zh) * | 2018-06-26 | 2022-03-18 | 北京中科慧眼科技有限公司 | 一种图像边缘提取方法、装置及自动驾驶*** |
-
2023
- 2023-09-18 CN CN202311195814.0A patent/CN116935496B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019033568A1 (zh) * | 2017-08-17 | 2019-02-21 | 平安科技(深圳)有限公司 | 嘴唇动作捕捉方法、装置及存储介质 |
CN107633212A (zh) * | 2017-08-30 | 2018-01-26 | 清华大学苏州汽车研究院(吴江) | 一种基于视频图像的烟火检测方法和装置 |
CN110738186A (zh) * | 2019-10-23 | 2020-01-31 | 德瑞姆创新科技(深圳)有限公司 | 一种基于计算机视觉技术的驾驶员抽烟检测方法及*** |
Non-Patent Citations (1)
Title |
---|
改进snake模型的自动初始化轮廓检测方法;杨晓倩;毕惟红;;计算机应用研究(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116935496A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110853015A (zh) | 基于改进Faster-RCNN的铝型材缺陷检测方法 | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN116935496B (zh) | 一种电子烟烟雾视觉检测方法 | |
CN112819772A (zh) | 一种高精度快速图形检测识别方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN112085651B (zh) | 一种基于图像自适应阈值与特征提取的激波自动检测跟踪算法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测*** | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
CN113327206B (zh) | 基于人工智能的输电线智能巡检***的图像模糊处理方法 | |
CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
CN115908410B (zh) | 基于机器视觉的压力容器激光焊接控制方法 | |
CN109671084B (zh) | 一种工件形状的测量方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN112102189B (zh) | 一种线结构光光条中心线提取方法 | |
CN106447683A (zh) | 一种圆的特征提取算法 | |
CN117893550A (zh) | 一种基于场景仿真的复杂背景下运动目标分割方法 | |
CN110930358B (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN113052794A (zh) | 一种基于边缘特征的图像清晰度识别方法 | |
CN207319290U (zh) | 一种干扰光束远场测试*** | |
CN114862786A (zh) | 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及*** | |
CN115424107A (zh) | 基于图像融合与深度学习的水下桥墩表观病害检测方法 | |
CN115272184A (zh) | 基于优化工业图像质量的缺陷识别方法 | |
CN114299063A (zh) | 一种肠衣套缩管图像分级***及方法 |
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 |