CN117079197B - 一种智慧工地管理方法及*** - Google Patents
一种智慧工地管理方法及*** Download PDFInfo
- Publication number
- CN117079197B CN117079197B CN202311345497.6A CN202311345497A CN117079197B CN 117079197 B CN117079197 B CN 117079197B CN 202311345497 A CN202311345497 A CN 202311345497A CN 117079197 B CN117079197 B CN 117079197B
- Authority
- CN
- China
- Prior art keywords
- illumination area
- pixel point
- pixel
- channel
- value
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 31
- 238000005286 illumination Methods 0.000 claims abstract description 266
- 238000012544 monitoring process Methods 0.000 claims abstract description 87
- 238000010276 construction Methods 0.000 claims abstract description 69
- 230000009466 transformation Effects 0.000 claims description 22
- 230000002708 enhancing effect Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000002787 reinforcement Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种智慧工地管理方法及***,包括:获取工地监控视频灰度图像;将工地监控视频灰度图像分为光照区域和非光照区域;获取光照区域中每个像素点的目标程度;获取光照区域的像素点与其邻域像素点的相似性;获取光照区域的像素点的已增强像素点;根据光照区域中每个像素点的已增强邻域像素点和光照区域中每个像素点与其邻域像素点的相似性获取光照区域中每个像素点增强后的通道值;获得光照区域和非光照区域的增强图像;合并光照区域的增强图像和非光照区域的增强图像,得到工地监控视频灰度图像的增强图像,根据增强图像进行工地施工的安全监测与管理。本发明提高了工地管理的效率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种智慧工地管理方法及***。
背景技术
智慧工地管理方法是一种利用信息技术和通信技术,对建筑工地的各种管理活动进行智能化管理的方法。通过对工地数据的采集和分析获取分析结果,而后通过数据分析的结果调整和优化工地的资源配置并实时检测工地的安全状况,从而提高工地的安全性和事故预防能力。计算机视觉技术的发展为智慧工地管理中队工地安全进行检测提供便利,可以通过工地监控获取工地图像并进行实时的安全风险评估,但由于工地施工时间的灵活性,监控拍摄的图像因为光照的影响产生阴影,阴影区域的灰度值与相同背景下的非阴影区域的灰度值差距较大,因此在根据工地图像进行实时安全风险评估时,可能存在评估结果准确的问题。
线性变换是增强图像质量的一种常用方法,但是由于工地不同位置受到光照影响不同,因此采集产生的工地图像阴影程度可能不同,利用全局线性变换增强图像可能导致过增强或欠增强的问题,因此本实施例分区域增强工地图像。
发明内容
本发明提供一种智慧工地管理方法及***,以解决现有的问题。
本发明的一种智慧工地管理方法及***采用如下技术方案:
本发明一个实施例提供了一种智慧工地管理方法,该方法包括以下步骤:
采集工地监控视频图像,并灰度化处理获得工地监控视频灰度图像;
根据聚类算法将工地监控视频灰度图像划分为光照区域和非光照区域;根据光照区域中每个像素点通道值的极差值得到光照区域中每个像素点替换后的灰度值;根据光照区域中每个像素点替换后的灰度值获取光照区域中每个像素点的目标程度;获取光照区域中每个像素点的邻域像素点,根据光照区域中每个像素点的邻域像素点获取光照区域中每个像素点与其邻域像素点的相似性;根据光照区域中每个像素点的目标程度对光照区域的像素点进行增强,获取光照区域中每个像素点的已增强邻域像素点;根据光照区域中每个像素点的已增强邻域像素点和光照区域中每个像素点与其邻域像素点的相似性获取光照区域中每个像素点增强后的通道值;根据光照区域中每个像素点增强后的通道值获取光照区域中所有像素点增强后的通道值;根据光照区域中所有像素点增强后的通道值获取光照区域的增强图像;
根据光照区域的增强图像确定非光照区域的线性变换增强系数;根据非光照区域的线性变换增强系数对非光照区域进行增强,获取非光照区域的增强图像;合并光照区域的增强图像和非光照区域的增强图像,获取工地监控视频灰度图像的增强图像;
根据工地监控视频灰度图像的增强图像进行工地施工的安全监测。
优选的,所述根据聚类算法将工地监控视频灰度图像划分为光照区域和非光照区域,包括的具体方法为:
根据聚类算法对工地监控视频灰度图像的多个分块区域进行聚类,获得工地监控视频灰度图像的两个聚类簇,将灰度均值高的聚类簇所在的区域记为光照区域,将灰度均值低的聚类簇所在的区域记为非光照区域。
优选的,所述根据光照区域中每个像素点通道值的极差值得到光照区域中每个像素点替换后的灰度值,包括的具体方法为:
对于光照区域的像素点,利用其每个通道值的极差值替换像素点的灰度值,具体计算公式如下:
其中,表示像素点/>替换后的灰度值,/>为像素点/>在/>通道内的通道值,表示像素点/>的三个通道值中的最大值,/>表示像素点的三个通道值中的最小值,/>通道是指工地监控视频图像中的像素点在/>、/>和/>通道中的任意一个通道。
优选的,所述根据光照区域中每个像素点替换后的灰度值获取光照区域中每个像素点的目标程度,包括的具体方法为:
结合每个像素点在通道的通道值与最大灰度值的差值获取光照区域中每个像素点的目标程度的计算公式如下:
其中,表示工地监控视频灰度图像中的像素点/>的目标程度,/>表示工地监控视频灰度图像中的像素点/>在/>通道内的通道值,/>为工地监控视频灰度图像中的最大灰度值,/>表示工地监控视频图像中像素点/>替换后的灰度值。
优选的,所述根据光照区域中每个像素点的邻域像素点获取光照区域中每个像素点与其邻域像素点的相似性,包括的具体方法为:
以光照区域中每个像素点为中心像素点构建固定大小的窗口,将窗口内除中心像素点外的像素点看作光照区域中每个像素点的邻域像素点,根据光照区域中每个像素点及其邻域像素点获取它们之间的相似性公式如下:
其中,表示像素点/>与其邻域像素点/>之间的相似性,/>表示像素点/>在/>通道的通道值,/>表示像素点/>在/>通道的通道值,/>表示像素点/>在/>通道的通道值,/>表示像素点/>在/>通道的通道值,/>为构建的固定大小的窗口的边长,/>和/>分别表示工地监控视频灰度图像中的像素点在/>、/>和/>通道中的任意一个通道。
优选的,所述根据光照区域中每个像素点的目标程度对光照区域的像素点进行增强,获取光照区域中每个像素点的已增强邻域像素点,包括的具体方法为:
以光照区域中目标程度最小的像素点作为初始点,按照目标程度由小及大的顺序对光照区域中的像素点进行增强,将固定大小的窗口内目标程度小于中心像素点的目标程度的像素点记为已增强邻域像素点。
优选的,所述根据光照区域中每个像素点的已增强邻域像素点和光照区域中每个像素点与其邻域像素点的相似性获取光照区域中每个像素点增强后的通道值,包括的具体计算公式为:
其中,为像素点/>增强后在/>通道的通道值,/>为像素点/>增强后在/>通道的通道值,/>表示工地监控视频灰度图像中的像素点/>在/>通道内的通道值,/>表示像素点/>和像素点/>的相似性,/>表示像素点/>的邻域像素点中的第/>个已增强像素点,n表示像素点/>的邻域像素点个数,/>表示以自然常数为底的指数函数。
优选的,所述根据光照区域的增强图像确定非光照区域的线性变换增强系数的具体计算公式为:
其中,为光照区域在/>通道下增强后的通道值均值,/>为非光照区域增强前在/>通道下的通道值均值,/>为非光照区域在/>通道的线性变换增强系数。
优选的,所述根据工地监控视频灰度图像的增强图像进行工地施工的安全监测,包括的具体方法为:
对采集到的工地监控视频图像的每一帧图像进行增强,利用神经网络获取公司监控视频灰度图像的增强图像中的目标的位置,依据目标的位置判断目标在预设时间内运行轨迹是否相交,如果相交则进行安全预警。
本发明提供了一种智慧工地管理***,该***包括图像预处理模块、光照区域增强模块、非光照区域增强模块以及实施模块,其中:
图像预处理模块,采集工地监控视频图像,并灰度化处理获得工地监控视频灰度图像;
光照区域增强模块,根据聚类算法将工地监控视频灰度图像划分为光照区域和非光照区域;根据光照区域中每个像素点通道值的极差值得到光照区域中每个像素点替换后的灰度值;根据光照区域中每个像素点替换后的灰度值获取光照区域中每个像素点的目标程度;获取光照区域中每个像素点的邻域像素点,根据光照区域中每个像素点的邻域像素点获取光照区域中每个像素点与其邻域像素点的相似性;根据光照区域中每个像素点的目标程度对光照区域的像素点进行增强,获取光照区域中每个像素点的已增强邻域像素点;根据光照区域中每个像素点的已增强邻域像素点和光照区域中每个像素点与其邻域像素点的相似性获取光照区域中每个像素点增强后的通道值;根据光照区域中每个像素点增强后的通道值获取光照区域中所有像素点增强后的通道值;根据光照区域中所有像素点增强后的通道值获取光照区域的增强图像;
非光照区域增强模块,根据光照区域的增强图像确定非光照区域的线性变换增强系数;根据非光照区域的线性变换增强系数对非光照区域进行增强,获取非光照区域的增强图像;合并光照区域的增强图像和非光照区域的增强图像,获取工地监控视频灰度图像的增强图像;
实施模块,根据工地监控视频灰度图像的增强图像进行工地施工的安全监测。
本发明的技术方案的有益效果是:本发明根据聚类算法将工地监控视频灰度图像划分为光照区域和非光照区域,将工地监控视频灰度图像划分为多个块后进行聚类,避免将所有阴影区域都划分到一起产生混淆;根据光照区域中每个像素点通道值的极差值得到光照区域中每个像素点替换后的灰度值,使光照区域的阴影区域的像素点在图像中的表现更明显;根据光照区域中每个像素点的目标程度确定对光照区域中每个像素点的增强顺序,对于目标程度小的像素点先进行增强、目标程度大的像素点后进行增强,从而可以将先增强的像素点作为参考对其他像素点进行增强,避免处于同一背景下的像素点之间的对比度过大;根据已增强邻域像素点和光照区域中每个像素点与其邻域像素点的相似性获取光照区域中每个像素点增强后的通道值,能够按照像素点与其邻域像素点差异自适应调整对光照区域中每个像素点的增强,避免对光照区域的过增强或欠增强;根据光照区域的增强图像确定非光照区域的线性变换增强系数,在确保非光照区域整体灰度分布均匀的情况下,确保获得的工地监控视频灰度图像的增强图像表面的平滑性。
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,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地介绍,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他的附图。
图1为本发明的一种智慧工地管理方法的步骤流程图;
图2为本发明的一种智慧工地管理***的结构框图;
图3为本发明的一种智慧工地管理方法的工地监控视频灰度图像;
图4为本发明的一种智慧工地管理方法的工地监控视频图像替换后的灰度图像。
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智慧工地管理方法及***,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智慧工地管理方法及***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智慧工地管理方法的步骤流程图,该方法包括以下步骤:
S001.采集工地监控视频图像,预处理获得工地监控视频灰度图像。
需要说明的是,工地监控视频图像的采集受天气影响较大,为防止图像过暗或噪声点过多,应避免极端天气,在光照充足的条件下采集监控视频图像。为方便后续处理,对工地监控视频图像进行灰度化处理,获得工地监控视频灰度图像,如图3所示。
S002.根据K-Means聚类算法将工地监控视频灰度图像划分为光照区域和非光照区域,对光照区域进行增强,获取光照区域的增强图像。
需要说明的是,由于光照的影响和工地本身的结构比较复杂,会产生大量阴影区域,同时工地通常占地面积大且分布复杂,因此可能存在大面积的非光照区域,非光照区域的灰度差异仅指其与背景区域的灰度值差异,即非光照区域形成的阴影区域只是由工地的复杂结构造成的。但是对于光照区域,由于光照影响和工地结构的复杂性,使工地摆放的设备等在地面产生阴影区域,因此在工地监控视频灰度图像中光照区域的阴影区域可能是工地本身形成的阴影区域,也可能是光照影响形成的阴影区域。为方便对处于不同区域的阴影区域进行分析,应首先将工地监控视频灰度图像划分为光照区域和非光照区域。
需要说明的是,若直接按照聚类算法将工地监控视频灰度图像划分为光照区域和非光照区域,可能将所有阴影区域都划分到一起,导致后续对不同区域的阴影区域分析时存在混淆,因此本实施例将工地监控视频灰度图像进行分块处理。
在本实施例中,预设的分块大小对工地监控视频灰度图像进行分块,本实施例以/>为例进行说明,对/>不做限制,其他实施例可根据实际情况设定。而后计算每个分块区域的灰度均值,预设/>聚类算法的聚类簇数/>,然后选择灰度均值最小和灰度均值最大的两个分块区域作为初始中心点进行迭代,将每个分块分配到最近的簇并根据分配结果更新簇的中心点,直到簇中心点不再变化则停止迭代,得到工地监控视频灰度图像划分为两个聚类簇,计算两个聚类簇的灰度均值,将灰度均值高的聚类簇记为光照区域,灰度均值低的聚类簇记为非光照区域。
至此,获取了工地监控视频灰度图像的光照区域和非光照区域。
需要说明的是,由于光照区域形成阴影的原因不同,若利用全局线性变换增强会造成过增强或欠增强的问题,因此需要对光照区域的像素点进行不同程度的增强。在RGB图像中当三通道值相等时,像素点呈现的颜色就是灰色,由于阴影区域在工地监控视频灰度图像中的颜色通常近似于灰色,则阴影区域的三通道值相近且都较低,则通过三通道值的极值替换每个像素点的灰度值,可以从视觉上增强阴影区域与其他区域的对比度。
因此在本实施例中,为使光照区域的阴影区域的像素点在图像中的表现更明显,利用光照区域的每个像素点的三通道中的最大通道值与最小通道值的差替换每个像素点的灰度值,具体计算公式如下:
其中,表示像素点/>替换后的灰度值,/>为像素点/>在/>通道内的通道值,表示像素点/>的三个通道值中的最大值,/>表示像素点的三个通道值中的最小值,/>通道是指工地监控视频图像中的像素点在/>、/>、/>通道中的任意一个通道。
通过替换操作获得光照区域中每个像素点替换后的灰度值,从而得到工地监控视频图像替换后的灰度图像,如图4所示,记工地监控视频图像替换后的灰度图像中像素点的灰度值为/>。
需要说明的是,为防止过增强或欠增强的问题,对光照区域的阴影区域的增强程度更大,在利用通道值极差替换光照区域的像素点的灰度值后,处于阴影区域的像素点的灰度值偏小,因此可以根据替换后的像素点灰度值为确定光照区域中每个像素点的增强程度提供依据,本实施例利用目标程度量化光照区域中每个像素点是阴影区域的像素点的程度。
需要进一步说明的是,对于光照造成的阴影区域来说,仅靠三通道极差值获取更高的目标程度不准确,因为部分光照较强的区域颜色靠近白色,对应的三通道极差值可能也较小,为避免产生混淆,通过将灰度最大值与三通道值之差的平均值作为权重系数,赋予三个通道值更小的像素点以更高的权重,得到光照区域中每个像素点更准确的目标程度。具体计算公式如下:
其中,表示工地监控视频灰度图像中的像素点/>的目标程度,/>表示工地监控视频灰度图像中的像素点/>在/>通道内的通道值,/>为最大灰度值,/>表示工地监控视频图像灰度图像中的像素点/>替换后的灰度值,为防止分母为0,本实施例以为分母。
需要说明的是,当分母较小时,说明像素点的通道值相近,但是由于光照区域的强光照影响,光照区域中的部分区域接近白色,这些区域的像素点的通道值相近,因此当分母/>较小时对应的像素点可能是光照区域的阴影区域的像素点也可能是光照过强的区域的像素点,因此为避免赋予光照过强的像素点较大的目标程度,本实施例根据灰度最大值与三通道值之差的平均值/>限制光照过强的区域的像素点的目标程度。当分母/>较大时,说明像素点的三通道值相差较大,且这些像素点是阴影区域像素点的程度较小,因此对应的最大值与三通道值之差的平均值/>越小,得到的目标程度更小。
至此,获取了工地监控视频灰度图像中光照区域的每个像素点的目标程度。
需要说明的是,图像中处于同一背景的像素点的通道值通常会平行递增或递减,因此在工地监控视频灰度图像中光照区域的阴影区域像素点的通道值会一同增大或减小,基于这一特征,本实施例利用像素点与其邻域像素点的通道差比值量化像素点与其邻域像素点之间的相似性。
对于像素点,以像素点/>为中心像素点构建/>的窗口,本实施例以/>为例进行说明,记窗口内除中心像素点外的其他像素点为/>,其他像素点/>也可以称为像素点/>的邻域像素点,则像素点/>与其邻域像素点/>之间的相似性计算公式如下:
其中,表示像素点/>与其邻域像素点/>之间的相似性,/>表示像素点/>在/>通道的通道值,/>表示像素点/>在/>通道的通道值,/>表示像素点/>在/>通道的通道值,/>表示像素点/>在/>通道的通道值,/>为构建的固定大小的窗口的边长,/>和/>分别表示工地监控视频灰度图像中的像素点在/>、/>、/>通道中的任意一个通道,且/>,为防止分母为0,以/>为分母。
需要说明的是,若像素点与其邻域像素点/>的某一通道值平行递增或递减,则像素点/>与其邻域像素点/>的其他通道值也存在相应的特征,因此利用两个像素点在不同通道的通道值之差的比值量化两个像素点的相似性,若比值越接近于1说明两个像素点的相似性越强,更可能处于同一背景区域,若比值越远离1说明两个像素点的相似性越弱,处于同一背景区域的概率不大。
至此,获取了像素点与其邻域像素点的相似性。
需要说明的是,通过目标程度公式赋予了光照区域的阴影区域更大的目标程度,正常区域的目标程度相对较小,但仅采用目标程度作为像素点的增强系数会导致像素点增强后的灰度值差异大,无法使处于同一背景区域的像素点的灰度值相近。采用迭代思想,可以按照像素点目标程度由小到大的顺序对像素点进行增强,而后量化像素点与邻域内已增强的像素点的相似性。
进一步需要说明的是,若像素点与其邻域中已增强的像素点的相似性越接近于1,说明像素点与邻域中已增强的像素点处于同一背景的概率较高,则利用像素点与邻域中已增强的像素点之间的差值调整像素点灰度值时,需要调整像素点的灰度值更接近邻域中已增强的像素点的灰度值。
在本实施例中,得到光照区域的每个像素点的目标程度后,按照目标程度由小到大的顺序对像素点进行增强,对于光照区域的任意像素点,以像素点/>为中心像素点构建的窗口,本实施例以/>为例进行说明,在中心像素点的邻域像素点中,将满足目标程度小于/>的邻域像素点的个数记为/>,这些邻域像素点记为目标邻域像素点。
需要说明的是,按照目标程度由小到大的顺序对像素点进行增强,首先可以得到每个中心像素点的目标邻域像素点增强后在通道的通道值,记为/>,其中/>表示中心像素点的第/>个目标邻域像素点,/>表示中心像素点的第/>个目标邻域像素点增强后在通道的通道值。因此可以根据中心像素点的目标邻域像素点增强后在/>通道的通道值对中心像素点的通道值进行调整,可以像素点/>增强后再/>通道的通道值更接近邻域内同背景下的像素点增强后的通道值,保证增强后的局部统一性。
因此在本实施例中,在获取每个窗口的中心像素点的目标邻域像素点增强后的通道值后,通过量化中心像素点与其目标邻域像素点的相似性以及目标邻域像素点在增强前和增强后的差异,基于中心像素点的原通道值对中心像素点进行增强获得增强后像素点在/>通道的通道值,具体计算公式如下:
其中,为像素点/>增强后在/>通道的通道值,/>为像素点/>增强后在/>通道的通道值,/>为像素点/>在/>通道下的通道值,/>表示像素点/>和像素点/>的相似性,/>表示像素点/>的邻域内的/>个已增强像素点中的第/>个,n表示像素点/>的邻域像素点个数,/>表示以自然常数为底的指数函数。
需要说明的是,公式中的表示已增强的目标邻域像素点在/>通道的通道值与中心像素点/>在/>通道下的原通道值的差值,用以量化中心像素点与其邻域中增强后的像素点的差异,若差异较小,说明对中心像素点的调整较少;若差异较大,说明对中心像素点的调整较多。
需要进一步说明的是,在利用已增强的目标邻域像素点与中心像素点之间的差异确定对中心像素点的调整时,需要考虑中心像素点与其邻域内已增强的目标邻域像素点之间的相似性,若相似性越大,说明中心像素点与目标邻域像素点之间的相似性高,相似性越高则越接近于1,则/>越接近于1,利用/>作为中心像素点与已增强目标邻域像素点之间的差异权重,当相似性越高时,赋予已增强的目标邻域像素点与中心像素点之间的差异接近于1的权重。最后根据/>求中心像素点与其所有目标邻域像素点的通道值差异均值,作为在中心像素点/>的原通道值基础上的增加值,获得增强后中心像素点/>在/>通道的通道值。
以此获取增强后中心像素点在每个通道中的通道值,然后为中心像素点/>在每个通道的通道值(R通道、G通道、B通道)赋予1/3的权重,通过加权求和得到每个像素点的增强后的灰度值,从而获取工地监控视频灰度图像中光照区域的增强图像。
至此,获取了工地监控视频灰度图像中光照区域的增强图像。
S003.获取非光照区域的增强图像,将光照区域的增强图像和非光照区域的增强图像合并获取工地监控视频灰度图像的增强图像。
需要说明的是,在得到工地监控视频灰度图像中光照区域的增强图像后,为保证图像质量需要对非光照区域进行增强,由于非光照区域受阴影区域的影响较小,灰度分布较平均,所以可以通过全局线性变换增强对非光照区域进行增强,为表面光照区域和非光照区域产生过大的对比度,本实施例根据增强后的光照区域的通道值均值定义非光照区域的线性变换增强系数:
其中,为光照区域在/>通道下增强后的通道值均值,/>为非光照区域增强前在/>通道下的通道值均值,/>为非光照区域在/>通道的线性变换增强系数。
根据线性变换增强系数获取非光照区域的像素点增强后在通道的通道值:
其中,表示非光照区域的像素点/>增强后在/>通道的通道值,/>表示非光照区域的像素点/>增强前在/>通道的通道值,/>为非光照区域在/>通道的线性变换增强系数。通过公式计算非光照区域的像素点在每个通道增强后的通道值,获得非光照区域的增强图像,最后增强后的光照区域和非光照区域合并,获得工地监控视频灰度图像的增强图像。
至此,获取了工地监控视频灰度图像的增强图像。
S004.根据工地监控视频灰度图像的增强图像进行工地施工的安全监测与管理。
对采集到的工地监控视频图像的每一帧图像进行增强,对安全隐患目标的边界框位置信息进行人工标注,将所得视频作为训练集输入YOLOV3神经网络进行训练;使用均方差衡量模型的输出与真实标签之间的差异,对于后续视频图像作为神经网络的输入进行目标检测,输出集包含对图像中每个检测到的目标的类别、位置等信息,根据连续帧下各目标的位置变化,预测其运行速度与轨迹,若其在后续较短时间间隔内(5秒内),运行轨迹内出现相交的情况,则进行安全预警。
通过以上步骤,完成了智慧工地管理方法的建立。
请参阅图2,其示出了本发明实施例提供了一种智慧工地管理***的结构框图,该***包括以下模块:
图像预处理模块,用于采集工地监控视频图像,预处理获得工地监控视频灰度图像;
光照区域增强模块,用于根据聚类算法将工地监控视频灰度图像划分为光照区域和非光照区域;根据光照区域中每个像素点通道值的极差值得到光照区域中每个像素点替换后的灰度值;根据光照区域中每个像素点替换后的灰度值获取光照区域中每个像素点的目标程度;获取光照区域中每个像素点的邻域像素点,根据光照区域中每个像素点的邻域像素点获取光照区域中每个像素点与其邻域像素点的相似性;根据光照区域中每个像素点的目标程度确定对光照区域中每个像素点的增强顺序,获取光照区域中每个像素点的已增强邻域像素点;根据光照区域中每个像素点的已增强邻域像素点和光照区域中每个像素点与其邻域像素点的相似性获取光照区域中每个像素点增强后的通道值;根据光照区域中每个像素点增强后的通道值获取光照区域中所有像素点增强后的通道值;根据光照区域中所有像素点增强后的通道值获取光照区域的增强图像;
非光照区域增强模块,用于根据光照区域的增强图像确定非光照区域的线性变换增强系数;根据非光照区域的线性变换增强系数对非光照区域进行增强,获取非光照区域的增强图像;合并光照区域的增强图像和非光照区域的增强图像,获取工地监控视频灰度图像的增强图像。
实施模块,用于根据工地监控视频灰度图像的增强图像进行工地施工的安全监测与管理,完成智慧工地方法及***的建立。
本实施例根据聚类算法将工地监控视频灰度图像划分为光照区域和非光照区域,将工地监控视频灰度图像划分为多个块后进行聚类,避免将所有阴影区域都划分到一起产生混淆;根据光照区域中每个像素点通道值的极差值得到光照区域中每个像素点替换后的灰度值,使光照区域的阴影区域的像素点在图像中的表现更明显;根据光照区域中每个像素点的目标程度确定对光照区域中每个像素点的增强顺序,对于目标程度小的像素点先进行增强、目标程度大的像素点后进行增强,从而可以将先增强的像素点作为参考对其他像素点进行增强,避免处于同一背景下的像素点之间的对比度过大;根据已增强邻域像素点和光照区域中每个像素点与其邻域像素点的相似性获取光照区域中每个像素点增强后的通道值,能够按照像素点与其邻域像素点差异自适应调整对光照区域中每个像素点的增强,避免对光照区域的过增强或欠增强;根据光照区域的增强图像确定非光照区域的线性变换增强系数,在确保非光照区域整体灰度分布均匀的情况下,确保获得的工地监控视频灰度图像的增强图像表面的平滑性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,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。
Claims (7)
1.一种智慧工地管理方法,其特征在于,该方法包括以下步骤:
采集工地监控视频图像,并灰度化处理获得工地监控视频灰度图像;
根据聚类算法将工地监控视频灰度图像划分为光照区域和非光照区域;根据光照区域中每个像素点通道值的极差值得到光照区域中每个像素点替换后的灰度值;根据光照区域中每个像素点替换后的灰度值获取光照区域中每个像素点的目标程度;获取光照区域中每个像素点的邻域像素点,根据光照区域中每个像素点的邻域像素点获取光照区域中每个像素点与其邻域像素点的相似性;根据光照区域中每个像素点的目标程度对光照区域的像素点进行增强,获取光照区域中每个像素点的已增强邻域像素点;根据光照区域中每个像素点的已增强邻域像素点和光照区域中每个像素点与其邻域像素点的相似性获取光照区域中每个像素点增强后的通道值;根据光照区域中每个像素点增强后的通道值获取光照区域中所有像素点增强后的通道值;根据光照区域中所有像素点增强后的通道值获取光照区域的增强图像;
根据光照区域的增强图像确定非光照区域的线性变换增强系数;根据非光照区域的线性变换增强系数对非光照区域进行增强,获取非光照区域的增强图像;合并光照区域的增强图像和非光照区域的增强图像,获取工地监控视频灰度图像的增强图像;
根据工地监控视频灰度图像的增强图像进行工地施工的安全监测;
所述根据光照区域中每个像素点替换后的灰度值获取光照区域中每个像素点的目标程度,包括的具体方法为:
结合每个像素点在通道的通道值与最大灰度值的差值获取光照区域中每个像素点的目标程度的计算公式如下:
其中,表示工地监控视频灰度图像中的像素点/>的目标程度,/>表示工地监控视频灰度图像中的像素点/>在/>通道内的通道值,/>为工地监控视频灰度图像中的最大灰度值,/>表示工地监控视频图像中像素点/>替换后的灰度值;
所述根据光照区域中每个像素点的目标程度对光照区域的像素点进行增强,获取光照区域中每个像素点的已增强邻域像素点,包括的具体方法为:
以光照区域中目标程度最小的像素点作为初始点,按照目标程度由小及大的顺序对光照区域中的像素点进行增强,将固定大小的窗口内目标程度小于中心像素点的目标程度的像素点记为已增强邻域像素点;
所述根据光照区域中每个像素点的已增强邻域像素点和光照区域中每个像素点与其邻域像素点的相似性获取光照区域中每个像素点增强后的通道值,包括的具体计算公式为:
其中,为像素点/>增强后在/>通道的通道值,/>为像素点/>增强后在/>通道的通道值,/>表示工地监控视频灰度图像中的像素点/>在/>通道内的通道值,/>表示像素点/>和像素点/>的相似性,/>表示像素点/>的邻域像素点中的第/>个已增强像素点,n表示像素点/>的邻域像素点个数,/>表示以自然常数为底的指数函数。
2.根据权利要求1所述一种智慧工地管理方法,其特征在于,所述根据聚类算法将工地监控视频灰度图像划分为光照区域和非光照区域,包括的具体方法为:
根据聚类算法对工地监控视频灰度图像的多个分块区域进行聚类,获得工地监控视频灰度图像的两个聚类簇,将灰度均值高的聚类簇所在的区域记为光照区域,将灰度均值低的聚类簇所在的区域记为非光照区域。
3.根据权利要求1所述一种智慧工地管理方法,其特征在于,所述根据光照区域中每个像素点通道值的极差值得到光照区域中每个像素点替换后的灰度值,包括的具体方法为:
对于光照区域的像素点,利用其每个通道值的极差值替换像素点的灰度值,具体计算公式如下:
其中,表示像素点/>替换后的灰度值,/>为像素点/>在/>通道内的通道值,表示像素点/>的三个通道值中的最大值,/>表示像素点的三个通道值中的最小值,/>通道是指工地监控视频图像中的像素点在/>、/>和/>通道中的任意一个通道。
4.根据权利要求1所述一种智慧工地管理方法,其特征在于,所述根据光照区域中每个像素点的邻域像素点获取光照区域中每个像素点与其邻域像素点的相似性,包括的具体方法为:
以光照区域中每个像素点为中心像素点构建固定大小的窗口,将窗口内除中心像素点外的像素点看作光照区域中每个像素点的邻域像素点,根据光照区域中每个像素点及其邻域像素点获取它们之间的相似性公式如下:
其中,表示像素点/>与其邻域像素点/>之间的相似性,/>表示像素点/>在/>通道的通道值,/>表示像素点/>在/>通道的通道值,/>表示像素点/>在/>通道的通道值,/>表示像素点/>在/>通道的通道值,/>为构建的固定大小的窗口的边长,/>和/>分别表示工地监控视频灰度图像中的像素点在/>、/>和/>通道中的任意一个通道。
5.根据权利要求1所述一种智慧工地管理方法,其特征在于,所述根据光照区域的增强图像确定非光照区域的线性变换增强系数的具体计算公式为:
其中,为光照区域在/>通道下增强后的通道值均值,/>为非光照区域增强前在/>通道下的通道值均值,/>为非光照区域在/>通道的线性变换增强系数。
6.根据权利要求1所述一种智慧工地管理方法,其特征在于,所述根据工地监控视频灰度图像的增强图像进行工地施工的安全监测,包括的具体方法为:
对采集到的工地监控视频图像的每一帧图像进行增强,利用神经网络获取公司监控视频灰度图像的增强图像中的目标的位置,依据目标的位置判断目标在预设时间内运行轨迹是否相交,如果相交则进行安全预警。
7.一种智慧工地管理***,其特征在于,该***用于实现如权利要求1-6任一项所述的一种智慧工地管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345497.6A CN117079197B (zh) | 2023-10-18 | 2023-10-18 | 一种智慧工地管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311345497.6A CN117079197B (zh) | 2023-10-18 | 2023-10-18 | 一种智慧工地管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117079197A CN117079197A (zh) | 2023-11-17 |
CN117079197B true CN117079197B (zh) | 2024-03-05 |
Family
ID=88706532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311345497.6A Active CN117079197B (zh) | 2023-10-18 | 2023-10-18 | 一种智慧工地管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079197B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200747A (zh) * | 2020-10-16 | 2021-01-08 | 展讯通信(上海)有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和*** |
CN115393406A (zh) * | 2022-08-17 | 2022-11-25 | 武汉华中天经通视科技有限公司 | 一种基于孪生卷积网络的图像配准方法 |
CN115409833A (zh) * | 2022-10-28 | 2022-11-29 | 一道新能源科技(衢州)有限公司 | 基于反锐化掩模算法的光伏板的热斑缺陷检测方法 |
CN116071807A (zh) * | 2023-03-06 | 2023-05-05 | 深圳市网联天下科技有限公司 | 基于视频监控的校园一卡通智能预警方法及*** |
WO2023134791A2 (zh) * | 2022-12-16 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及*** |
CN116805316A (zh) * | 2023-08-25 | 2023-09-26 | 深圳市鹏顺兴包装制品有限公司 | 基于图像增强的可降解塑料加工质量检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110651297B (zh) * | 2017-05-16 | 2022-11-11 | 苹果公司 | 使用引导图像对合成的长曝光图像进行可选增强 |
-
2023
- 2023-10-18 CN CN202311345497.6A patent/CN117079197B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200747A (zh) * | 2020-10-16 | 2021-01-08 | 展讯通信(上海)有限公司 | 一种图像处理方法、装置及计算机可读存储介质 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和*** |
CN115393406A (zh) * | 2022-08-17 | 2022-11-25 | 武汉华中天经通视科技有限公司 | 一种基于孪生卷积网络的图像配准方法 |
CN115409833A (zh) * | 2022-10-28 | 2022-11-29 | 一道新能源科技(衢州)有限公司 | 基于反锐化掩模算法的光伏板的热斑缺陷检测方法 |
WO2023134791A2 (zh) * | 2022-12-16 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及*** |
CN116071807A (zh) * | 2023-03-06 | 2023-05-05 | 深圳市网联天下科技有限公司 | 基于视频监控的校园一卡通智能预警方法及*** |
CN116805316A (zh) * | 2023-08-25 | 2023-09-26 | 深圳市鹏顺兴包装制品有限公司 | 基于图像增强的可降解塑料加工质量检测方法 |
Non-Patent Citations (2)
Title |
---|
An Improved R-L Fractional Differential Image Enhancement Algorithm;Qingli Chen等;2021 International Conference on Computer Information Science and Artificial Intelligence (CISAI);1-5 * |
基于 DM6467的视频图像增强***研究;陈生奇等;光学与光电技术;第21卷(第4期);67-74 * |
Also Published As
Publication number | Publication date |
---|---|
CN117079197A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615226B (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
CN112183471A (zh) | 一种现场人员防疫口罩规范佩戴的自动检测方法及*** | |
CN107742099A (zh) | 一种基于全卷积网络的人群密度估计、人数统计的方法 | |
CN105160297B (zh) | 基于肤色特征的蒙面人事件自动检测方法 | |
CN115797798B (zh) | 基于废弃矿山遥感图像的生态修复效果评估方法 | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN109726649B (zh) | 遥感影像云检测方法、***及电子设备 | |
CN112749654A (zh) | 一种用于视频大雾监测的深度神经网络模型构建方法、***及装置 | |
CN112991269A (zh) | 一种肺部ct图像的识别分类方法 | |
CN112396635A (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
CN110503092B (zh) | 基于领域适应的改进ssd监控视频目标检测方法 | |
CN116758081A (zh) | 一种无人机道路桥梁巡检图像处理方法 | |
CN111950457A (zh) | 油田安全生产图像识别方法及*** | |
CN116703787B (zh) | 一种建筑施工安全风险预警方法及*** | |
CN117079197B (zh) | 一种智慧工地管理方法及*** | |
CN109658405B (zh) | 一种农作物实景观测中图像数据质量控制方法及*** | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
CN115995097A (zh) | 一种基于深度学习的安全头盔佩戴标准判断方法 | |
CN110135274A (zh) | 一种基于人脸识别的人流量统计方法 | |
Li et al. | Image object detection algorithm based on improved Gaussian mixture model | |
CN111145219B (zh) | 一种基于Codebook原理的高效视频移动目标检测方法 | |
CN114419018A (zh) | 图像采样方法、***、设备及介质 | |
CN113255422A (zh) | 一种基于深度学习的工序衔接目标识别管理方法及*** | |
CN112200010A (zh) | 一种社区监控场景下的人脸采集质量评估策略 | |
CN110414436B (zh) | 一种机场天气视频辅助观测*** |
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 |