[發(fā)明專利]一種基于時(shí)序與頻域過(guò)濾的物體檢測(cè)與物體切割算法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110707449.1
• 申請(qǐng)日: 2021-06-24
• 公開(kāi)（公告）號(hào): CN113378757A
• 公開(kāi)（公告）日: 2021-09-10
• 發(fā)明（設(shè)計(jì)）人: 唐蔚然
• 申請(qǐng)（專利權(quán)）人: 蘇州幻島信息科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/38;G06K9/40;G06K9/46;G06T5/00;G06T7/11;G06T7/136;G06T7/194;G06T7/246;G06T7/254
• 代理公司: 北京棘龍知識(shí)產(chǎn)權(quán)代理有限公司 11740
• 代理人: 張開(kāi)

本發(fā)明公開(kāi)了一種基于時(shí)序與頻域過(guò)濾的物體檢測(cè)與物體切割算法，包括以下步驟：S1、輸入視頻，并抽取關(guān)鍵幀；S2、在頻域中截取低頻信息，在時(shí)序中按照公式計(jì)算實(shí)時(shí)背景圖以及自適應(yīng)閾值；S3、對(duì)輸入的當(dāng)前幀截取低頻信息后，以S2中計(jì)算的實(shí)時(shí)背景圖背景圖和自適應(yīng)閾值為標(biāo)準(zhǔn)，獲取前景圖，對(duì)當(dāng)前幀進(jìn)行前景和背景的判別，經(jīng)過(guò)物體切割算法切割出當(dāng)前幀圖像中的目標(biāo)物體，追蹤追蹤前景物體并去除錯(cuò)誤物體后；將下一幀作為新的當(dāng)前幀，重新進(jìn)行背景計(jì)算狀態(tài)和物體檢測(cè)。該算法提供的實(shí)時(shí)背景更新方法和自適應(yīng)閾值，在對(duì)目標(biāo)物體的檢測(cè)時(shí)，能夠克服光線條件變化帶來(lái)的影響，滿足穩(wěn)定對(duì)目標(biāo)物體進(jìn)行提取的需求，提高多種場(chǎng)景下檢測(cè)的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于時(shí)序與頻域過(guò)濾的物體檢測(cè)與物體切割算法。

背景技術(shù)

對(duì)垃圾識(shí)別場(chǎng)景中，有著大物體、長(zhǎng)時(shí)間、光線有強(qiáng)烈變化的特點(diǎn)。傳統(tǒng)的光流法、KNN、MOG2、GMG等算法均不能在此場(chǎng)景下，對(duì)目標(biāo)物體進(jìn)行長(zhǎng)期穩(wěn)定的提取處理。通過(guò)一種合適的閾值分割，根據(jù)目標(biāo)的灰度和背景灰度不一致，將目標(biāo)與背景分離，極大地降低了背景干擾，為后續(xù)的識(shí)別跟蹤提供了良好的圖像條件。

因此，需要設(shè)計(jì)一種能夠抗復(fù)雜背景干擾、光照干擾的物體檢測(cè)與物體切割算法。

發(fā)明內(nèi)容

本發(fā)明克服了現(xiàn)有技術(shù)的不足，提供一種基于時(shí)序與頻域過(guò)濾的物體檢測(cè)與物體切割算法。

為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案為：一種基于時(shí)序與頻域過(guò)濾的物體檢測(cè)與物體切割算法，包括：其特征在于，包括以下步驟：

S1、輸入視頻，獲取圖像，并抽取關(guān)鍵幀數(shù)據(jù)；

S2、背景計(jì)算：在頻域中預(yù)處理并截取低頻信息，在時(shí)序中按照公式計(jì)算實(shí)時(shí)背景圖Image_bg以及自適應(yīng)閾值T；

S3、物體檢測(cè)：對(duì)輸入的當(dāng)前幀截取低頻信息后，以S2中計(jì)算的實(shí)時(shí)背景圖背景圖和自適應(yīng)閾值為標(biāo)準(zhǔn)，獲取前景圖，對(duì)當(dāng)前幀進(jìn)行前景和背景的判別，經(jīng)過(guò)物體切割算法切割出當(dāng)前幀圖像中的目標(biāo)物體，追蹤追蹤前景物體并去除錯(cuò)誤物體后，對(duì)當(dāng)前幀處理完畢；將下一幀作為新的當(dāng)前幀，重新進(jìn)行背景計(jì)算狀態(tài)和物體檢測(cè)。

本發(fā)明一個(gè)較佳實(shí)施例中，所述S2中，使用公式1在時(shí)序中計(jì)算實(shí)時(shí)背景圖Image_bg：Image_bg＝∑R_t-n×Image_t-n；R_t-n＝(1/n)/∑(1/n)；其中：t為時(shí)序編號(hào)，n＝[0,15]；Image_t-n為第t-n號(hào)圖片。

本發(fā)明一個(gè)較佳實(shí)施例中，所述S2中，使用公式2在時(shí)序中計(jì)算自適應(yīng)的閾值T；T＝L_t-n×∑((1/n)/∑(1/n))；其中：t為時(shí)序編號(hào)，n＝[0,15]；L_t-n為第t-n號(hào)圖片的亮度。

本發(fā)明一個(gè)較佳實(shí)施例中，所述S2中使用低通濾波器low-pass濾波器，或者在頻域中處理去除高頻信息，獲得低頻圖片。

本發(fā)明一個(gè)較佳實(shí)施例中，在所述S3中，若檢測(cè)若干幀圖像中未出現(xiàn)物體，繼續(xù)進(jìn)行背景累加。

本發(fā)明一個(gè)較佳實(shí)施例中，在所述S3中，若所述前景物體的大小與運(yùn)動(dòng)在置信區(qū)間內(nèi)，設(shè)定為合理前景。

本發(fā)明一個(gè)較佳實(shí)施例中，在所述S3中，利用收縮算法去除噪點(diǎn)。

本發(fā)明一個(gè)較佳實(shí)施例中，在所述S3中，膨脹算法獲得前景物體范圍，并利用多邊形算法獲得前景物體圖片。

本發(fā)明一個(gè)較佳實(shí)施例中，在所述S3中，利用motion-tracking算法，在時(shí)序中追蹤前景物體。

本發(fā)明一個(gè)較佳實(shí)施例中，在所述S1中，所述關(guān)鍵幀數(shù)據(jù)的選擇方式為每隔N幀或連續(xù)的圖像幀。