本申请涉及一种基于多画面实时拼接的物体检测方法，包括：获取用于图像拼接的多幅原始图像，多幅原始图像分别由多个监控摄像头同步采集；根据预先生成的图像变换矩阵分别对多幅原始图像进行图像变换，得到多幅变换图像，图像变换矩阵基于所述多个监控摄像头同步采集的历史图像集生成；采用预设的光照补偿算法对多幅变换图像进行光照补偿；对光照补偿后的多幅图像进行图像拼接和融合，得到待检测图像；将待检测图像输入到预先生成的物体检测模型中进行物体检测，得到物体检测结果；其中，物体检测模型为基于深度学习算法建立、并预先训练的端到端小目标检测模型。本方法能有效提高物体检测的精度和速度。物体检测的精度和速度。物体检测的精度和速度。
【技术实现步骤摘要】
基于多画面实时拼接的物体检测方法、系统、设备和介质
[0001]本申请属于图像处理
，具体涉及一种物体检测方法。
技术介绍
[0002]随着模式识别技术、视频分析处理技术的发展，人们对日常活动场合的安全性的需求日益强烈，智能视频监控系统已广泛应用于安防领域，为人们的财产、生命安全提供保障。
[0003]基于视频序列的物体检测与识别是智能视频监控系统中的重要组成部分，并被应用于商场、停车场、银行、展览会、火车站等重要场所。通过物体检测识别其所处的状态来分析监控场景中是否有异常事件放生。
[0004]目前智能视频监控系统对物体检测时，对光照变换、遮挡问题、摄像头转移等干扰因素影响，容易出现误检和漏检，从而导致检测精度和速度较低。
技术实现思路
[0005](一)要解决的技术问题
[0006]鉴于现有技术的上述缺点、不足，本申请提供一种基于多画面实时拼接的物体检测方法、系统、设备和存储介质。
[0007](二)技术方案
[0008]为达到上述目的，本申请采用如下技术方案：
[0009]第一方面，本申请实施例提供一种基于多画面实时拼接的物体检测方法，该方法包括：
[0010]S10、获取用于图像拼接的多幅原始图像，所述多幅原始图像分别由多个监控摄像头同步采集；
[0011]S20、根据预先生成的图像变换矩阵分别对所述多幅原始图像进行图像变换，得到多幅变换图像，所述图像变换矩阵基于所述多个监控摄像头同步采集的历史图像集生成；
[0012]S30、采用预设的光照补偿算法对所述多幅变换图像进行光照补偿；
[0013]S40、对光照补偿后的多幅图像进行图像拼接和融合，得到待检测图像；
[0014]S50、将所述待检测图像输入到预先生成的物体检测模型中进行物体检测，得到物体检测结果；其中，所述物体检测模型为基于深度学习算法建立、并预先训练的端到端小目标检测模型。
[0015]可选地，在S10之后、S20之前还包括对多幅原始图像进行预处理。
[0016]可选地，对多幅原始图像进行预处理包括：
[0017]利用直方图均衡化算法对所述原始图像进行处理，以减少因光线变化而产生的图像模糊现象；
[0018]采用双边滤波的方式对处理后的原始图像进行滤波处理，以抑制图像中的噪声。
[0019]可选地，在S10之前还包括生成图像变换矩阵，生成图像变换矩阵的步骤包括：
[0020]S01、提取所述历史图像集中每个历史图像的尺度不变特征变换(Scale
‑
invariant feature transform，SIFT)特征；
[0021]S02、通过最近邻特征匹配算法进行特征匹配，得到特征匹配点；
[0022]S03、基于所述特征匹配点对各历史图像进行相机参数估计，生成图像变换矩阵。
[0023]可选地，预设的光照补偿算法为灰度世界色彩均衡算法，S30包括：
[0024]S31、针对每一幅变换图像，分别计算变换图像的三个颜色分量的平均值avgR、avgG、avgB，并令变换图像的平均灰度值为：
[0025]avgGray＝(avgR+avgG+avgB)/3
[0026]S32、计算三个颜色分量的增益系数：
[0027]ar＝avgGray/avgR
[0028]ag＝avgGray/avgG
[0029]ab＝avgGray/avgB
[0030]S33、对于变换图像中每个像素c，通过以下公式计算其红色R、绿色G、蓝色B调整分量c(R
′
)、c(G
′
)、c(B
′
)：
[0031]c(R
′
)＝c(R)*ar
[0032]c(G
′
)＝c(G)*ar
[0033]c(B
′
)＝c(B)*ar
[0034]可选地，S40包括：采用加权平均法对图像的重叠区域的原始颜色进行加权求平均值，使用加权平均后的数值对拼接后图像的重叠区域的像素点赋值。
[0035]可选地，所述端到端小目标检测模型为基于特征金字塔网络(Feature Pyramid Network，FPN)有效融合因子的小目标检测模型，该模型的构建和训练步骤包括：
[0036]S51，构建骨干网络，并对其进行预训练；
[0037]S52，提取预训练权重用作目标数据集训练的网络初始化权值，在目标数据集进行训练，获得训练后的小目标检测模型；在训练过程中，采用骨干网络对图像进行多尺度特征提取，获得多个尺度的特征图；将FPN中相邻特征层的融合比例设定为融合因子α，基于融合因子确定相邻特征图之间的融合比例，将各尺度的特征图进行融合。
[0038]第二方面，本申请实施例提供一种智能视频监控系统，包括视频采集子系统、智能视频分析子系统和控制中心子系统，所述智能视频分析子系统采用如上第一方面任一项所述的基于多画面实时拼接的物体检测方法生成物体检测结果发送至控制中心子系统。
[0039]第三方面，本申请实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上第一方面任一项所述的基于多画面实时拼接的物体检测方法的步骤。
[0040]第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被所述处理器执行时实现如上第一方面任一项所述的基于多画面实时拼接的物体检测方法的步骤。
[0041](三)有益效果
[0042]本申请的有益效果是：本申请提出了一种基于多画面实时拼接的物体检测方法，包括：获取用于图像拼接的多幅原始图像，多幅原始图像分别由多个监控摄像头同步采集；根据预先生成的图像变换矩阵分别对多幅原始图像进行图像变换，得到多幅变换图像，图
像变换矩阵基于多个监控摄像头同步采集的历史图像集生成；采用预设的光照补偿算法对多幅变换图像进行光照补偿；对光照补偿后的多幅图像进行图像融合，得到待检测图像；将待检测图像输入到预先生成的物体检测模型中进行物体检测，得到物体检测结果；其中，物体检测模型提取所述待检测图像的方向梯度直方图特征，通过预先训练的支持向量机进行物体检测。本方法能有效提高物体检测的精度和速度。
附图说明
[0043]本申请借助于以下附图进行描述：
[0044]图1为本申请一个实施例中的基于多画面实时拼接的物体检测方法流程示意图；
[0045]图2为本申请另一实施例中的智能视频监控系统结构示意图；
[0046]图3为本申请又一实施例中的电子设备的架构示意图。
具体实施方式
[0047]为了更好的解释本专利技术，以便于理解，下面结合附图，通过具体实施方式，对本专利技术作详细描述。可以理解的是，以下所描述的具体的实本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于多画面实时拼接的物体检测方法，其特征在于，该方法包括：S10、获取用于图像拼接的多幅原始图像，所述多幅原始图像分别由多个监控摄像头同步采集；S20、根据预先生成的图像变换矩阵分别对所述多幅原始图像进行图像变换，得到多幅变换图像，所述图像变换矩阵基于所述多个监控摄像头同步采集的历史图像集生成；S30、采用预设的光照补偿算法对所述多幅变换图像进行光照补偿；S40、对光照补偿后的多幅图像进行图像拼接和融合，得到待检测图像；S50、将所述待检测图像输入到预先生成的物体检测模型中进行物体检测，得到物体检测结果；其中，所述物体检测模型为基于深度学习算法建立、并预先训练的端到端小目标检测模型。2.根据权利要求1所述的基于多画面实时拼接的物体检测方法，其特征在于，在S10之后、S20之前还包括对多幅原始图像进行预处理。3.根据权利要求1所述的基于多画面实时拼接的物体检测方法，其特征在于，对多幅原始图像进行预处理包括：利用直方图均衡化算法对所述原始图像进行处理，以减少因光线变化而产生的图像模糊现象；采用双边滤波的方式对处理后的原始图像进行滤波处理，以抑制图像中的噪声。4.根据权利要求1所述的基于多画面实时拼接的物体检测方法，其特征在于，在S10之前还包括生成图像变换矩阵，生成图像变换矩阵的步骤包括：S01、提取所述历史图像集中每个历史图像的SIFT特征；S02、通过最近邻特征匹配算法进行特征匹配，得到特征匹配点；S03、基于所述特征匹配点对各历史图像进行相机参数估计，生成图像变换矩阵。5.根据权利要求1所述的基于多画面实时拼接的物体检测方法，其特征在于，预设的光照补偿算法为灰度世界色彩均衡算法，S30包括：S31、针对每一幅变换图像，分别计算变换图像的三个颜色分量的平均值avgR、avgG、avgB，并令变换图像的平均灰度值为：avgGray＝(avgR+avgG+avgB)/3S32、计算三个颜色分量的增益系数：ar＝avgGray/avgRag＝avgGray/avgGab＝avgGray/avgBS...
【专利技术属性】
技术研发人员：汝骏仁，郭长柱，
申请(专利权)人：江苏范特科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。