【技术实现步骤摘要】
一种视频图像抖动检测及稳定方法、装置及相关介质
[0001]本专利技术涉及图像处理
，特别涉及一种视频图像抖动检测及稳定方法、装置及相关介质。
技术介绍
[0002]近年来，越来越多的监控相机被布置于公共场所，并结合视频AI技术，在安防、交通管理、区域监测等领域发挥了重要的作用。然后，部分相机由于安装于高处受风力影响，或者安装于地铁、桥梁等容易受振动影响的位置，其拍摄的画面往往存在抖动问题，在长焦模式下更为明显。这种抖动问题一方面影响视频观看，不利于观测监控场景，另一方面对于需要关注目标准确位置也会产生较大影响，例如轨迹跟踪、侵入识别等，相机抖动也会对后续应用造成巨大影响。
技术实现思路
[0003]本专利技术实施例提供了一种视频图像抖动检测及稳定方法、装置、计算机设备及存储介质，旨在提高图像抖动检测精度并进一步减少图像抖动。
[0004]第一方面，本专利技术实施例提供了一种视频图像抖动检测及稳定方法，包括：
[0005]获取待进行抖动检测的目标视频图像，并采用基于深度学习的图像语义分割...
【技术保护点】
【技术特征摘要】
1.一种视频图像抖动检测及稳定方法，其特征在于，包括：获取待进行抖动检测的目标视频图像，并采用基于深度学习的图像语义分割技术对所述目标视频图像进行语义分割，以获取所述目标视频图像的兴趣区域；利用角点检测算法提取所述兴趣区域中的关键点；通过光流法计算所述目标视频图像中任意连续两帧图像的光流图，并根据所述光流图获取所述关键点在连续两帧下的位移信息；根据所述位移信息计算图像平移矩阵和图像旋转矩阵，并得到当前帧图像相对于上一帧图像的抖动信息；将所述抖动信息与预设抖动阈值进行比较，并根据比较结果判断所述当前帧图像是否发生抖动；若所述当前帧图像发生抖动，则根据所述抖动信息对所述当前帧图像进行逆向平移和/或旋转，以抵消抖动。2.根据权利要求1所述的视频图像抖动检测及稳定方法，其特征在于，所述获取待进行抖动检测的目标视频图像，并采用基于深度学习的图像语义分割技术对所述目标视频图像进行语义分割，以获取所述目标视频图像的兴趣区域，包括：获取已标注的训练图像对所述基于深度学习的图像语义分割技术进行训练，以构建基于深度学习的语义分割模型；利用所述基于深度学习的语义分割模型对所述目标视频图像进行语义分割；按照预置特征区域对语义分割结果进行过滤筛选，并将筛选结果作为所述兴趣区域。3.根据权利要求1所述的视频图像抖动检测及稳定方法，其特征在于，所述利用角点检测算法提取所述兴趣区域中的关键点，包括：利用Harris角点检测算法在所述兴趣区域中设置滑动窗口；计算所述滑动窗口中各像素点在指定方向的强度变化平均值；将所述强度变化平均值与预定强度阈值进行比较，并当所述强度变化平均值大于所述预定强度阈值时，将所述强度变化平均值对应的像素点作为所述关键点。4.根据权利要求1所述的视频图像抖动检测及稳定方法，其特征在于，所述通过光流法计算所述目标视频图像中任意连续两帧图像的光流图，并根据所述光流图获取所述关键点在连续两帧下的位移信息，包括：采用稀疏光流法计算连续两帧图像中的关键点的光流图，以直接获取所述关键点的位移信息；或者采用稠密光流法计算连续两帧图像的光流图，并在连续两帧图像的光流中提取所述关键点的位移信息；其中，所述位移信息包括所述关键点的位移方向和像素距离值。5.根据权利要求1所述的视频图像抖动检测及稳定方法，其特征在于，所述根据所述位移信息计算图像平移矩阵和图像旋转矩阵，并得到当前帧图像相对于上一帧图像的抖动信息，包括：按照下式，采用平均法计算所述图像平移矩阵：
式中，Δ表示所述图像平移矩阵，表示第i个关键点在上一帧图像中横坐标，表示第i个关键点在上一帧图像中纵坐标，表示第i个关键点在当前帧图像中横坐标，表示第i个关键点在当前帧图像中横坐标，i表示第i个关键点，n表示关键点总数；以及按照下式，采用平均法计算所述图像旋转矩阵：式中，R(θ)表示所述图像旋转矩阵，...
【专利技术属性】
技术研发人员：杨元弢，杨成，林丕成，宋开银，
申请(专利权)人：深研人工智能技术深圳有限公司，
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。