基于多特征的红外可见光多源图像增强系统技术方案

本发明专利技术涉及图像处理技术领域，尤其为基于多特征的红外可见光多源图像增强系统，包括：图像采集模块：用于采集恶劣环境下的红外可见光图像数据；预处理模块：用于对采集的红外可见光图像进行预处理操作；特征提取模块：用于对预处理后的红外可见光图像进行特征提取操作；特征增强模块：基于深度卷积神经网络进行红外可见光图像特征点的特征增强

【技术实现步骤摘要】
基于多特征的红外可见光多源图像增强系统


[0001]本专利技术涉及图像处理
，尤其是基于多特征的红外可见光多源图像增强系统
。

技术介绍

[0002]基于可见光的视频被广泛应用于电力现场作业安全监控，但基于可见光的现场作业视频安全监控，往往易受环境光照
、
姿态
、
表情
、
饰物等影响，无法准确对特定目标的识别
、
跟踪
。
而红外可见光图像具有较强的穿透力，不受光照影响，针对低照度
、
低能见度
(
雾气
、
光照不足
)
可见光条件下，亟需一种对于红外可见光图像的增强技术，解决背景复杂和低光照问题，提供不受环境光影响的
、
高质量的图像，提高作业人员检测
、
识别及跟踪准确率
。

技术实现思路

[0003]本专利技术的目的是通过提出基于多特征的红外可见光多源图像增强系统，以解决上述
技术介绍
中提出的缺陷
。
[0004]本专利技术采用的技术方案如下：
[0005]提供基于多特征的红外可见光多源图像增强系统，包括：
[0006]图像采集模块：用于采集恶劣环境下的红外可见光图像数据；
[0007]预处理模块：用于对采集的红外可见光图像进行预处理操作；
[0008]特征提取模块：用于对预处理后的红外可见光图像进行特征提取操作；
[0009]特征增强模块：基于深度卷积神经网络进行红外可见光图像特征点的特征增强
。
[0010]作为本专利技术的一种优选技术方案：所述恶劣环境包括存在雾气的环境或是光照不足的环境
。
[0011]作为本专利技术的一种优选技术方案：所述预处理模块对采集的红外可见光图像进行分辨率统一处理，还进行红外可见光图像均值化处理
。
[0012]作为本专利技术的一种优选技术方案：所述红外可见光图像均值化处理具体如下：
[0013][0014]其中，为红外可见光图像数据均值，
z
a
为采集的第
a
个红外可见光图像数据，
n
为采集的红外可见光图像数据数量；
[0015][0016]其中，
x
为经过均值处理后的红外可见光图像数据
。
[0017]作为本专利技术的一种优选技术方案：所述特征提取模块基于特征提取函数提取红外可见光图像特征数据
。
[0018]作为本专利技术的一种优选技术方案：所述特征提取函数
y
具体如下：
[0019][0020]其中，
x
u
为红外可见光图像的第
u
个数据，
x
v
为红外可见光图像的第
v
个数据，
m
为红外可见光图像数据个数，
W
uv
为邻域亲和图矩阵；
[0021][0022]其中，
n
k
(x
u
)
为红外可见光图像数据
x
u
的
k
个最近邻红外可见光图像数据，
n
k
(x
v
)
为红外可见光图像数据
x
v
的
k
个最近邻红外可见光图像数据
。
[0023]作为本专利技术的一种优选技术方案：所述特征提取函数取最小的
d
个特征值对应的特征向量组成的矩阵作为提取的红外可见光图像特征数据
。
[0024]作为本专利技术的一种优选技术方案：所述深度卷积神经网络包括输入层
、
卷积层
、
池化层
、LRN
层
、
随机采样层
、
全连接层
、softmax
分类回归层和输出层
。
[0025]作为本专利技术的一种优选技术方案：所述池化层采用一般池化中的
max
‑
pooling
进行池化处理
。
[0026]作为本专利技术的一种优选技术方案：所述卷积神经网络的卷积层计算如下：
[0027][0028]其中，
M
j
为输入的特征图集合，为当前第
l
层的第
j
个输出，为卷积核，对输入特征图进行卷积，为偏置，
ReLU(
·
)
为激活函数；
[0029]卷积层的输出图片维数
N2为：
[0030][0031]其中，
N1为卷积层输入图片维数，
F1为卷积核大小，
S
为步长，
P
为拓展宽度；
[0032]池化层的输出维数为：
[0033][0034]其中，
N3为池化层输出图片维数，
F2为池化层的核大小
。
[0035]本专利技术提供的基于多特征的红外可见光多源图像增强系统，与现有技术相比，其有益效果有：
[0036]本专利技术基于深度卷积神经网络对红外可见光多源特征点进行提取处理，并经过卷积反复进行特征增强，使需要的目标差异特征最大化，提升识别准确度，为红外可见光图像识别提供不受环境光影响的
、
高质量的红外可见光图像，提高作业人员检测
、
识别及跟踪准确率，为远方监控人员提供更好的监控视频效果
。
附图说明
[0037]图1为本专利技术优选实施例的系统框图；
[0038]图2为本专利技术优选实施例中深度卷积神经网络结构图
。
[0039]图中各个标记的意义为：
100、
图像采集模块；
200、
预处理模块；
300、
特征提取模块；
400、
特征增强模块
。
具体实施方式
[0040]需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0041]参照图1，本专利技术优选实施例提供了基于多特征的红外可见光多源图像增强系统，包括：
[0042]图像采集模块
100
：用于采集恶劣环境下的红外可见光图像数据；
[0043]预处理模块
200
：用于对采集的红外可见光图像进行预处理操作；
[0044]特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于多特征的红外可见光多源图像增强系统，其特征在于：包括：图像采集模块
(100)
：用于采集恶劣环境下的红外可见光图像数据；预处理模块
(200)
：用于对采集的红外可见光图像进行预处理操作；特征提取模块
(300)
：用于对预处理后的红外可见光图像进行特征提取操作；特征增强模块
(400)
：基于深度卷积神经网络进行红外可见光图像特征点的特征增强
。2.
根据权利要求1所述的基于多特征的红外可见光多源图像增强系统，其特征在于：所述恶劣环境包括存在雾气的环境或是光照不足的环境
。3.
根据权利要求1所述的基于多特征的红外可见光多源图像增强系统，其特征在于：所述预处理模块
(200)
对采集的红外可见光图像进行分辨率统一处理，还进行红外可见光图像均值化处理
。4.
根据权利要求1所述的基于多特征的红外可见光多源图像增强系统，其特征在于：所述红外可见光图像均值化处理具体如下：其中，为红外可见光图像数据均值，
z
a
为采集的第
a
个红外可见光图像数据，
n
为采集的红外可见光图像数据数量；其中，
x
为经过均值处理后的红外可见光图像数据
。5.
根据权利要求1所述的基于多特征的红外可见光多源图像增强系统，其特征在于：所述特征提取模块
(300)
基于特征提取函数提取红外可见光图像特征数据
。6.
根据权利要求1所述的基于多特征的红外可见光多源图像增强系统，其特征在于：所述特征提取函数
y
具体如下：其中，
x
u
为红外可见光图像的第
u
个数据，
x
v
为红外可见光图像的第
v
个数据，
m
为红外可见光图像数据个数，
W
uv
为邻域亲和图矩阵；其中，
n
...

【专利技术属性】
技术研发人员：常荣，张丙珍，于虹，毛正雄，杨扬，
申请(专利权)人：云南电网有限责任公司玉溪供电局，
类型：发明
国别省市：