大型活动的运动方阵的队形检测方法和装置

计算;推算;计数设备的制造及其应用技术1.本发明涉及图像处理技术领域，尤其涉及一种大型活动的运动方阵的队形检测方法和装置。背景技术：2.大型活动中基于视频图像的运动方阵实时检测，主要为在室外场地中，通过架设在较高位置的全景相机捕捉视频图像，对面积较大的运动方阵队形进行实时检测。然而，相关技术中，由于拍摄设备(尤其是室外)容易受到强风或支撑架晃动等外界因素影响而产生抖动，从而造成视频画面的抖动和重影等问题，使画面中物体产生位置偏移和画面畸变，影响图像的清晰度，从而对检测结果造成影响。技术实现要素：3.本发明提供一种大型活动的运动方阵的队形检测方法和装置，用以解决现有技术中运动方阵的检测效果不佳的缺陷，提高检测效果。4.本发明提供一种大型活动的运动方阵的队形检测方法，包括：5.获取目标环境下的目标运动方阵的目标视频；6.基于所述目标视频中的目标视频帧与对角灰度投影标准数组，生成所述目标视频帧对应的抖动因子；7.在所述抖动因子低于目标抖动阈值的情况下，基于所述目标视频帧，生成所述目标运动方阵的目标图像。8.根据本发明提供的一种大型活动的运动方阵的队形检测方法，所述基于所述目标视频中的目标视频帧与对角灰度投影标准数组，生成所述目标视频帧对应的抖动因子，包括：9.基于所述目标视频帧的目标区域，生成所述目标区域的第一对角灰度投影数组，所述目标区域不包括所述运动方阵的特征；10.基于所述第一对角灰度投影数组和所述对角灰度投影标准数组，生成所述抖动因子。11.根据本发明提供的一种大型活动的运动方阵的队形检测方法，所述基于所述第一对角灰度投影数组和所述对角灰度投影标准数组，生成所述抖动因子，包括：12.应用公式：[0013][0014]生成所述抖动因子，其中，θ为所述抖动因子，所述gr_bi(m)为所述对角灰度投影标准数组中第m个位置的对角灰度投影标准值，所述gr_ci(m)为所述第一对角灰度投影数组中第m个位置的第一对角灰度投影值，d为所述目标区域的边长。[0015]根据本发明提供的一种大型活动的运动方阵的队形检测方法，所述基于所述目标视频帧，生成所述目标运动方阵的目标图像，包括：[0016]将所述目标视频帧与所述目标背景模型进行帧差运算，生成第一图像；[0017]对所述第一图像进行二值化处理和降噪处理，生成第三图像；[0018]基于所述第三图像提取所述目标视频帧中的前景图像，并基于所述前景图像生成所述目标运动方阵的目标图像。[0019]根据本发明提供的一种大型活动的运动方阵的队形检测方法，所述基于所述前景图像生成所述目标运动方阵的目标图像，包括：[0020]将所述前景图像转换为目标格式，生成第四图像；[0021]对所述第四图像进行基于目标阴影阈值的阴影区域分割处理和腐蚀膨胀处理，生成所述目标运动方阵的目标图像。[0022]根据本发明提供的一种大型活动的运动方阵的队形检测方法，在所述获取目标环境下的目标运动方阵的目标视频之前，所述方法还包括：[0023]获取所述目标环境下，第一目标时间段内的多帧环境背景图像；[0024]基于所述多帧环境背景图像，生成目标背景模型；[0025]基于所述目标背景模型，生成所述目标背景模型对应的对角灰度投影标准数组。[0026]本发明还提供一种大型活动的运动方阵的队形检测装置，包括：[0027]第一获取模块，用于获取目标环境下的目标运动方阵的目标视频；[0028]第一生成模块，用于基于所述目标视频中的目标视频帧与对角灰度投影标准数组，生成所述目标视频帧对应的抖动因子；[0029]第二生成模块，用于在所述抖动因子低于目标抖动阈值的情况下，基于所述目标视频帧，生成所述目标运动方阵的目标图像。[0030]本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述大型活动的运动方阵的队形检测方法的步骤。[0031]本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述大型活动的运动方阵的队形检测方法。[0032]本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述大型活动的运动方阵的队形检测方法。[0033]本发明提供的大型活动的运动方阵的队形检测方法和装置，基于目标视频中的目标视频帧与对角灰度投影标准数组，生成抖动因子，并基于抖动因子对目标视频帧进行筛选，以保留抖动幅度较低的目标视频帧，并对抖动幅度较低的目标视频帧进行处理，生成目标运动方阵的目标图像，克服了其他灰度投影法易受局部运动影响的缺陷，实现了对运动状态下的目标视频帧的有效抖动检测，显著提高了视频帧抖动检测的快速性和实时性，提高了目标图像的成像效果，从而有助于提高检测结果的准确性和精确性。附图说明[0034]为了更清楚地说明本发明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。[0035]图1是本发明提供的大型活动的运动方阵的队形检测方法的流程示意图之一；[0036]图2是本发明提供的大型活动的运动方阵的队形检测方法的流程示意图之二；[0037]图3是本发明提供的大型活动的运动方阵的队形检测方法的原理示意图之一；[0038]图4是本发明提供的大型活动的运动方阵的队形检测方法的原理示意图之二；[0039]图5是本发明提供的大型活动的运动方阵的队形检测方法的原理示意图之三；[0040]图6是本发明提供的大型活动的运动方阵的队形检测方法的原理示意图之四；[0041]图7是本发明提供的大型活动的运动方阵的队形检测方法的原理示意图之五；[0042]图8是本发明提供的大型活动的运动方阵的队形检测方法的原理示意图之六；[0043]图9是本发明提供的大型活动的运动方阵的队形检测装置的结构示意图；[0044]图10是本发明提供的电子设备的结构示意图。具体实施方式[0045]为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0046]下面结合图1至图6描述本发明的大型活动的运动方阵的队形检测方法。[0047]该大型活动的运动方阵的队形检测方法的执行主体可以为服务器，或者为用户的终端，如手机或电脑等。[0048]如图1所示，该大型活动的运动方阵的队形检测方法包括：步骤110、步骤120和步骤130。[0049]步骤110、获取目标环境下的目标运动方阵的目标视频；[0050]在该步骤中，目标环境为目标运动方阵所在的场景。[0051]目标运动方阵为多个运动方阵中需进行检测的方阵。[0052]目标视频为包括目标运动方阵的实时视频流，目标视频中可以包括多帧图像，该图像中包括目标运动方阵。[0053]例如，在运动会中，目标环境即为运动场的环境，运动方阵即为运动员所组成的运动方阵。[0054]可以理解的是，运动方阵可以处于运动状态。[0055]目标视频可以通过图像传感器进行采集，其中，图像传感器可以为全景相机或其他图像传感器，本技术不做限定。[0056]在实际执行过程中，需要将图像传感器架设于较高的位置，以保证能采集整个目标运动方阵的图像。[0057]在一些实施例中，在步骤110之后，该方法还可以包括：对目标视频的每一帧视频帧进行畸变矫正。[0058]在该实施例中，畸变矫正包括径向畸变和切向畸变。[0059]可以通过公式：[0060]其中(x2+y2＝r2)；[0061]进行径向畸变矫正，[0062]其中，(x′、y′)表示目标视频中每一帧视频帧的畸变后的像素点坐标，(x,y)表示矫正畸变后的像素点坐标，k1、k2和k3是由图像传感器标定得到的畸变参数。[0063]可以通过公式：[0064]其中(x2+y2＝r2)；[0065]进行切向畸变矫正，[0066]其中，(x′、y′)表示目标视频中每一帧视频帧的畸变后的像素点坐标，(x,y)表示矫正畸变后的像素点坐标，p1和p3是由图像传感器标定得到的畸变参数。[0067]需要说明的是，畸变参数可由通过对图像传感器进行标定所得到。[0068]在实际执行过程中，可在步骤110之前，优先对图像传感器进行标定，以获取图像传感器的畸变参数和内参矩阵。[0069]在该实施例中，通过对目标视频进行畸变矫正，可以避免在使用全景相机进行图像采集过程中，所造成的画面畸变，有助于提高成像的效果和成像的真实性。[0070]在获取目标视频后，可将目标视频存储于本地服务器或云端服务器中，在需要是进行调取即可。[0071]步骤120、基于目标视频中的目标视频帧与对角灰度投影标准数组，生成目标视频帧对应的抖动因子；[0072]在该步骤中，目标视频帧为需要进行检测的视频帧。[0073]目标视频帧可以为目标视频中的任意一张图像帧。[0074]对角灰度投影标准数组为图像在未发生抖动的情况下的对角灰度投影数值，也即对角灰度投影值的初始值。[0075]对角灰度投影标准数组为在进行检测之前，提前确定的数值，本发明将在后续实施例中，对角灰度投影标准数组的确定步骤进行详细说明，在此先不做赘述。[0076]抖动因子用于表征目标视频的抖动程度。[0077]可以理解的是，受外界环境因素的影响，同一目标视频中的不同视频帧，可能具有不同的抖动程度。[0078]在该实施例中，基于目标视频中的目标视频帧以及对角灰度投影标准数组，可以确定目标视频帧对应的抖动因子。[0079]下面对该步骤的具体实现方式进行说明。[0080]在一些实施例中，步骤120可以包括：[0081]基于目标视频帧的目标区域，生成目标区域的第一对角灰度投影数组，目标区域不包括运动方阵的特征；[0082]基于第一对角灰度投影数组和对角灰度投影标准数组，生成抖动因子。[0083]在该实施例中，目标区域为目标视频帧中的除运动方阵区域外的任意区域，目标区域的数量可以为一个或者多个。[0084]目标区域可以基于用户自定义。[0085]例如，可以将目标区域设置为目标视频帧四个角上的正方形区域，各正方形区域的边长为d；或者将目标区域设置为目标视频帧上任意两个角上的正方形区域；或者将目标区域设置为目标视频帧上任意一个角上的正方形区域。[0086]通过选择目标视频帧四个角上的正方形区域，可以避免因视频帧中部位置的体积较大的运动方阵的运动而给抖动检测带来影响。[0087]第一对角灰度投影数组为目标视频中的目标视频帧所对应的实际对角灰度投影值。[0088]第一对角灰度投影数组可以用gr表示，其中，第一对角灰度投影数组的数量与目标区域的数量一致。[0089]例如，在将目标视频帧四个角上的正方形区域确定为目标区域的情况下，计算出目标视频帧的四个目标区域的第一对角灰度投影数组，分别用gr_c1、gr_c2、gr_c3和gr_c4表示。其中，gr_c1用于表征目标视频左上角区域对角灰度投影数组，gr_c2用于表征目标视频右上角区域对角灰度投影数组，gr_c3用于表征目标视频右下角区域对角灰度投影数组，gr_c4用于表征目标视频左下角区域对角灰度投影数组。[0090]然后分别计算当前目标视频帧的四个目标区域的第一对角灰度投影数组与对角灰度投影标准数组之间的加权差方因子。[0091]在一些实施例中，可选择四个目标区域的加权差方因子中的最大值作为抖动因子θ，以反应最真实的晃动情况。[0092]也即，[0093]θmax＝max(θ1,θ2,θ3,θ4)；[0094]其中，θmax为抖动因子，θ1,θ2,θ3,θ4分别四个目标区域所对应的加权差方因子。[0095]可以理解的是，在对角灰度投影标准数组为多组的情况下，分别将第一对角灰度投影数组与各对角灰度投影标准数组进行计算，并将得到的多个抖动因子中的最大值作为最终的抖动因子。[0096]例如，在对角灰度投影标准数组为1000组的情况下，则分别将第一对角灰度投影数组与1000组对角灰度投影标准数组进行计算，并选择最大值作为抖动因子。[0097]在一些实施例中，基于第一对角灰度投影数组和对角灰度投影标准数组，生成抖动因子，包括：[0098]应用公式：[0099][0100]生成抖动因子，其中，θ为抖动因子，gr_bi(m)为目标区域i所对应的对角灰度投影标准数组中第m个位置的对角灰度投影标准值，gr_ci(m)为目标区域i所对应的第一对角灰度投影数组中第m个位置的第一对角灰度投影值，d为目标区域的边长，“？m≤d-1:2d-m-1”用于确定公式中分母位置处的m的取值，具体为：在m≤d-1时，分母“m+1”中的m＝d-1；否则，分母“m+1”中的m＝2d-m-1。[0101]在得到抖动因子后，即可执行步骤130。[0102]发明人在研发过程中发现，相关技术中，存在基于特征点匹配的方法以及基于光流的方法检测抖动，但均依赖于检测出的特征点，通常会涉及非常大的计算量，且特征点检测的好坏也会影响光流算法的准确性，并且画面中物体的移动也会使得光流算法产生错误的估计，从而造成最终显示的图像效果不佳。[0103]而在本技术中，通过提取目标视频帧的目标区域(如目标视频帧的四个角)进行抖动检测，可以有效避免受局部运动的影响(如受目标视频帧中央运动方阵的影响)，适用于动态拍摄环境。[0104]除此之外，选取抖动程度最大的值作为整个目标视频帧的抖动程度，可以有效避免目标视频帧中的运动目标对抖动检测的干扰。[0105]步骤130、在抖动因子低于目标抖动阈值的情况下，基于目标视频帧，生成目标运动方阵的目标图像。[0106]在该步骤中，目标抖动阈值为图像在近似认为于静止状态下的最大抖动值。[0107]在抖动因子低于目标抖动阈值的情况下，则该抖动因子对应的目标视频帧可近似认为是静止的。[0108]目标图像为对原始图像进行处理后的，包括目标运动方阵中的运动行人以及行人的阴影的图像。[0109]目标图像用于表征目标运动方阵的实时状态。[0110]在该实施例中，在目标视频帧的抖动因子低于目标抖动阈值的情况下，则近似认为该目标视频帧为非抖动的，则对该目标视频帧进行下一步的处理。[0111]在另一些实施例中，在目标视频帧的抖动因子不低于目标抖动阈值的情况下，则认为该目标视频帧的抖动程度较大，则跳过该抖动因子对应的目标视频帧，检测下一帧视频帧。[0112]下面，对本步骤中目标图像的生成方式进行具体说明。[0113]在一些实施例中，步骤130还可以包括：[0114]将目标视频帧与目标背景模型进行帧差运算，生成第一图像；[0115]对第一图像进行二值化处理和降噪处理，生成第三图像；[0116]基于第三图像提取目标视频帧中的前景图像，并基于前景图像生成目标运动方阵的目标图像。[0117]在该实施例中，前景图像包括目标运动方阵中的运动行人以及目标运动方阵中的运动行人在地面上的投影。[0118]在实际执行过程中，对于未发生抖动的目标视频帧，可先进行前景区域粗粒度检测。[0119]例如，如图4所示，将目标视频帧与目标背景模型进行帧差运算，以生成第一图像。[0120]其中，目标背景模型为提前建立的模型，将在后续实施例中对目标背景模型的建立步骤进行说明，在此先不做赘述。[0121]接着对帧差后的结果首先进行二值化处理，再进行降噪处理，消除第一图像的噪声和较小运动物体入侵干扰的影响，以生成第三图像，如图5所示，该第三图像用于表征目标视频帧中的运动方阵的轮廓特征；[0122]其中，降噪处理可以包括腐蚀与膨胀的基本形态学操作。[0123]然后，基于第三图像提取目标视频帧中处于第三图像对应的轮廓内的前景图像，基于前景区域生成目标图像，如图8所示。[0124]此时的前景区域将会包含方阵中的行人以及行人的阴影，如图6所示。[0125]根据本发明实施例提供的大型活动的运动方阵的队形检测方法，通过结合背景建模法与帧差法进行运动目标检测，从而实现了细节上的改进。[0126]在一些实施例中，基于前景图像生成目标运动方阵的目标图像，还可以包括：[0127]将前景图像转换为目标格式，生成第四图像；[0128]对第四图像进行基于目标阴影阈值的阴影区域分割处理和腐蚀膨胀处理，生成目标运动方阵的目标图像。[0129]在该实施例中，还可以对通过前景区域粗粒度检测后的前景图像进行色彩空间转换和方阵区域精细检测，以消除前景区域的阴影，使前景的提取更加精确。[0130]其中，目标阴影阈值可以基于用户自定义。[0131]例如，对第三图像进行rgb色彩空间到hsv色彩空间的转换，生成第四图像。其中，hsv色彩空间包括色彩(h)，饱和度(s)和亮度(v)。[0132]通过转换为hsv色彩空间，可以基于亮度值有效区分第三图像中前景区域中的方阵区域与阴影区域。如图7所示，二者在亮度值(v空间)的区别较明显。[0133]利用第三图像在hsv色彩空间的分布特性，在对第三图像做rbg颜色空间到hsv颜色空间的转换生成第四图像后，对第四图像中的前景区域内图像在亮度v空间设定阈值进行阴影区域的分割，分割后再进行腐蚀膨胀操作，从而得到消除阴影干扰后的目标图像，如图8所示。[0134]在该实施例中，结合畸变矫正和腐蚀膨胀等方法，克服了室外自然条件下抖动、光照、阴影等干扰的影响，最终实现基于视频帧的运动方阵队形实时检测。[0135]在一些实施例中，该方法还可以包括：每隔第三目标时间段更新目标阴影阈值。[0136]例如，还可以利用前景区域(方阵和阴影区域)在亮度空间v上的数值分布，由先验知识确定阴影区域的像素点数值在v空间的值域在50-100之间，则取v空间数值分布的10-200的区间，利用最小二乘法拟合曲线，取波谷的最小值作为分割阴影区域的目标阴影阈值ψ，同时也每隔第三目标时间段更新目标阴影阈值ψ。[0137]将亮度空间v对应的图像像素点值低于目标阴影阈值ψ的值全部置为0，再依次进行腐蚀与膨胀的基本形态学操作，消除图像噪声的影响，然后提取出更为精细的前景区域，以及目标图像。[0138]根据本发明实施例提供的大型活动的运动方阵的队形检测方法，通过“自适应“的目标阴影阈值更新方式，实时更新目标阴影阈值，可以基于不同时间下的光照强度，及时将目标阴影阈值调整为最佳阈值，从而避免了固定阈值带来的无法在自然光照强度发生变化时仍然保持最好效果的情况，也消除了室外自然环境中图像阴影易受光照强度变化的影响的问题，使得可以适应长时间室外自然条件下的运动方阵队形检测，有助于提高阴影区域的分割效果，从而提高目标图像的成像效果，进而提升检测效果。[0139]在本步骤中，通过对目标视频帧进行多次处理，可以有效对其进行降噪，并消除阴影干扰，从而得到清晰的目标图像，有助于提高检测结果的准确性。[0140]如图2所示，在一些实施例中，在步骤130中，在确定抖动因子低于目标抖动阈值之后，该方法还可以包括：[0141]获取目标视频帧对应的清晰度；[0142]在清晰度不低于清晰度阈值的情况下，基于目标视频帧，生成目标运动方阵的目标图像。[0143]在清晰度低于清晰度阈值的情况下，则检测下一帧目标视频帧的抖动因子。[0144]在该实施例中，清晰度阈值为图像在近似认为清晰的状态下的清晰度的最小值。[0145]清晰度阈值可以基于用户自定义。[0146]在实际执行过程中，可采用laplacian梯度函数对目标视频帧的清晰度进行评价。[0147]具体可通过公式：[0148][0149]确定，其中，m、n分别代表目标视频帧的宽和高，t是给定的边缘检测阈值，z(x,y)是像素点(x,y)处laplacian算子的卷积。[0150]laplacian算子矩阵定义如以下公式：[0151][0152]可以理解的是，对于已经转为灰度图的目标视频帧，输入该卷积的目标视频帧的图像越清晰，laplacian梯度函数值越大。[0153]在得到目标视频帧对应的清晰度ωt后，将该清晰度与清晰度阈值ω进行比较，在ωt≥ω的情况下，则确定该目标视频帧是清晰的，则基于该目标视频帧，生成所述目标运动方阵的目标图像。[0154]在另一些实施例中，在ωt＜ω的情况下，则确定该目标视频帧是不清晰的，则跳过该目标视频帧，检测下一帧视频帧的抖动因子。[0155]在该实施例中，通过检测目标视频帧的清晰度，在满足抖动因子低于目标抖动阈值的基础上，对不满足清晰度要求的目标视频帧进行跳过，可以避免因相机抖动、过曝等情况对方阵检测造成影响，从而提高成像的清晰度，以提高检测结果的准确性。[0156]根据本发明实施例提供的大型活动的运动方阵的队形检测方法，基于目标视频中的目标视频帧与对角灰度投影标准数组，生成抖动因子，并基于抖动因子对目标视频帧进行筛选，以保留抖动幅度较低的目标视频帧，并对抖动幅度较低的目标视频帧进行处理，生成目标运动方阵的目标图像，克服了其他灰度投影法易受局部运动影响的缺陷，实现了对运动状态下的目标视频帧的有效抖动检测，显著提高了视频帧抖动检测的快速性和实时性，提高了目标图像的成像效果，从而有助于提高检测结果的准确性和精确性。[0157]下面通过具体实施例，对目标背景模型的生成步骤进行说明。[0158]在一些实施例中，在步骤110之前，该方法还包括：[0159]获取目标环境下，第一目标时间段内的多帧环境背景图像；[0160]基于多帧环境背景图像，生成目标背景模型；[0161]基于目标背景模型，生成目标背景模型对应的对角灰度投影标准数组。[0162]在该实施例中，第一目标时间段可以基于用户自定义。[0163]环境背景图像为与目标视频相同的背景图像。[0164]环境背景图像可以由图像传感器采集，如通过全景相机进行采集。[0165]环境背景图像的数量可以基于用户自定义，如设置为1000帧。[0166]在采集到环境背景图像后，可优先对环境背景图像进行畸变矫正，具体实现方式与上述实施例相同，在此不做赘述。[0167]例如，在实际执行过程中，可首先使用高斯背景模型对连续的前1000帧环境背景图像进行建模，以生成目标背景模型。[0168]在生成目标背景模型后，可将目标背景模型保存于本地服务器或云端服务器中，在需要是进行调用即可。[0169]下面对基于目标背景模型，生成目标背景模型对应的对角灰度投影标准数组的具体执行方式进行说明。[0170]首先将每一帧环境背景图像转为灰度图，取背景模型图像的左上、左下、右上和右下四个角分别取四块相同大小的边长为d的正方形区域作为目标区域，以避免未来画面中部位置的体积较大的运动目标给抖动检测带来影响。[0171]需要说明的是，本实施例中的目标区域需与上述实施例中所提取的目标视频帧中的目标区域的位置和数量保持一致。[0172]分别对四个目标区域进行直方图均衡化处理。[0173]具体可通过公式：[0174][0175]进行直方图均衡化处理，其中，f是单调非线性映射，gi代表环境背景图像i中像素点的灰度值，l表示灰度级数，in是环境背景图像中像素点的个数，hi表示环境背景图像i的灰度直方图分布，u表示灰度值。[0176]l通常取256。[0177]在进行直方图均衡化处理后，接着对经过直方图均衡化后的四个区域进行灰度投影，以生成灰度投影数组标准值。[0178]如图3所示，其中，灰度投影数组标准值用于表征当前环境背景图像四角区域在横纵方向上的综合灰度信息。[0179]在一些实施例中，可以通过公式：[0180][0181]计算出环境背景图像的灰度均值，其中，i_mean表示环境背景图像中像素点的灰度值，表示环境背景图像中像素点(x,y)的灰度值，d表示每一个目标区域的边长，in是环境背景图像中像素点的个数。[0182]在得到环境背景图像的灰度均值后，基于灰度均值，通过公式：[0183][0184]即可计算得到各目标区域对应的对角灰度投影数组标准值；[0185]其中，gr_b1代表环境背景图像左上角区域的对角灰度投影数组第k个位置的标准值，d表示目标区域的边长，表示环境背景图像中像素点(i,j)的灰度值。[0186]可以理解的是，gr_b2代表环境背景图像右上角区域的对角灰度投影数组第k个位置的标准值，gr_b3代表环境背景图像右下角区域的对角灰度投影数组第k个位置的标准值，gr_b4代表环境背景图像左下角区域的对角灰度投影数组第k个位置的标准值。[0187]在得到对角灰度投影标准数组后，可将对角灰度投影标准数组进行保存，以用于后续实际检测过程中的计算。[0188]在一些实施例中，可每隔第二目标时间段t1，更新目标背景模型，以避免室外环境易受太阳光照的影响，而造成的背景亮度等信息的变化。[0189]在该实施例中，通过结合畸变矫正和直方图均衡化等方法，有利于克服室外自然条件下抖动、光照以及阴影等干扰的影响。[0190]根据本发明实施例提供的运动方针的对象检测方法，基于第一目标时间段内的多帧环境背景图像生成对角灰度投影标准数组，用于后续目标视频帧的抖动检测，灵活性高且检测准确度高。[0191]下面对本发明提供的大型活动的运动方阵的队形检测装置进行描述，下文描述的大型活动的运动方阵的队形检测装置与上文描述的大型活动的运动方阵的队形检测方法可相互对应参照。[0192]如图9所示，该大型活动的运动方阵的队形检测装置，包括：第一获取模块910、第一生成模块920和第二生成模块930。[0193]第一获取模块910，用于获取目标环境下的目标运动方阵的目标视频；[0194]第一生成模块920，用于基于目标视频中的目标视频帧与对角灰度投影标准数组，生成目标视频帧对应的抖动因子；[0195]第二生成模块930，用于在抖动因子低于目标抖动阈值的情况下，基于目标视频帧，生成目标运动方阵的目标图像。[0196]根据本发明实施例提供的运动方针的对象检测装置，基于目标视频中的目标视频帧与对角灰度投影标准数组，生成抖动因子，并基于抖动因子对目标视频帧进行筛选，以保留抖动幅度较低的目标视频帧，并对抖动幅度较低的目标视频帧进行处理，生成目标运动方阵的目标图像，有效提高了成像的清晰度，有助于提高检测结果。[0197]在一些实施例中，第一生成模块920，用于：[0198]基于目标视频帧的目标区域，生成目标区域的第一对角灰度投影数组；[0199]基于第一对角灰度投影数组和对角灰度投影标准数组，生成抖动因子。[0200]在一些实施例中，第一生成模块920，用于：应用公式：[0201][0202]生成抖动因子，其中，θ为抖动因子，gr_bi(m)为对角灰度投影标准数组中第m个位置的对角灰度投影标准值，gr_ci(m)为第一对角灰度投影数组中第m个位置的第一对角灰度投影值，d为目标区域的边长。[0203]在一些实施例中，第二生成模块930，用于：[0204]将目标视频帧与目标背景模型进行帧差运算，生成第一图像；[0205]对第一图像进行二值化处理和降噪处理，生成第三图像；[0206]基于第三图像提取目标视频帧中的前景图像，并基于前景图像生成目标运动方阵的目标图像。[0207]在一些实施例中，第二生成模块930，用于：[0208]将前景图像转换为目标格式，生成第四图像；[0209]对第四图像进行基于目标阴影阈值的阴影区域分割处理和腐蚀膨胀处理，生成目标运动方阵的目标图像。[0210]在一些实施例中，该装置还包括：[0211]第二获取模块，用于在获取目标环境下的目标运动方阵的目标视频之前，获取目标环境下，第一目标时间段内的多帧环境背景图像；[0212]第三生成模块，用于基于多帧环境背景图像，生成目标背景模型；[0213]第四生成模块，用于基于目标背景模型，生成目标背景模型对应的对角灰度投影标准数组。[0214]图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1010、通信接口(communications interface)1020、存储器(memory)1030和通信总线1040，其中，处理器1010，通信接口1020，存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令，以执行大型活动的运动方阵的队形检测方法，该方法包括：获取目标环境下的目标运动方阵的目标视频；基于所述目标视频中的目标视频帧与对角灰度投影标准数组，生成所述目标视频帧对应的抖动因子；在所述抖动因子低于目标抖动阈值的情况下，基于所述目标视频帧，生成所述目标运动方阵的目标图像。[0215]此外，上述的存储器1030中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。[0216]另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的大型活动的运动方阵的队形检测方法，该方法包括：获取目标环境下的目标运动方阵的目标视频；基于所述目标视频中的目标视频帧与对角灰度投影标准数组，生成所述目标视频帧对应的抖动因子；在所述抖动因子低于目标抖动阈值的情况下，基于所述目标视频帧，生成所述目标运动方阵的目标图像。[0217]又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的大型活动的运动方阵的队形检测方法，该方法包括：获取目标环境下的目标运动方阵的目标视频；基于所述目标视频中的目标视频帧与对角灰度投影标准数组，生成所述目标视频帧对应的抖动因子；在所述抖动因子低于目标抖动阈值的情况下，基于所述目标视频帧，生成所述目标运动方阵的目标图像。[0218]以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。[0219]通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。[0220]最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!