图像中油污模糊的识别方法、系统、电子设备和存储介质

技术领域

本发明涉及烟灶场景技术领域，特别涉及一种图像中油污模糊的识别方法、系统、电子设备和存储介质。

背景技术

随着智能化进程的推进，在烟灶环境下，利用摄像头实现烟机自动化控制成为一个趋势，如自动识别油烟浓度进而控制烟机切换挡位；再如通过识别灶具处于开火烹饪时是否长时间无人，处于干烧情形等。即在该应用场景中，摄像头作为关键性的感知信号输入源，其成像质量对烟机的实时决策、判断会产生较大影响。而在烟灶过程中会产生大量的油烟颗粒，当油烟颗粒附着在镜头上后，则会造成整体图像的模糊化，弱化图像中的边缘、颜色等图像信息，从而对烟机后续的性能表现产生负面影响。

目前，主要通过下述的图像模糊判别方法进行油污模糊：(1)基于频谱信息的判别方法，该方法将图像进行灰度化和二维离散傅里叶变换，对特定区域的频谱进行统计分析，最终实现清晰图像与模糊图像的判别；但是，由于烟灶环境下升腾的油烟会产生局部的图像模糊，属于不稳定状态，因此会降低频谱分析的准确性；(2)结合图像显著性区域分割的判方法，该方法利用分割算法提取感兴趣局部区域，然后计算全局图像和感兴趣区域的特征值以进行分类判定；但是，在实际烟灶场景下产生的有烟会造成图像模糊，该方法不能区分油烟升腾模糊和镜头附油模糊。

发明内容

本发明要解决的技术问题是为了克服现有技术中对图像中油污模糊的识别准确度较低的缺陷，提供一种图像中油污模糊的识别方法、系统、电子设备和存储介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供一种图像中油污模糊的识别方法，所述识别方法包括：

获取若干帧样本图像以及对应的类别标注信息；其中，所述类别标注信息用于表征图像中存在油污模糊或不存在油污模糊；

对每帧所述样本图像进行处理以获取对应的边缘信息图像；

根据所述边缘信息图像计算得到每帧所述样本图像对应的油污模糊度信息；

将每帧所述样本图像对应的所述油污模糊度信息作为输入，将对应的所述类别标注信息作为输出，训练得到用于输出图像中是否存在油污模糊的目标分类器；

获取目标帧图像并输入所述目标分类器以获取分类结果。

较佳地，所述对每帧所述样本图像进行处理以获取对应的边缘信息图像的步骤包括：

对每帧所述样本图像进行灰度处理以得到对应的灰度图像；

计算所述灰度图像中的不同像素点的二阶导数以得到每个像素点对应的中间结果；

将每个所述中间结果相加以得到所述样本图像对应的所述边缘信息图像。

较佳地，所述根据所述边缘信息图像计算得到每帧所述样本图像对应的油污模糊度信息的步骤包括：

对于每帧所述样本图像，基于所述灰度图像中每个像素点对应的所述中间结果计算得到所述边缘信息图像的第一方差值，并将所述第一方差值作为当前帧的整体模糊度信息。

较佳地，所述识别方法还包括：

预先确定不同的油烟生成区域；

所述根据所述边缘信息图像计算得到每帧所述样本图像对应的油污模糊度信息的步骤还包括：

根据不同的所述油烟生成区域对所述边缘信息图像进行分块处理以获取不同的图像块；

对于每帧所述样本图像，基于所述图像块中每个像素点对应的所述中间结果计算得到每个所述图像块的第二方差值，并将所述第二方差值作为当前帧的局部模糊度信息；

其中，每帧所述样本图像的所述油污模糊度信息包括所述整体模糊度信息和局部模糊度信息。

较佳地，所述根据所述边缘信息图像计算得到每帧所述样本图像对应的油污模糊度信息的步骤还包括：

计算相隔设定帧数的两帧所述样本图像的所述油污模糊度信息的模糊度差值；

将所述模糊度差值与当前帧的所述整体模糊度信息和所述局部模糊度信息进行叠加处理以获取当前帧的所述油污模糊度信息。

较佳地，所述将每帧所述样本图像对应的所述油污模糊度信息作为输入，将对应的所述类别标注信息作为输出，训练得到用于图像中是否存在油污模糊的目标分类器的步骤包括：

将每帧所述样本图像对应的所述油污模糊度信息作为输入，将对应的所述类别标注信息作为输出，采用支持向量机SVM或神经网络算法训练得到用于输出图像中是否存在油污模糊的目标分类器。

较佳地，在训练所述目标分类器之前，所述识别方法还包括：

对所述油污模糊度信息进行归一化处理；和/或，

所述获取目标帧图像并输入所述目标分类器以获取分类结果的步骤之后还包括：

计算得到所述分类结果对应的置信度；

判断所述置信度是否大于置信度阈值，若是，则确定所述分类结果有效；若否，则确定所述分类结果无效。

较佳地，在确定所述分类结果有效的步骤之后还包括：

当所述分类结果表征图像中存在油污模糊时，则生成表征镜头上存在油污的提示信息；和/或，生成控制指令以执行镜头清洁操作。

本发明还提供一种图像中油污模糊的识别系统，所述识别系统包括：

样本信息获取模块，用于获取若干帧样本图像以及对应的类别标注信息；其中，所述类别标注信息用于表征图像中存在油污模糊或不存在油污模糊；

边缘信息图像获取模块，用于对每帧所述样本图像进行处理以获取对应的边缘信息图像；

模糊度信息计算模块，用于根据所述边缘信息图像计算得到每帧所述样本图像对应的油污模糊度信息；

分类器训练模块，用于将每帧所述样本图像对应的所述油污模糊度信息作为输入，将对应的所述类别标注信息作为输出，训练得到用于输出图像中是否存在油污模糊的目标分类器；

图像分类模块，用于获取目标帧图像并输入所述目标分类器以获取分类结果。

较佳地，所述边缘信息图像获取模块包括：

灰度处理单元，用于对每帧所述样本图像进行灰度处理以得到对应的灰度图像；

中间结果计算单元，用于计算所述灰度图像中的不同像素点的二阶导数以得到每个像素点对应的中间结果；

边缘信息图像获取单元，用于将每个所述中间结果相加以得到所述样本图像对应的所述边缘信息图像。

较佳地，所述模糊度信息计算模块包括：

整体模糊度信获取单元，用于对于每帧所述样本图像，基于所述灰度图像中每个像素点对应的所述中间结果计算得到所述边缘信息图像的第一方差值，并将所述第一方差值作为当前帧的整体模糊度信息。

较佳地，所述识别系统还包括：

区域确定模块，用于预先确定不同的油烟生成区域；

所述模糊度信息计算模块还包括：

图像分块处理单元，用于根据不同的所述油烟生成区域对所述边缘信息图像进行分块处理以获取不同的图像块；

局部模糊度信息获取单元，用于对于每帧所述样本图像，基于所述图像块中每个像素点对应的所述中间结果计算得到每个所述图像块的第二方差值，并将所述第二方差值作为当前帧的局部模糊度信息；

其中，每帧所述样本图像的所述油污模糊度信息包括所述整体模糊度信息和局部模糊度信息。

较佳地，所述模糊度信息计算模块还包括：

模糊度差值计算单元，用于计算相隔设定帧数的两帧所述样本图像的所述油污模糊度信息的模糊度差值；

油污模糊度信息获取单元，用于将所述模糊度差值与当前帧的所述整体模糊度信息和所述局部模糊度信息进行叠加处理以获取当前帧的所述油污模糊度信息。

较佳地，所述分类器训练模块用于将每帧所述样本图像对应的所述油污模糊度信息作为输入，将对应的所述类别标注信息作为输出，采用支持向量机SVM或神经网络算法训练得到用于输出图像中是否存在油污模糊的目标分类器。

较佳地，所述识别系统还包括：

归一化处理模块，用于在训练所述目标分类器之前，对所述油污模糊度信息进行归一化处理；和/或，

置信度计算模块，用于计算得到所述分类结果对应的置信度；

判断模块，用于判断所述置信度是否大于置信度阈值，若是，则确定所述分类结果有效；若否，则确定所述分类结果无效。

较佳地，所述识别系统还包括：

提醒信息生成模块，用于当所述分类结果表征图像中存在油污模糊时，则生成表征镜头上存在油污的提示信息；和/或，

控制指令生成模块，用于当所述分类结果表征图像中存在油污模糊时，生成控制指令以执行镜头清洁操作。

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，所述处理器执行计算机程序时实现上述的图像中油污模糊的识别方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的图像中油污模糊的识别方法的步骤。

本发明的积极进步效果在于：

(1)将连续若干帧样本图像转换为灰度图，计算每张灰度图中每个像素点的二阶导数以得到对应的边缘信息图像，并将边缘信息图像的方差值作为整体模糊度；基于预先确定的油烟生成区域将边缘信息图像划分成多个图像块，将每个图像块对应的方差值作为局部模糊度，进而采用分类模型基于每帧样本图像对应的整体模糊度和局部模糊度、预先标注的类别信息进行迭代训练以得到用于识别图像中是否存在油污模糊的分类器，从而提高了对图像中油污模糊的识别准确度和效率，有效地避免了烟灶场景下油烟、水汽升腾等造成的干扰；(2)利用固定帧间的瞬时模糊度差值，能够有效表征帧间的模糊度变化，进而分辨油烟、水汽升腾模糊与油烟附着模糊的差别，进一步地提高了对图像中油污模糊的识别准确度和效率。

附图说明

图1为本发明实施例1的烟灶场景的示意图。

图2为本发明实施例1的图像中油污模糊的识别方法的流程图。

图3为本发明实施例1的图像中油污模糊的识别方法的流程图。

图4为本发明实施例1的样本图像划分后的图像块示意图。

图5为本发明实施例2的图像中油污模糊的识别方法的流程图。

图6为本发明实施例3的图像中油污模糊的识别系统的模块示意图。

图7为本发明实施例5的实现图像中油污模糊的识别方法的电子设备的结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在的实施例范围之中。

本发明的图像中油污模糊的识别方法应用在烟灶场景中，主要用以识别油污附着在摄像头(镜头)上造成图像模糊的情形。

如图1所示，摄像头安装在烟机上，其采集的图像视角正对灶具，使灶具能够完整的处于视角当中。

实施例1

如图2和图3所示，本实施例的图像中油污模糊的识别方法包括：

S101、获取若干帧样本图像以及对应的类别标注信息；

其中，类别标注信息用于表征图像中存在油污模糊或不存在油污模糊；

预先通过摄像头采集并存储烟灶环境下的视频数据集，然后将视频数据集中的视频数据按照连续固定的帧数N进行选取(N≥2且取整数)样本图像，并根据每帧样本图像的实际模糊情形进行预先标注对应类别L，如L1非油污模糊L1、油污模糊L2；

其中，图像中存在油污模糊则表明当前摄像头的镜头上附着有油污；反之，图像中不存在油污模糊则表明当前摄像头的镜头上没有附着有油污。

S102、对每帧样本图像进行处理以获取对应的边缘信息图像；

具体地，步骤S102包括：

S1021、对每帧样本图像进行灰度处理以得到对应的灰度图像；

其中，对于连续帧中的每一帧样本图像I′，对其进行灰度处理以转换为灰度图像I′

当然，也可以根据实际需求对样本图像进行其他预处理操作，以进一步地提高后续图像识别结果的准确性。具体采用的其他预处理方式可以根据实际需求进行确定与调整。

S1022、计算灰度图像中的不同像素点的二阶导数以得到每个像素点对应的中间结果；

其中，对于每帧样本图像的灰度图像，可以计算该灰度图像中的设定占比的像素点的二阶导数，在保证样本图像的整体模糊度计算的同时减少数据运算量，提高数据处理速度，继而提高整体的油烟模糊的识别效率。

为了达到更优的图像模糊度的确定结果，计算灰度图像中所有像素点的二阶导数，以得到所有像素点对应的中间结果。

S1023、将每个中间结果相加以得到样本图像对应的边缘信息图像。

具体地，当摄像头上附着油污后，摄像头会产生整体模糊，因此对I′

边缘信息图的方差值D

其中，Var表示计算方差值。

S103、根据边缘信息图像计算得到每帧样本图像对应的油污模糊度信息；

具体地，步骤S103包括：

S1031、对于每帧样本图像，基于灰度图像中每个像素点对应的中间结果计算得到边缘信息图像的第一方差值，并将第一方差值作为当前帧的整体模糊度信息。

考虑到在烟灶场景下，烹饪过程中的油烟、蒸汽升腾会造成局部区域的图像模糊，而这些图像模糊均不属于待检测的油污模糊，因此可以通过对边缘信息图像I′

具体地，首先需要预先制定分块策略，预先确定不同的油烟生成区域；可以基于先验知识、图像目标检测检测灶台上锅具或者炉头等来确定油烟生成区域。其中，图像目标检测检测灶台上锅具或者炉头的检测过程属于本领域的成熟技术，因此此处就不再赘述。

S1032、根据不同的油烟生成区域对边缘信息图像进行分块处理以获取不同的图像块；

S1033、对于每帧样本图像，基于图像块中每个像素点对应的中间结果计算得到每个图像块的第二方差值，并将第二方差值作为当前帧的局部模糊度信息；

其中，每帧样本图像的油污模糊度信息包括整体模糊度信息和局部模糊度信息。

具体地，为适用于不同类型的灶具(单眼、双眼、三眼)，设定灶具是安放于摄像头视野中心。如图4所示，预先确定15个油烟生成区域，则根据油烟生成区域对整体图像进行图像分块为图4所示的15个区域，单眼灶的油烟生成区域设定于8区域，则6、7、9、10列宽根据等分原则进行划分；双眼灶油烟生成区域设定于7、9区域；三眼灶油烟生成区域设定于7、8、9区域。将边缘信息图I′

每个局部模糊度信息D

其中，n＝1…15。当然油烟生成区域的划分数量以及划分规则均可以实际需求进行重新设置与调整。

由此可知，每帧的样本图像即对应整体模糊度表征值D

S104、将每帧样本图像对应的油污模糊度信息作为输入，将对应的类别标注信息作为输出，训练得到用于输出图像中是否存在油污模糊的目标分类器；

其中，采用分类模型训练得到用于输出图像中是否存在油污模糊的目标分类器，分类模型包括但不限于支持向量机SVM或神经网络算法。

在训练目标分类器之前，为了消除样本间的数据量级差异，本实施例的识别方法还包括：对油污模糊度信息进行归一化处理。

通过步骤S101-S104以完成用于输出图像中是否存在油污模糊的离线模型的训练过程。

S105、获取目标帧图像并输入目标分类器以获取分类结果。

步骤S105之后还包括：

S106、计算得到分类结果对应的置信度；

S107、判断置信度是否大于置信度阈值，若是，则确定分类结果有效，并执行S108；若否，则确定分类结果无效。

S108、当分类结果表征图像中存在油污模糊时，则生成表征镜头上存在油污的提示信息；和/或，生成控制指令以执行镜头清洁操作。

在实际图像中油污模糊识别过程中，摄像头实时传入视频流，每一帧的图像数据处理流程与离线训练的图像数据处理相同，即预先将其灰度化以获得I

另外，当检测到为油污模糊时，则烟机启动相应的镜头清洁装置，或者向用户发出提示信息提醒用户手动清洁；当检测结果为非油污模糊时，则烟机中基于摄像头的功能模块正常运行。

本实施例的识别方法可以应用在烹饪开始前、烹饪过程中、烹饪结束后均适用，减少了对识别场景的要求，大大地提升了识别过程的通用性，满足了用户的更高的使用需求。

本实施例中，获取每帧样本图像对应的边缘信息图像，进而得到对应的油污模糊度信息，然后采用分类模型基于每帧样本图像的油污模糊度信息和类别标注信息训练得到分类器；将摄像头实时采集的目标帧图像输入至该分类器中以获取分类结果，从而及时获知摄像头是否附着油污，提高了对图像中油污模糊的识别准确度和效率。

实施例2

如图5所示，本实施例的图像中油污模糊的识别方法是对实施例1的进一步改进，具体地：

步骤S1033之后还包括：

S1034、计算相隔设定帧数的两帧样本图像的油污模糊度信息的模糊度差值；该模糊度差值表示油污模糊在帧间图像上的持续性，利用固定帧间的瞬时模糊度差值，能够有效表征帧间的模糊度变化，进而分辨油烟、水汽升腾模糊与油烟附着模糊的差别，保证图像中油污模糊识别的精度。

S1035、将模糊度差值与当前帧的整体模糊度信息和局部模糊度信息进行叠加处理以获取当前帧的油污模糊度信息。

通过计算相隔特定帧数N图像间D

其中，min(…)、min(…)分别为最小值、最大值函数，至此可获得归一化至[0,1]范围的表征参数D

在实际图像中油污模糊识别过程中，摄像头实时传入视频流，每一帧的图像数据处理流程与离线训练的图像数据处理相同，即预先将其灰度化以获得I

另外，当检测到为油污模糊时，则烟机启动相应的镜头清洁装置，或者向用户发出提示信息提醒用户手动清洁；当检测结果为非油污模糊时，则烟机中基于摄像头的功能模块正常运行。

本实施例中，利用固定帧间的瞬时模糊度差值，能够有效表征帧间的模糊度变化，进而有效地分辨油烟、水汽升腾模糊与油烟附着模糊的差别，避免了升腾油烟、水汽的干扰，进一步地提高了对图像中油污模糊的识别准确度和效率，保证了对烟机控制的准确性，满足用户更高的使用需求。

实施例3

如图6所示，本实施例的图像中油污模糊的识别系统包括样本信息获取模块1、边缘信息图像获取模块2、模糊度信息计算模块3、分类器训练模块4和图像分类模块5。

样本信息获取模块1用于获取若干帧样本图像以及对应的类别标注信息；其中，类别标注信息用于表征图像中存在油污模糊或不存在油污模糊；

预先通过摄像头采集并存储烟灶环境下的视频数据集，然后将视频数据集中的视频数据按照连续固定的帧数N进行选取(N≥2且取整数)样本图像，并根据每帧样本图像的实际模糊情形进行预先标注对应类别L，如L1非油污模糊L1、油污模糊L2；

其中，图像中存在油污模糊则表明当前摄像头的镜头上附着有油污；反之，图像中不存在油污模糊则表明当前摄像头的镜头上没有附着有油污。边缘信息图像获取模块2用于对每帧样本图像进行处理以获取对应的边缘信息图像；

具体地，边缘信息图像获取模块2包括灰度处理单元、中间结果计算单元和边缘信息图像获取单元。

灰度处理单元用于对每帧样本图像进行灰度处理以得到对应的灰度图像；

其中，对于连续帧中的每一帧样本图像I′，对其进行灰度处理以转换为灰度图像I′

当然，也可以根据实际需求对样本图像进行其他预处理操作，以进一步地提高后续图像识别结果的准确性。具体采用的其他预处理方式可以根据实际需求进行确定与调整。

中间结果计算单元用于计算灰度图像中的不同像素点的二阶导数以得到每个像素点对应的中间结果；

其中，对于每帧样本图像的灰度图像，可以计算该灰度图像中的设定占比的像素点的二阶导数，在保证样本图像的整体模糊度计算的同时减少数据运算量，提高数据处理速度，继而提高整体的油烟模糊的识别效率。

为了达到更优的图像模糊度的确定结果，计算灰度图像中所有像素点的二阶导数，以得到所有像素点对应的中间结果。

边缘信息图像获取单元用于将每个中间结果相加以得到样本图像对应的边缘信息图像。

具体地，当摄像头上附着油污后，摄像头会产生整体模糊，因此对I′

边缘信息图的方差值D

其中，Var表示计算方差值。

模糊度信息计算模块3用于根据边缘信息图像计算得到每帧样本图像对应的油污模糊度信息；

本实施例的识别系统还包括区域确定模块，用于预先确定不同的油烟生成区域。

具体地，考虑到在烟灶场景下，烹饪过程中的油烟、蒸汽升腾会造成局部区域的图像模糊，而这些图像模糊均不属于待检测的油污模糊，因此可以通过对边缘信息图像I′

具体地，首先需要预先制定分块策略，预先确定不同的油烟生成区域；可以基于先验知识、图像目标检测检测灶台上锅具或者炉头等来确定油烟生成区域。其中，图像目标检测检测灶台上锅具或者炉头的检测过程属于本领域的成熟技术，因此此处就不再赘述。

模糊度信息计算模块3包括整体模糊度信获取单元、图像分块处理单元和局部模糊度信息获取单元。

整体模糊度信获取单元用于对于每帧样本图像，基于灰度图像中每个像素点对应的中间结果计算得到边缘信息图像的第一方差值，并将第一方差值作为当前帧的整体模糊度信息。

图像分块处理单元用于根据不同的油烟生成区域对边缘信息图像进行分块处理以获取不同的图像块；

局部模糊度信息获取单元用于对于每帧样本图像，基于图像块中每个像素点对应的中间结果计算得到每个图像块的第二方差值，并将第二方差值作为当前帧的局部模糊度信息；

其中，每帧样本图像的油污模糊度信息包括整体模糊度信息和局部模糊度信息。

具体地，为适用于不同类型的灶具(单眼、双眼、三眼)，设定灶具是安放于摄像头视野中心。如图4所示，预先确定15个油烟生成区域，则根据油烟生成区域对整体图像进行图像分块为图4所示的15个区域，单眼灶的油烟生成区域设定于8区域，则6、7、9、10列宽根据等分原则进行划分；双眼灶油烟生成区域设定于7、9区域；三眼灶油烟生成区域设定于7、8、9区域。将边缘信息图I′

每个局部模糊度信息D

其中，n＝1…15。当然油烟生成区域的划分数量以及划分规则均可以实际需求进行重新设置与调整。

由此可知，每帧的样本图像即对应整体模糊度表征值D

分类器训练模块4用于将每帧样本图像对应的油污模糊度信息作为输入，将对应的类别标注信息作为输出，训练得到用于输出图像中是否存在油污模糊的目标分类器；

其中，采用分类模型训练得到用于输出图像中是否存在油污模糊的目标分类器，分类模型包括但不限于支持向量机SVM或神经网络算法。

为了消除样本间的数据量级差异，识别系统还包括归一化处理模块，用于在训练目标分类器之前，对油污模糊度信息进行归一化处理。

图像分类模块5用于获取目标帧图像并输入目标分类器以获取分类结果。

本实施例的识别系统还包括置信度计算模块6、判断模块7、提醒信息生成模块8和控制指令生成模块9。

置信度计算模块6用于计算得到分类结果对应的置信度；

判断模块用于判断置信度是否大于置信度阈值，若是，则确定分类结果有效；若否，则确定分类结果无效。

提醒信息生成模块8用于在确定分类结果有效且分类结果表征图像中存在油污模糊时，则生成表征镜头上存在油污的提示信息；

控制指令生成模块9用于在确定分类结果有效且分类结果表征图像中存在油污模糊时，生成控制指令以执行镜头清洁操作。

在实际图像中油污模糊识别过程中，摄像头实时传入视频流，每一帧的图像数据处理流程与离线训练的图像数据处理相同，即预先将其灰度化以获得I

另外，当检测到为油污模糊时，则烟机启动相应的镜头清洁装置，或者向用户发出提示信息提醒用户手动清洁；当检测结果为非油污模糊时，则烟机中基于摄像头的功能模块正常运行。

本实施例的识别系统可以应用在烹饪开始前、烹饪过程中、烹饪结束后均适用，减少了对识别场景的要求，大大地提升了识别过程的通用性，满足了用户的更高的使用需求。

本实施例中，获取每帧样本图像对应的边缘信息图像，进而得到对应的油污模糊度信息，然后采用分类模型基于每帧样本图像的油污模糊度信息和类别标注信息训练得到分类器；将摄像头实时采集的目标帧图像输入至该分类器中以获取分类结果，从而及时获知摄像头是否附着油污，提高了对图像中油污模糊的识别准确度和效率。

实施例4

本实施例的图像中油污模糊的识别系统是对实施例3的进一步改进，具体地：

本实施例的模糊度信息计算模块3还包括模糊度差值计算单元和油污模糊度信息获取单元。

模糊度差值计算单元用于计算相隔设定帧数的两帧样本图像的油污模糊度信息的模糊度差值；该模糊度差值表示油污模糊在帧间图像上的持续性，利用固定帧间的瞬时模糊度差值，能够有效表征帧间的模糊度变化，进而分辨油烟、水汽升腾模糊与油烟附着模糊的差别，保证图像中油污模糊识别的精度。

油污模糊度信息获取单元用于将模糊度差值与当前帧的整体模糊度信息和局部模糊度信息进行叠加处理以获取当前帧的油污模糊度信息。

通过计算相隔特定帧数N图像间D

其中，min(…)、min(…)分别为最小值、最大值函数，至此可获得归一化至[0,1]范围的表征参数D

在实际图像中油污模糊识别过程中，摄像头实时传入视频流，每一帧的图像数据处理流程与离线训练的图像数据处理相同，即预先将其灰度化以获得I

另外，当检测到为油污模糊时，则烟机启动相应的镜头清洁装置，或者向用户发出提示信息提醒用户手动清洁；当检测结果为非油污模糊时，则烟机中基于摄像头的功能模块正常运行。

本实施例中，利用固定帧间的瞬时模糊度差值，能够有效表征帧间的模糊度变化，进而有效地分辨油烟、水汽升腾模糊与油烟附着模糊的差别，避免了升腾油烟、水汽的干扰，进一步地提高了对图像中油污模糊的识别准确度和效率，保证了对烟机控制的准确性，满足用户更高的使用需求。

实施例5

图7为本发明实施例5提供的一种电子设备的结构示意图。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，处理器执行程序时实现实施例1或2中的图像中油污模糊的识别方法。图7显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。

总线33包括数据总线、地址总线和控制总线。

存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。

存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1或2中的图像中油污模糊的识别方法。

电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例6

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1或2中的图像中油污模糊的识别方法中的步骤。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1或2中的图像中油污模糊的识别方法中的步骤。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。