一种日夜状态检测方法及系统

技术领域

本发明属于图像数据处理技术领域，具体涉及一种日夜状态检测方法及系统。

背景技术

在视频监控的安防摄像机中，日夜状态检测是一个很重要的功能，可以准确及时地检测出白天夜晚状态对图像效果影响很大，日夜状态检测特别是对于变焦设备尤为重要。

当前的日夜状态检测方法的准确性低，切换不灵敏，在白天夜晚的临界处容易发生误判而频繁切换。摄像机中的滤光片切换器在常温下的平均寿命约为10万次，如果日夜状态检测不准确，会导致滤光片切换器频繁切换而发生提前损坏，影响整个摄像机的产品质量。

发明内容

为了解决当前的日夜状态检测方法的准确性低，切换不灵敏，在白天夜晚的临界处容易发生误判而频繁切换，会导致滤光片切换器频繁切换而发生提前损坏，影响整个摄像机的产品质量的技术问题，本发明提供一种日夜状态检测方法及系统。

第一方面

本发明提供了一种日夜状态检测方法，包括：

S1：获取原始图像数据；

S2：对所述原始图像数据进行滤波处理；

S3：将滤波处理后的原始图像数据转换为RGB图像数据；

S4：通过R通道分量滤波技术，对所述RGB图像数据进行滤波处理；

S5：将所述RGB图像数据进行缩放处理，缩放至预设尺寸，得到输入图像；

S6：提取所述输入图像的图像特征；

S7：将所述输入图像的图像特征输入至卷积神经网络中；

S8：通过所述卷积神经网络，确定初步日夜状态检测结果；

S9：通过抖动过滤技术，对所述初步日夜状态检测结果进行校核；

S10：输出数据校核后的最终日夜状态检测结果。

第二方面

本发明提供了一种日夜状态检测系统，包括：

获取模块，用于获取原始图像数据；

第一滤波模块，用于对所述原始图像数据进行滤波处理；

转换模块，用于将滤波处理后的原始图像数据转换为RGB图像数据；

第二滤波模块，用于通过R通道分量滤波技术，对所述RGB图像数据进行滤波处理；

缩放模块，用于将所述RGB图像数据进行缩放处理，缩放至预设尺寸，得到输入图像；

提取模块，用于提取所述输入图像的图像特征；

输入模块，用于将所述输入图像的图像特征输入至卷积神经网络中；

检测模块，用于通过所述卷积神经网络，确定初步日夜状态检测结果；

校核模块，用于通过抖动过滤技术，对所述初步日夜状态检测结果进行校核；

输出模块，用于输出数据校核后的最终日夜状态检测结果。

与现有技术相比，本发明至少具有以下有益技术效果：

(1)在本发明中，提取图像特征，通过卷积神经网络，确定初步日夜状态检测结果，卷积神经网络即使是在白天夜晚的临界处可以准确地检测日夜状态，避免因误判导致滤光片切换器频繁切换而发生提前损坏，提升整个摄像机的产品质量。

(2)在本发明中，通过R通道分量滤波技术，可以消除夜晚环境中红外灯的影响，进一步提升日夜状态检测的准确性。

(3)在本发明中，通过抖动过滤技术，对初步日夜状态检测结果进行校核，避免因手电灯光或者手机灯光等短时间光亮的干扰而导致将黑夜状态误判为白天状态，进一步提升日夜状态检测的准确性。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。

图1是本发明提供的一种日夜状态检测方法的流程示意图。

图2是本发明提供的一种日夜状态检测系统的结构示意图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅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，并获得其他的实施方式。

为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

在一个实施例中，参考说明书附图1，示出了本发明提供的一种日夜状态检测方法的流程示意图。

本发明提供的一种日夜状态检测方法，包括：

S1：获取原始图像数据。

其中，原始图像数据可以是Bayer模式的RAW数据。

其中，Bayer模式是一种单色滤光片排列的方式，常见于数字相机和其他图像传感器。在Bayer模式中，不同颜色的滤光片(通常是红色、绿色和蓝色)以阵列的形式分布在图像传感器上。这三种颜色的排列顺序通常是沿着行和列交替排列的，形成一个图案。

其中，RAW数据是一种原始、未经过压缩或处理的图像数据格式。对于数字相机而言，它通常是从图像传感器直接读取的数据，没有经过相机内部的任何处理，包括白平衡、色彩校正和压缩等。因此，RAW数据包含了图像传感器捕获的每个像素的原始亮度值或光电信号。

S2：对原始图像数据进行滤波处理。

具体而言，可以在RAW域进行滤波，去除图像毛刺，改善图像的质量，使图像更加平滑和自然。

S3：将滤波处理后的原始图像数据转换为RGB图像数据。

具体而言，可以通过ISP转换模块将滤波处理后的原始图像数据转换为RGB图像数据。

其中，ISP(Image Signal Processor，图像信号处理器)是一种专用的硬件或硬件加软件结合的模块，用于对图像传感器采集到的原始图像数据进行处理，以产生最终的可视化图像。

在本发明中，由于大多数图像处理和计算机视觉算法都是基于RGB图像的，因此将图像数据转换为RGB格式有助于使用广泛的图像处理工具和库进行后续分析和处理。这样的转换使得图像更易于在不同平台和应用中进行处理和共享。

S4：通过R通道分量滤波技术，对RGB图像数据进行滤波处理。

需要说明的是，RGB图像由红色(R)、绿色(G)和蓝色(B)三个颜色通道组成，而R通道分量滤波主要关注和处理红色通道的信息。

其中，R通道分量滤波技术是一种图像处理技术，主要针对RGB图像中的红色通道(R通道)进行滤波操作。

在本发明中，通过R通道分量滤波技术，可以消除夜晚环境中红外灯的影响，进一步提升日夜状态检测的准确性。

S5：将RGB图像数据进行缩放处理，缩放至预设尺寸，得到输入图像。

其中，本领域技术人员可以根据实际情况设置预设尺寸的大小，本发明不做限定。

可选地，预设尺寸为32×32。

在本发明中，在某些图像处理任务中，如图像分类或目标检测，将图像缩放到统一的尺寸可以作为数据预处理的一步，使得模型更容易学习和泛化。同时，对于深度学习模型或计算机视觉任务，输入图像的尺寸可能会影响模型的推理速度。通过将图像缩放到较小的尺寸，可以减少模型的计算复杂度，从而提高推理速度。

S6：提取输入图像的图像特征。

可选地，输入图像的图像特征包括：G通道分量、B通道分量和ISO值。

其中，G通道分量和B通道分量分别代表了图像中绿色和蓝色通道的分量。

其中，ISO通常用于表示相机感光度的设置，用来衡量相机对光的敏感程度。ISO值越高，相机对光的敏感度越大，适用于低光环境下的拍摄，但可能引入更多噪点。

S7：将输入图像的图像特征输入至卷积神经网络中。

其中，卷积神经网络(Convolutional Neural Network，CNN)是一种深度学习模型，专门设计用于处理和识别具有网格状结构的数据，如图像和视频。

在一种可能的实施方式中，卷积神经网络包括：输入层、三层卷积层、两层池化层以及全连接层。卷积层中的卷积核尺寸为5×5，步长为1。

S8：通过卷积神经网络，确定初步日夜状态检测结果。

在一种可能的实施方式中，S8具体包括子步骤S801至S805：

S801：在输入层中，输入所述输入图像的图像特征。

S802：在卷积层中，对来自上一层的特征映射与卷积核进行卷积运算：

其中，

在本发明中，卷积神经网络的多层次结构允许对图像进行层次化的特征提取。低层次的卷积层可以捕捉边缘、纹理等低级特征，而高层次的卷积层则能够提取更抽象的语义特征，有助于更全面地理解图像。

S803：在池化层中，对输入的特征映射进行下采样操作，进行池化处理：

其中，down()表示下采样函数，下采样函数具体为全局池化函数，

在本发明中，通过卷积和池化操作，网络可以有效地捕捉图像中的空间层次结构，提取有助于日夜状态检测的特征。

S804：在全连接层中，汇总各个池化层输出的特征值得到特征向量，根据汇总的特征向量，计算日夜状态检测值：

z＝Sigmoid(Y)

其中，z表示日夜状态检测值，Sigmoid()表示Sigmoid激活函数，Y表示汇总的特征向量。

在本发明中，全连接层对各个池化层输出的特征进行全局信息融合，将图像的全局上下文考虑进日夜状态检测的决策中。这有助于网络更好地理解整个图像，而不仅仅是局部特征。

S805：判断日夜状态检测值是否大于预设检测值。若是，确定初步日夜状态检测结果为白天状态。否则，确定初步日夜状态检测结果为黑夜状态。

其中，本领域技术人员可以根据实际情况设置预设检测值的大小，本发明不做限定。

在本发明中，提取图像特征，通过卷积神经网络，确定初步日夜状态检测结果，卷积神经网络即使是在白天夜晚的临界处可以准确地检测日夜状态，避免因误判导致滤光片切换器频繁切换而发生提前损坏，提升整个摄像机的产品质量。

S9：通过抖动过滤技术，对初步日夜状态检测结果进行校核。

在一种可能的实施方式中，S9具体包括子步骤S901和S902：

S901：当日夜检测结果由白天状态变换为黑夜状态时，进行一次黑夜状态计数。

S902：当预设时长内检测到多次黑夜状态计数时，确定存在闪光抖动，将日夜状态检测结果保持在黑夜状态。

其中，本领域技术人员可以根据实际情况设置预设时长的大小，本发明不做限定。

在本发明中，通过抖动过滤技术，对初步日夜状态检测结果进行校核，避免因手电灯光或者手机灯光等短时间光亮的干扰而导致将黑夜状态误判为白天状态，进一步提升日夜状态检测的准确性。

S10：输出数据校核后的最终日夜状态检测结果。

与现有技术相比，本发明至少具有以下有益技术效果：

(1)在本发明中，提取图像特征，通过卷积神经网络，确定初步日夜状态检测结果，卷积神经网络即使是在白天夜晚的临界处可以准确地检测日夜状态，避免因误判导致滤光片切换器频繁切换而发生提前损坏，提升整个摄像机的产品质量。

(2)在本发明中，通过R通道分量滤波技术，可以消除夜晚环境中红外灯的影响，进一步提升日夜状态检测的准确性。

(3)在本发明中，通过抖动过滤技术，对初步日夜状态检测结果进行校核，避免因手电灯光或者手机灯光等短时间光亮的干扰而导致将黑夜状态误判为白天状态，进一步提升日夜状态检测的准确性。

实施例2

在一个实施例中，参考说明书附图2，示出了本发明提供的一种日夜状态检测系统的结构示意图。

本发明提供的一种日夜状态检测系统20，包括：

获取模块201，用于获取原始图像数据。

第一滤波模块202，用于对原始图像数据进行滤波处理。

转换模块203，用于将滤波处理后的原始图像数据转换为RGB图像数据。

第二滤波模块204，用于通过R通道分量滤波技术，对RGB图像数据进行滤波处理。

缩放模块205，用于将RGB图像数据进行缩放处理，缩放至预设尺寸，得到输入图像。

提取模块206，用于提取输入图像的图像特征。

输入模块207，用于将输入图像的图像特征输入至卷积神经网络中。

检测模块208，用于通过卷积神经网络，确定初步日夜状态检测结果。

校核模块209，用于通过抖动过滤技术，对初步日夜状态检测结果进行校核。

输出模块210，用于输出数据校核后的最终日夜状态检测结果。

在一种可能的实施方式中，输入图像的图像特征包括：G通道分量、B通道分量和ISO值。

在一种可能的实施方式中，卷积神经网络包括：输入层、三层卷积层、两层池化层以及全连接层。卷积层中的卷积核尺寸为5×5，步长为1。

在一种可能的实施方式中，检测模块208具体用于：

在输入层中，输入输入图像的图像特征。

在卷积层中，对来自上一层的特征映射与卷积核进行卷积运算：

其中，

在池化层中，对输入的特征映射进行下采样操作，进行池化处理：

其中，down()表示下采样函数，下采样函数具体为全局池化函数，

在全连接层中，汇总各个池化层输出的特征值得到特征向量，根据汇总的特征向量，计算日夜状态检测值：

z＝Sigmoid(Y)

其中，z表示日夜状态检测值，Sigmoid()表示Sigmoid激活函数，Y表示汇总的特征向量。

判断日夜状态检测值是否大于预设检测值。若是，确定初步日夜状态检测结果为白天状态。否则，确定初步日夜状态检测结果为黑夜状态。

在一种可能的实施方式中，校核模块209具体用于：

当日夜检测结果由白天状态变换为黑夜状态时，进行一次黑夜状态计数。

当预设时长内检测到多次黑夜状态计数时，确定存在闪光抖动，将日夜状态检测结果保持在黑夜状态。

本发明提供的一种日夜状态检测系统可以实现上述实施例1中的日夜状态检测方法的步骤和效果，为避免重复，本发明不再赘述。

与现有技术相比，本发明至少具有以下有益技术效果：

(1)在本发明中，提取图像特征，通过卷积神经网络，确定初步日夜状态检测结果，卷积神经网络即使是在白天夜晚的临界处可以准确地检测日夜状态，避免因误判导致滤光片切换器频繁切换而发生提前损坏，提升整个摄像机的产品质量。

(2)在本发明中，通过R通道分量滤波技术，可以消除夜晚环境中红外灯的影响，进一步提升日夜状态检测的准确性。

(3)在本发明中，通过抖动过滤技术，对初步日夜状态检测结果进行校核，避免因手电灯光或者手机灯光等短时间光亮的干扰而导致将黑夜状态误判为白天状态，进一步提升日夜状态检测的准确性。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。