一种基于温度梯度的对象状态分析方法及系统与流程

本发明是关于图像处理识别技术领域，特别是关于一种基于温度梯度的对象状态分析方法及系统。

背景技术：

危险识别是危险管理工作的一项重要内容。对客观存在的各种危险的本质特征、产生发展规律、危害程度的认识、概括和界定。

现有技术cn106264568b公开了一种非接触式情绪检测方法和装置，涉及情绪检测技术领域。该方法包括：分别通过摄像头和红外传感器采集包含有被测人体的视频信息和被测人体的热图/热点区域图；对所述视频信息和所述热图/热点区域图进行识别得到被检测人体的人体特征数据；将所述人体特征数据进行深度学习引擎关联和分析，得到被测人体的紧张程度；输出通过所述深度学习引擎分析得到的人体紧张程度的结果。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现要素：

本发明的目的在于提供一种基于温度梯度的对象状态分析方法及系统，其能够克服现有技术的缺点。

为实现上述目的，本发明提供了一种基于温度梯度的对象状态分析方法，其特征在于：基于温度梯度的对象状态分析方法包括如下步骤：

获取对象的红外图像；

对所获取的红外图像进行去噪声处理，得到去噪声的红外图像；

基于去噪声的红外图像判断对象的温度分布与温度变化；

基于对象的温度分布与温度变化，判断对象是否存在风险；

如果对象存在风险，则进行预警；

其中，对所获取的红外图像进行去噪声处理是基于以下公式的：

其中，j(x)是去噪声的红外图像，a是全球大气红外辐射参数，t是描述直接到达图像采集设备的一部分红外辐射的发射参数，i(x)是所获取的红外图像。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

基于所获取的红外图像，得到叠加红外图像，其中，叠加红外图像是根据如下公式形成的：

其中，c(x)是叠加红外图像，sharp()是拉普拉斯锐化模板，其中，拉普拉斯锐化模板由如下矩阵表示：

。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

建立点分散函数，其中，点分散函数由如下公式表示：

其中，是图像中的点到模板中心点的欧式距离，是自定义常数值；

基于点分散函数建立所获取的红外图像的噪声信号图像n(x)，其中，噪声信号图像n(x)以如下公式表示：

其中，是傅里叶反变换函数。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

基于噪声信号图像，生成替换函数v(x)，其中，替换函数v(x)由如下公式表示：

其中，取值范围为0.4-0.5。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

基于替换函数v(x)，得到去噪声的红外图像j(x)，其中，去噪声的红外图像j(x)是由如下公式表示的：

。

本发明提供了一种基于温度梯度对对象状态进行分析装置，其特征在于：基于温度梯度对对象状态进行分析装置包括：

用于获取对象的红外图像的单元；

用于对所获取的红外图像进行去噪声处理，得到去噪声的红外图像的单元；

用于基于去噪声的红外图像判断对象的温度分布与温度变化的单元；

用于基于对象的温度分布与温度变化，判断对象是否存在风险的单元；

用于如果对象存在风险，则进行预警的单元；

其中，对所获取的红外图像进行去噪声处理是基于以下公式的：

其中，j(x)是去噪声的红外图像，a是全球大气红外辐射参数，t是描述直接到达图像采集设备的一部分红外辐射的发射参数，i(x)是所获取的红外图像。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

基于所获取的红外图像，得到叠加红外图像，其中，叠加红外图像是根据如下公式形成的：

其中，c(x)是叠加红外图像，sharp()是拉普拉斯锐化模板，其中，拉普拉斯锐化模板由如下矩阵表示：

。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

建立点分散函数，其中，点分散函数由如下公式表示：

其中，是图像中的点到模板中心点的欧式距离，是自定义常数值；

基于点分散函数建立所获取的红外图像的噪声信号图像n(x)，其中，噪声信号图像n(x)以如下公式表示：

其中，是傅里叶反变换函数。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

基于噪声信号图像，生成替换函数v(x)，其中，替换函数v(x)由如下公式表示：

其中，取值范围为0.4-0.5。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

基于替换函数v(x)，得到去噪声的红外图像j(x)，其中，去噪声的红外图像j(x)是由如下公式表示的：

。

与现有技术相比，本发明具有如下优点：图像识别的基础是获得清晰可辨认且细节丰富的图像，图像细节越丰富就意味着图像信息量越大，图像信息量越大就越能够有利于识别和判断。但是，在图像获取装置分辨率足够、物体反射或者发射的各类光充足的条件下，仍然有很多因素阻碍技术人员获得质量较高的图像，一种比较严重的失真是由雾气造成的，国内外很多城市在雨水季节都会出现比较浓的雾气，这些雾气将对红外线造成散射，这导致了所捕获图像中的噪声和模糊，并且这些噪声有可能掩盖一些必要图像细节。为了消除这些噪声，本发明提出了一种基于温度梯度的对象状态分析方法，本申请的方法能够消除红外图像中的部分噪声，还原出一些被噪声掩盖的细节。

附图说明

图1是根据本发明一实施方式的基于温度梯度的对象状态分析方法的方法流程图。

图2是根据本发明一实施方式的去噪声处理的方法流程图。

图3是根据本发明一实施方式的去噪声处理之前的图像。

图4是根据本发明一实施方式的去噪声处理之后的图像。

图5是根据本发明另一实施方式的去噪声处理之前的图像。

图6是根据本发明另一实施方式的去噪声处理之后的图像。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

图1是根据本发明一实施方式的基于温度梯度的对象状态分析方法的方法流程图。如图所示，本发明的基于温度梯度的对象状态分析方法的方法包括：

步骤101：获取对象的红外图像；

步骤102：对所获取的红外图像进行去噪声处理，得到去噪声的红外图像；

步骤103：基于去噪声的红外图像判断对象的温度分布与温度变化；

步骤104：基于对象的温度分布与温度变化，判断对象是否存在风险；

步骤105：如果对象存在风险（风险预测方法或算法例如本申请背景技术中提到的对于对象情绪的测试方法），则进行预警；

其中，对所获取的红外图像进行去噪声处理是基于以下公式的：

其中，j(x)是去噪声的红外图像，a是全球大气红外辐射参数，t是描述直接到达图像采集设备的一部分红外辐射的发射参数，该参数最后会用其它已知量替换，所以该数值的计算方法并不重要，i(x)是所获取的红外图像。其中，a值是由论文“singleimagehazeremovalusingdarkchannelprior”ieeeconferenceoncomputervisionandpatternrecognition,2009介绍的方法计算的，该方法计算的a值是用于可见光散射的，所以根据上述论文得到的a需要调整以便用于红外光谱，调整的方式可以是根据上述论文得到的a值除以1.5-2的常数值。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

基于所获取的红外图像，得到叠加红外图像，其中，叠加红外图像是根据如下公式形成的：

其中，c(x)是叠加红外图像，sharp()是拉普拉斯锐化模板，其中，拉普拉斯锐化模板由如下矩阵表示：

。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

建立点分散函数，其中，点分散函数由如下公式表示：

其中，是图像中的点到模板中心点的欧式距离，是自定义常数值；

基于点分散函数建立所获取的红外图像的噪声信号图像n(x)，其中，噪声信号图像n(x)以如下公式表示：

其中，是傅里叶反变换函数。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

基于噪声信号图像，生成替换函数v(x)，其中，替换函数v(x)由如下公式表示：

其中，取值范围为0.4-0.5。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

基于替换函数v(x)，得到去噪声的红外图像j(x)，其中，去噪声的红外图像j(x)是由如下公式表示的：

。

本发明提供了一种基于温度梯度对对象状态进行分析装置，其特征在于：基于温度梯度对对象状态进行分析装置包括：

用于获取对象的红外图像的单元；

用于对所获取的红外图像进行去噪声处理，得到去噪声的红外图像的单元；

用于基于去噪声的红外图像判断对象的温度分布与温度变化的单元；

用于基于对象的温度分布与温度变化，判断对象是否存在风险的单元；

用于如果对象存在风险，则进行预警的单元；

其中，对所获取的红外图像进行去噪声处理是基于以下公式的：

其中，j(x)是去噪声的红外图像，a是全球大气红外辐射参数，t是描述直接到达图像采集设备的一部分红外辐射的发射参数，i(x)是所获取的红外图像。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

基于所获取的红外图像，得到叠加红外图像，其中，叠加红外图像是根据如下公式形成的：

其中，c(x)是叠加红外图像，sharp()是拉普拉斯锐化模板，其中，拉普拉斯锐化模板由如下矩阵表示：

。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

建立点分散函数，其中，点分散函数由如下公式表示：

其中，是图像中的点到模板中心点的欧式距离，是自定义常数值；

基于点分散函数建立所获取的红外图像的噪声信号图像n(x)，其中，噪声信号图像n(x)以如下公式表示：

其中，是傅里叶反变换函数。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

基于噪声信号图像，生成替换函数v(x)，其中，替换函数v(x)由如下公式表示：

其中，取值范围为0.4-0.5。

在一优选的实施方式中，对所获取的红外图像进行去噪声处理，得到去噪声的红外图像包括如下步骤：

基于替换函数v(x)，得到去噪声的红外图像j(x)，其中，去噪声的红外图像j(x)是由如下公式表示的：

。

图3是根据本发明一实施方式的去噪声处理之前的图像。图4是根据本发明一实施方式的去噪声处理之后的图像。图5是根据本发明另一实施方式的去噪声处理之前的图像。图6是根据本发明另一实施方式的去噪声处理之后的图像。由于用肉眼观看红外图像时，红外图像的噪声并不明显（但是对于机器视觉来说，这种噪声是明显的），所以为了能够方便清楚的体现本发明的去噪声效果，本申请使用一些可见光图像来进行测试。通过比对图3和图4可以发现，在图3中，图左上角以及右上角（也就是图4方框框出的部分）部分存在严重的朦胧区域，在图4中，运用本发明的方法之后，朦胧区域弱化。图5和图6有类似的效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。