一种基于机器视觉的图像处理式运动监测系统的制作方法

1.本发明属于运动监测技术领域，尤其涉及一种基于机器视觉的图像处理式运动监测系统。


背景技术：

2.随着科技的发展，在生产生活中，运动图像的视觉识别过程中对运动图像的运动监测的处理需要使用到图像处理系统来进行预处理，随着多媒体技术的迅猛发展与计算机性能的不断提高，动态图像处理技术日益受到人们的青睐，并且取得了丰硕的成果，广泛应用于交通管理、军事目标跟踪、生物医学等领域；中国专利文献公开号cn106331723b公开了一种基于运动区域分割的视频帧率上变换方法及系统，所述方法步骤为：提取视频图像的特征点；在图像之间进行特征点匹配，获取特征点的运动矢量；对特征点运动矢量聚类处理，提取运动区域信息；将运动区域的运动信息，从特征点出发，传播到图像中的其它每一个像素点，获得逐像素的运动区域分割结果和初始的逐像素运动矢量场；根据运动区域分割结果，对运动矢量场进行平滑滤波，获得优化的运动矢量场；根据运动矢量场进行补偿插值，获得内插帧图像，完成帧率的上变换。该发明能够准确地得到视频中的运动区域信息，并有效地辅助运动估计，运动矢量滤波，完成视频帧率的上变换，但在实际使用时，其缺乏对图像处理过程中运动帧的优化处理，同时对运动中轮廓的定位精准度较低，不能很好的满足运动处理的需要。


技术实现要素：

3.本发明的目的在于：为了解决缺乏对图像处理过程中运动帧的优化处理，同时对运动中轮廓的定位精准度较低，不能很好满足运动处理需要的问题，而提出的一种基于机器视觉的图像处理式运动监测系统。
4.为了实现上述目的，本发明采用了如下技术方案：一种基于机器视觉的图像处理式运动监测系统，包括运动图像获取模块，所述运动图像获取模块用于获取运动图像，所述运动图像获取模块输入端与动态跟踪模块的输出端电性连接，所述动态跟踪模块用于动态控制采集模块跟随待采集图像进行共同运动，所述运动图像获取模块输入端与图像预处理单元输出端电性连接，所述图像预处理单元用于对图像进行降噪预处理，所述运动图像获取模块输出端与运动帧间均值区分模块输入端电性连接，所述运动帧间均值区分模块用于对采集到的运动图像进行均值帧区分，所述运动帧间均值区分模块的输出端与边缘优化单元输入端电性连接，所述边缘优化单元用于对运动帧边缘进行优化处理，所述运动帧间均值区分模块输出端与特征对比模块输入端电性连接，所述特征对比模块用于对比运动特征，所述特征对比模块输入端与深度学习单元输出端电性连接，所述深度学习单元用于学习运动图像特征辅助对比识别。
5.作为上述技术方案的进一步描述：所述运动帧间均值区分模块的输入端与运动向量分区模块输出端电性连接，所述
运动向量分区模块用于对运动帧的帧间向量进行划分，通过对运动帧间隔进行划分。
6.作为上述技术方案的进一步描述：所述运动帧间均值区分模块的输入端与运动向量分区模块输出端电性连接，所述运动向量分区模块用于对运动帧的帧间向量进行划分，通过对运动帧间隔进行划分。
7.作为上述技术方案的进一步描述：所述图像预处理单元包括噪声消除模块，所述噪声消除模块用于消除图像传输噪声，所述噪声消除模块输出端与滤波处理模块输入端电性连接，所述滤波处理模块用于通过滤波函数进行图像降噪预处理，所述卷积模糊修正模块用于通过卷积模型进行模糊的无源修复。
8.作为上述技术方案的进一步描述：所述边缘优化单元包括轮廓定位模块，所述轮廓定位模块用于定位待识别图像边缘定位，所述轮廓定位模块输出端与图像边缘提取模块输入端电性连接，所述图像边缘提取模块用于对图像裁剪提取，所述图像边缘提取模块输处端与异或运算模块输入端电性连接，所述异或运算模块用于通过异或算法快速对比运动帧的运动图像之间的异或差别。
9.作为上述技术方案的进一步描述：所述异或运算模块输入端与特征点匹配模块输出端电性连接，所述特征点匹配模块用于定位轮廓矢量特征点。
10.作为上述技术方案的进一步描述：所述图像边缘提取模块输入端与图像分割模块输出端电性连接，所述图像分割模块用于分割识别出的图像。
11.作为上述技术方案的进一步描述：所述深度学习单元包括运动结构判定模块，所述运动结构判定模块用于根据深度学习模型输出运动特征结果，所述运动图像训练模块输入端与运动图像输入模块输出端电性连接，所述运动图像输入模块用于输入训练集数据对模型进行训练。
12.作为上述技术方案的进一步描述：所述运动图像输入模块的输入端与训练集存储模块和训练集更新模块的输出端电性连接，所述训练集存储模块用于存储识别运动特征的训练数据，所述训练集更新模块用于更新训练集数据。
13.综上所述，由于采用了上述技术方案，本发明的有益效果是：本发明中，通过设计的边缘优化单元，在提取运动图像的运动区域轮廓后，快速分割待运动识别区域，以异或运算为基础，屏蔽运动图像帧与帧之间的相同点，实现对运动特征的运动帧之间运动图像的精确定位，有效降低采集图像的运动延迟和采集模糊，同时通过对运动图像的降噪处理以及后续的运动帧划分，有利于通过运动帧之间对比帧提高运动图像中运动区域的快速定位处理，并且通过深度学习单元对待识别的运动特征进行深度学习，从而能够提高运动特征在对比后对比识别效率。
附图说明
14.图1为本发明提出的一种基于机器视觉的图像处理式运动监测系统的系统框图；图2为本发明提出的一种基于机器视觉的图像处理式运动监测系统的图像预处理
单元系统图；图3为本发明提出的一种基于机器视觉的图像处理式运动监测系统的边缘优化单元系统图；图4为本发明提出的一种基于机器视觉的图像处理式运动监测系统的深度学习单元系统图。
15.图例说明：1、运动图像获取模块；2、图像预处理单元；201、噪声消除模块；202、滤波处理模块；203、卷积模糊修正模块；3、动态跟踪模块；4、运动帧间均值区分模块；5、边缘优化单元；501、轮廓定位模块；502、图像边缘提取模块；503、异或运算模块；504、图像分割模块；505、特征点匹配模块；6、特征对比模块；7、深度学习单元；701、运动结构判定模块；702、运动图像训练模块；703、运动图像输入模块；704、训练集存储模块；705、训练集更新模块；8、差分图像识别模块；9、运动向量分区模块。
具体实施方式
16.下面将结合本发明实施例中的附图，对本发明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它实施例，都属于本发明保护的范围。
17.请参阅图1-4，本发明提供一种技术方案：一种基于机器视觉的图像处理式运动监测系统，包括运动图像获取模块1，运动图像获取模块1用于获取运动图像，运动图像获取模块1输入端与动态跟踪模块3的输出端电性连接，动态跟踪模块3用于动态控制采集模块跟随待采集图像进行共同运动，运动图像获取模块1输入端与图像预处理单元2输出端电性连接，图像预处理单元2用于对图像进行降噪预处理，运动图像获取模块1输出端与运动帧间均值区分模块4输入端电性连接，运动帧间均值区分模块4用于对采集到的运动图像进行均值帧区分，运动帧间均值区分模块4的输出端与边缘优化单元5输入端电性连接，边缘优化单元5用于对运动帧边缘进行优化处理，运动帧间均值区分模块4输出端与特征对比模块6输入端电性连接，特征对比模块6用于对比运动特征，特征对比模块6输入端与深度学习单元7输出端电性连接，深度学习单元7用于学习运动图像特征辅助对比识别。
18.运动帧间均值区分模块4的输入端与运动向量分区模块9输出端电性连接，运动向量分区模块9用于对运动帧的帧间向量进行划分，通过对运动帧间隔进行划分，特征对比模块6输入端与差分图像识别模块8输出端电性连接，差分图像识别模块8用于识别不同帧之间的图像差分区别；图像预处理单元2包括噪声消除模块201，噪声消除模块201用于消除图像传输噪声，噪声消除模块201输出端与滤波处理模块202输入端电性连接，滤波处理模块202用于通过滤波函数进行图像降噪预处理，卷积模糊修正模块203用于通过卷积模型进行模糊的无源修复；边缘优化单元5包括轮廓定位模块501，轮廓定位模块501用于定位待识别图像边缘定位，轮廓定位模块501输出端与图像边缘提取模块502输入端电性连接，图像边缘提取模块502用于对图像裁剪提取，图像边缘提取模块502输处端与异或运算模块503输入端电
性连接，异或运算模块503用于通过异或算法快速对比运动帧的运动图像之间的异或差别；异或运算模块503输入端与特征点匹配模块505输出端电性连接，特征点匹配模块505用于定位轮廓矢量特征点；图像边缘提取模块502输入端与图像分割模块504输出端电性连接，图像分割模块504用于分割识别出的图像；深度学习单元7包括运动结构判定模块701，运动结构判定模块701用于根据深度学习模型输出运动特征结果，运动图像训练模块702输入端与运动图像输入模块703输出端电性连接，运动图像输入模块703用于输入训练集数据对模型进行训练；运动图像输入模块703的输入端与训练集存储模块704和训练集更新模块705的输出端电性连接，训练集存储模块704用于存储识别运动特征的训练数据，训练集更新模块705用于更新训练集数据。
19.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。