【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其涉及一种基于图像模糊度的实时物体静止检测方法及系统。
技术介绍
1、近年来，在数字与智能化的浪潮下，餐饮行业正迎来一场剧烈的变革。其中菜品识别技术作为这场变革的先锋，正在逐步改变消费者的用餐体验。与传统基于rfid等具有一定损耗率的身份识别技术不同，最新一代菜品识别技术仅靠摄像头采集与识别菜品，做到真正意义上的无感与零损耗识别。该技术的关键是使用智能化视觉识别算法，其流程为：消费者选定菜品并放在智慧餐台，摄像头采集菜品图像并传输至后台服务器，服务器运用深度学习等技术对菜品图像进行检测、特征分析与识别，以确定菜品的种类和价格。
2、在上述菜品识别过程中，菜品的静止时刻检测尤为重要。若在菜品未完全静止时采集图像，会导致捕获的图像模糊严重，进而极大地影响到后续检测、特征提取与识别算法的准确度，甚至会使得视觉识别算法失效，得出错误的菜品种类和价格。当前在菜品静止检测领域，常见的方法有帧差法和光流法。
3、而帧差法是计算相邻两帧图像之间的差异，判断是否静止。因此帧差法容易受到光照变化的影响，尤其是当图像中存在小的运动或者噪声干扰时，帧差法可能无法准确判断静止状态，而且帧差法主要是对相邻帧进行比较，缺乏对时间序列整体信息的利用，可能导致判断的不稳定性。
4、而光流法则是通过计算连续帧之间像素的运动矢量来检测运动，能够获取丰富的运动信息，对噪声和光照变化也有较强的鲁棒性。但计算复杂度较高，不适用于需要高实时性的场景，如具有突发性大流量的食堂菜品识别。另一方面，基于深度学习的静止
技术实现思路
1、本专利技术针对现有技术不足，提出了一种基于图像模糊度的实时物体静止检测方法，首次使用连续帧图像的模糊度对物体进行静止检测。该方法包括如下步骤：
2、s1、初始化缓存定长的图像序列，将序列中的每帧彩色图像转成灰度图像，计算图像序列中每张图像的模糊度，得到初始化模糊度序列；
3、s2、将当前帧图像转成灰度图像，计算当前帧图像的模糊度；
4、s3、用入列出列操作更新图像序列，更新模糊度序列；
5、s4、使用增量更新法计算更新后图像序列的平均图像，计算平均图像的模糊度；
6、s5、用遍历法得到模糊度序列中的最大模糊度，计算当前平均图像的模糊度和序列最大模糊度的比值，将其作为相对静止系数，若相对静止系数大于预设的阈值，则表示当前时刻场景处于静止状态，否则为运动状态。
7、进一步地，所述s1具体包括如下步骤：使用拉普拉斯算子计算拉普拉斯特征图像，根据得到的拉普拉斯图像特征计算方差，根据计算方差作为灰度图像的模糊度。
8、进一步地，所述使用拉普拉斯算子计算拉普拉斯特征图像包括：
9、使用拉普拉斯算子计算图像中每个像素周围的灰度变化来获取边缘信息，将离散拉普拉斯算子：
10、
11、在第t帧灰度图像上进行卷积运算，得到拉普拉斯特征图像。
12、进一步地，所述根据得到的拉普拉斯图像特征计算方差包括；
13、
14、其中表示拉普拉斯特征图像中第k个像素点的值，表示拉普拉斯特征的平均值。
15、进一步地，所述使用增量更新法更新图像序列与模糊度序列具体包括：
16、弹出序列中的第一个元素并保存在临时变量中，将新增元素插入到序列的末位。
17、进一步地，所述使用增量更新法计算平均图像，然后由平均图像计算模糊度，平均图像只在时刻时有定义，其中n为给定图像与模糊度序列长度，具体包括：
18、当时刻时，初始化序列图像之和；
19、当时刻时，计算；
20、当时刻时，计算，计算平均图像，计算平均图像模糊度；
21、根据说明书的另一方面，还提供了用于实现所述方法的一种基于图像模糊度的实时物体静止检测系统，该系统包括：图像序列预处理模块、模糊度计算模块、增量更新模块和物体静止检测模块；
22、所述图像序列预处理模块用于获取当前帧并将其转换为灰度图像；
23、所述模糊度计算模块用于计算灰度图像与平均图像的模糊度；
24、所述增量更新模块使用入列出列操作更新图像序列与模糊度序列，用增量更新法计算平均图像；
25、所述物体静止检测模块计算当前时刻平均图像的模糊度与序列最大模糊度的比值，并将其定义为相对静止系数。若相对静止系数大于预设的阈值，则场景在当前时刻处于静止状态，否则表示场景中存在运动。
26、根据说明书的另一方面，还提供了一种基于图像模糊度的实时物体静止检测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的一种基于图像模糊度的实时物体静止检测方法。
27、根据说明书的另一方面，还提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时，实现所述的一种基于图像模糊度的实时物体静止检测方法。
28、根据说明书的另一方面，还提供了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，实现所述的一种基于图像模糊度的实时物体静止检测方法。
29、本专利技术的有益效果：
30、（1）本方法利用平均图像模糊度与序列最大模糊度的比值得到相对静止系数，利用相对静止系数判断图像是否静止。方法通过结合多个帧的模糊度信息，得到相对静止系数，可以更全面地反映出物体的运动状态，对于噪声的抵抗力较强。平均模糊度的计算能够整合时间序列中的信息，提供更加稳定的判断依据。
31、（2）通过增量更新平均图像的方法，相较于光流法，本算法在判断速度上具有显著优势。这种增量更新机制仅需对新帧与旧帧的数据进行简单的加法和减法运算，从而显著减少了计算量，尤其在处理高帧率视频时，可以大幅提高实时处理能力。此外，该方法能够快速响应，适合实时分析的应用场景，如在菜品识别的实时场景，同时对 cpu 和内存的资源需求较低，适合在资源受限的环境中运行。实现上，增量更新算法相对简单，便于集成和调试，降低了开发和维护的复杂性。相比之下，光流法在计算过程中涉及复杂的运动矢量计算，这不仅增加了计算量，还导致处理速度较慢，计算资源需求高。
32、（3）本方法相较于基于深度学习的静止检测方法，具有多个显著优势。首先，计算效率更高，模糊度计算依赖于简单的图像处理操作，速度快且资源需求少，适合实时应用。其次，该方法实现简单，无需大规模数据集和复杂的训练过程，易于理解和部署。
本文档来自技高网...【技术保护点】
1.一种基于图像模糊度的实时物体静止检测方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的一种基于图像模糊度的实时物体静止检测方法，其特征在于，
3.根据权利要求2所述的一种基于图像模糊度的实时物体静止检测方法，其特征在于，
4.根据权利要求2所述的一种基于图像模糊度的实时物体静止检测方法，其特征在于，所述根据得到的拉普拉斯图像特征计算方差包括：
5.根据权利要求1所述的一种基于图像模糊度的实时物体静止检测方法，其特征在于，所述使用入列出列更新图像序列与模糊度序列具体包括如下步骤：弹出序列中的第一个元素并保存在临时变量中，将新增元素插入到序列的末位。
6.根据权利要求1所述的一种基于图像模糊度的实时物体静止检测方法，其特征在于，所述使用增量更新法计算更新后图像序列的平均图像包括：平均图像只在时刻时有定义，其中N为给定图像与模糊度序列长度，具体包括：
7.一种用于实现权利要求1-6任一项所述方法的基于图像模糊度的实时物体静止检测系统，其特征在于，该系统包括：图像序列预处理模块、模糊度计算模块、增量
8.一种基于图像模糊度的实时物体静止检测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，实现如权利要求1-6中任一项所述的一种基于图像模糊度的实时物体静止检测方法。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时，实现如权利要求1-6中任一项所述的一种基于图像模糊度的实时物体静止检测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-6任一项所述的一种基于图像模糊度的实时物体静止检测方法。
...【技术特征摘要】
1.一种基于图像模糊度的实时物体静止检测方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的一种基于图像模糊度的实时物体静止检测方法，其特征在于，
3.根据权利要求2所述的一种基于图像模糊度的实时物体静止检测方法，其特征在于，
4.根据权利要求2所述的一种基于图像模糊度的实时物体静止检测方法，其特征在于，所述根据得到的拉普拉斯图像特征计算方差包括：
5.根据权利要求1所述的一种基于图像模糊度的实时物体静止检测方法，其特征在于，所述使用入列出列更新图像序列与模糊度序列具体包括如下步骤：弹出序列中的第一个元素并保存在临时变量中，将新增元素插入到序列的末位。
6.根据权利要求1所述的一种基于图像模糊度的实时物体静止检测方法，其特征在于，所述使用增量更新法计算更新后图像序列的平均图像包括：平均图像只在时刻时有定义，其中n为给定图...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。