本發(fā)明涉及圖像處理和識(shí)別技術(shù)領(lǐng)域，尤其涉及一種圖像檢測(cè)方法和裝置。

背景技術(shù)：

隨著數(shù)碼相機(jī)、攝像頭、超高速掃描儀等圖像獲取設(shè)備的廣泛應(yīng)用，工業(yè)化生產(chǎn)技術(shù)水平和生產(chǎn)效率的不斷提高，對(duì)與之配套的生產(chǎn)檢測(cè)能力也有著越來越高的要求。圖像處理技術(shù)的日益發(fā)展，圖像檢測(cè)技術(shù)廣泛運(yùn)用在工業(yè)生產(chǎn)過程檢測(cè)、日常生活安全檢測(cè)等領(lǐng)域，極大的提升了企業(yè)的生產(chǎn)效率和人們的生活水平。

在圖像處理和識(shí)別的技術(shù)領(lǐng)域中，一般地，工業(yè)安全的檢測(cè)通常采用圖像分割方法對(duì)圖像中的特定區(qū)域進(jìn)行檢測(cè)和識(shí)別?，F(xiàn)有的圖像分割方法主要利用感興趣區(qū)域和背景區(qū)域的整體灰度差異，選取適當(dāng)?shù)拈撝捣指顖D像得到感興趣區(qū)域。在光照不均勻或者待檢測(cè)區(qū)域和背景區(qū)域灰度差別較小時(shí)往往不能準(zhǔn)確地分割出感興趣區(qū)域。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供一種圖像檢測(cè)方法和裝置，可以準(zhǔn)確地檢測(cè)出圖像中的感興趣區(qū)域。

根據(jù)本發(fā)明實(shí)施例的一方面，提供一種圖像檢測(cè)方法，該圖像檢測(cè)方法包括：通過雙閾值算法檢測(cè)待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)；統(tǒng)計(jì)待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)在指定鄰域中的灰度直方圖，根據(jù)灰度直方圖構(gòu)建高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)的灰度分布的混合高斯模型；利用期望最大化算法對(duì)高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)的混合高斯模型進(jìn)行參數(shù)估計(jì)；基于參數(shù)估計(jì)得到的混合高斯模型的參數(shù)值確定高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)是否屬于待檢測(cè)圖像中的目標(biāo)檢測(cè)區(qū)域。

根據(jù)本發(fā)明實(shí)施例的另一方面，提供一種圖像檢測(cè)裝置，該檢測(cè)裝置包括：高亮區(qū)域檢測(cè)模塊，用于通過雙閾值算法檢測(cè)待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)；混合高斯模型構(gòu)建模塊，用于統(tǒng)計(jì)待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)在指定鄰域中的灰度直方圖，根據(jù)灰度直方圖構(gòu)建高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)的灰度分布的混合高斯模型；參數(shù)值估計(jì)模塊，用于利用期望最大化算法對(duì)高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)的混合高斯模型進(jìn)行參數(shù)估計(jì)；目標(biāo)檢測(cè)區(qū)域確定模塊，用于基于參數(shù)估計(jì)得到的混合高斯模型的參數(shù)值確定高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)是否屬于待檢測(cè)圖像中的目標(biāo)檢測(cè)區(qū)域。

本發(fā)明實(shí)施例中的圖像檢測(cè)方法和裝置，對(duì)待檢測(cè)圖像中高亮區(qū)域以外的圖像的每一個(gè)像素點(diǎn)，使用混合高斯模型分析其鄰域窗口內(nèi)的灰度值分布，并使用混合高斯模型中高斯項(xiàng)系數(shù)、均值和方差對(duì)該圖像進(jìn)行分割，檢測(cè)出目標(biāo)檢測(cè)區(qū)域。通過本發(fā)明實(shí)施例中的圖像檢測(cè)方法，在光照不均勻或者待檢測(cè)區(qū)域和背景區(qū)域灰度差別較小時(shí)，可以準(zhǔn)確地分割出感興趣的目標(biāo)區(qū)域。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)本發(fā)明實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是示出根據(jù)本發(fā)明一實(shí)施例的圖像檢測(cè)方法的流程圖；

圖2是示出根據(jù)本發(fā)明另一實(shí)施例的圖像檢測(cè)方法的更詳細(xì)的流程圖；

圖3是示出根據(jù)本發(fā)明一實(shí)施例的圖像檢測(cè)裝置的結(jié)構(gòu)示意圖；

圖4是示出根據(jù)本發(fā)明另一實(shí)施例的圖像檢測(cè)裝置的更詳細(xì)的結(jié)構(gòu)示意圖；

圖5是示出了發(fā)明一實(shí)施例的能夠?qū)崿F(xiàn)根據(jù)本發(fā)明實(shí)施例的圖像檢測(cè)方法和裝置的計(jì)算設(shè)備的示例性硬件架構(gòu)的結(jié)構(gòu)圖。

具體實(shí)施方式

下面將詳細(xì)描述本發(fā)明的各個(gè)方面的特征和示例性實(shí)施例，為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)描述。應(yīng)理解，此處所描述的具體實(shí)施例僅被配置為解釋本發(fā)明，并不被配置為限定本發(fā)明。對(duì)于本領(lǐng)域技術(shù)人員來說，本發(fā)明可以在不需要這些具體細(xì)節(jié)中的一些細(xì)節(jié)的情況下實(shí)施。下面對(duì)實(shí)施例的描述僅僅是為了通過示出本發(fā)明的示例來提供對(duì)本發(fā)明更好的理解。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本發(fā)明實(shí)施例提供的圖像檢測(cè)方法和裝置可以應(yīng)用于工業(yè)生產(chǎn)過程檢測(cè)、日常生活安全檢測(cè)等領(lǐng)域。作為一個(gè)具體的應(yīng)用，使用本發(fā)明實(shí)施中的圖像檢測(cè)方法和裝置進(jìn)行隧道的滲漏水檢測(cè)是一種較為可靠的、高效率的處理方法。

隧道滲漏水作為一種常見的隧道病害對(duì)隧道的安全具有重要的影響，下面結(jié)合附圖，以對(duì)隧道滲漏水進(jìn)行圖像檢測(cè)為例，詳細(xì)描述根據(jù)本發(fā)明實(shí)施例的圖像檢測(cè)方法和裝置。應(yīng)注意，這些實(shí)施例并不是用來限制本發(fā)明公開的范圍。

圖1是示出根據(jù)本發(fā)明一實(shí)施例的圖像檢測(cè)方法的流程圖。如圖1所示，本實(shí)施例中的圖像檢測(cè)方法100包括以下步驟：

步驟s110，通過雙閾值算法檢測(cè)待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)。

步驟s120，統(tǒng)計(jì)待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)在指定鄰域中的灰度直方圖，根據(jù)灰度直方圖構(gòu)建高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)的灰度分布的混合高斯模型。

步驟s130，利用期望最大化算法對(duì)高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)的混合高斯模型進(jìn)行參數(shù)估計(jì)。

步驟s140，基于參數(shù)估計(jì)得到的混合高斯模型的參數(shù)值確定高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)是否屬于待檢測(cè)圖像中的目標(biāo)檢測(cè)區(qū)域。

根據(jù)本發(fā)明實(shí)施例的圖像檢測(cè)方法，對(duì)待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)構(gòu)建混合高斯模型，并使用混合高斯模型，利用期望最大化算法學(xué)習(xí)待檢測(cè)圖像的灰度分布，從而根據(jù)學(xué)習(xí)得到的高斯模型參數(shù)對(duì)待檢測(cè)圖像進(jìn)行分割，從而檢測(cè)出目標(biāo)區(qū)域。

作為可選實(shí)施例，在進(jìn)行圖像檢測(cè)之前，可以先對(duì)待檢測(cè)圖像進(jìn)行預(yù)處理。

圖2是示出根據(jù)本發(fā)明另一實(shí)施例的圖像檢測(cè)方法的更詳細(xì)的流程圖，圖2與圖1相同或等同的步驟使用相同的標(biāo)號(hào)。如圖2所示，圖2所示的圖像檢測(cè)方法200基本相同于圖像檢測(cè)方法100，不同之處在于，步驟s110還可以包括以下步驟：

步驟s110-1，對(duì)待檢測(cè)圖像進(jìn)行去噪處理。

步驟s110-2，通過雙閾值算法檢測(cè)經(jīng)去噪處理的待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)。

具體地，可以使用中值濾波器對(duì)待檢測(cè)圖像進(jìn)行去噪處理，去除噪聲的同時(shí)也能夠很好地保持圖像的邊緣信息。

在另一些實(shí)施例中，根據(jù)目標(biāo)檢測(cè)區(qū)域在待檢測(cè)圖像中較暗的特點(diǎn)，可以首先對(duì)目標(biāo)檢測(cè)區(qū)域的高亮區(qū)域進(jìn)行檢測(cè)。作為可選實(shí)施例，步驟s110中的通過雙閾值算法檢測(cè)待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)的步驟具體可以包括：

步驟s111，分別使用預(yù)設(shè)的高灰度閾值和預(yù)設(shè)的低灰度閾值對(duì)待檢測(cè)圖像進(jìn)行圖像分割，得到高閾值分割二值圖像和低閾值分割二值圖像，其中，該高灰度閾值大于該低灰度閾值。

在該步驟中，作為一個(gè)示例，高灰度閾值的取值例如可以是200，低灰度閾值的取值例如可以是150。

步驟s112，獲取低閾值分割二值圖像中的像素值為1的第一像素點(diǎn)的n×n鄰域作為第一鄰域，并獲取高閾值分割二值圖像中與第一像素點(diǎn)的位置相同的像素點(diǎn)的n×n鄰域作為第二鄰域。

在該步驟中，n的取值可以是21～25之間的奇數(shù)。

步驟s113，如果第二鄰域中不存在像素值為1的像素點(diǎn)，則將第一像素點(diǎn)的像素值置為0。

步驟s114，將第一鄰域中像素值為1的像素點(diǎn)標(biāo)記為高亮區(qū)域像素點(diǎn)。

可選地，對(duì)檢測(cè)到的于高亮區(qū)域像素點(diǎn)，可以使用特定的值進(jìn)行標(biāo)記，區(qū)別于待檢測(cè)圖像中的其他像素點(diǎn)。

根據(jù)本發(fā)明實(shí)施例中的圖像檢測(cè)方法，在對(duì)隧道滲漏水區(qū)域進(jìn)行檢測(cè)時(shí)，通常情況下，隧道的干燥區(qū)在待檢測(cè)圖像中亮度較高，而隧道的滲漏水區(qū)在待檢測(cè)圖像中亮度較低。通過從待檢測(cè)圖像中對(duì)高亮區(qū)域進(jìn)行檢測(cè)，在后續(xù)的圖像檢測(cè)的處理過程中，對(duì)除高亮區(qū)域以外的圖像進(jìn)行隧道滲漏水的檢測(cè)，可以提高圖像檢測(cè)的效率和準(zhǔn)確性。

本發(fā)明實(shí)施例中的期望最大化算法(expectationmaximizationalgorithm)，簡(jiǎn)稱em算法。在本發(fā)明實(shí)施例中，em算法是在待檢測(cè)圖像的每個(gè)像素點(diǎn)的混合高斯模型中尋找該混合高斯模型中的參數(shù)最大似然估計(jì)的算法。

具體地，步驟s130中利用期望最大化算法對(duì)所述高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)的混合高斯模型進(jìn)行參數(shù)估計(jì)的步驟，具體可以包括：

步驟s131，根據(jù)預(yù)設(shè)的混合高斯模型的參數(shù)值的初始值，利用期望最大化算法，對(duì)參數(shù)值進(jìn)行迭代優(yōu)化。

步驟s132，當(dāng)?shù)蟮膮?shù)值使混合高斯模型的似然函數(shù)收斂時(shí)，將迭代優(yōu)化后的參數(shù)值作為對(duì)混合高斯模型進(jìn)行參數(shù)估計(jì)得到的參數(shù)值。

在一些實(shí)施例中，步驟s131中的混合高斯模型的參數(shù)值包括該混合高斯模型中的高斯項(xiàng)的權(quán)值、均值和方差。

作為一個(gè)示例，混合高斯模型可以包括兩個(gè)高斯項(xiàng)，分別對(duì)混合高斯模型中兩個(gè)高斯項(xiàng)的參數(shù)值進(jìn)行初始化，設(shè)置兩個(gè)高斯項(xiàng)的權(quán)值均為1/2，設(shè)置兩個(gè)高斯項(xiàng)的均值分別為255/3和255×2/3，設(shè)置兩個(gè)高斯項(xiàng)的方

具體地，步驟s131可以包括如下步驟：

步驟s131-1，根據(jù)權(quán)值的初始值、均值的初始值和方差的初始值，初始化混合高斯模型。

步驟s131-2，利用期望最大化算法中的公式估計(jì)混合高斯模型中的像素點(diǎn)由每個(gè)高斯項(xiàng)生成的概率，其中，表示對(duì)第j個(gè)像素點(diǎn)由第i個(gè)高斯項(xiàng)生成的概率值，xj表示第j個(gè)像素點(diǎn)，πi、μi和σi分別表示第i個(gè)高斯項(xiàng)的權(quán)值、均值和方差；p(xj|μi，σi)表示在當(dāng)前迭代步驟中，像素點(diǎn)xj在第i個(gè)高斯項(xiàng)中的概率。

步驟s131-3，通過期望最大化算法中的公式計(jì)算得到更新的混合高斯模型的權(quán)值πi、均值μi和方差σi，其中，m表示混合高斯模型中的像素點(diǎn)的個(gè)數(shù)。

在本實(shí)施例的上述步驟中，可以將步驟s131-2作為em算法中的e步驟，即計(jì)算期望的步驟；將步驟s131-3作為em算法中的m步驟，即最大化步驟。

具體地，em算法可以作為一個(gè)逐次逼近算法，在e步驟中通過給定混合高斯模型的參數(shù)值的初始值，確定該混合高斯模型對(duì)應(yīng)于這組參數(shù)的狀態(tài)，在當(dāng)前的狀態(tài)下再對(duì)混合修正；在m步驟中重新估計(jì)混合高斯模型中的參數(shù)值，并根據(jù)新的參數(shù)值重新確定模型的狀態(tài)。

迭代使用上述e步驟和m步驟，將m步驟中得到的參數(shù)估計(jì)值用于下一個(gè)e步驟的計(jì)算中，將這個(gè)過程不斷交替進(jìn)行，直到混合高斯模型的似然函數(shù)收斂，得到對(duì)混合高斯模型進(jìn)行參數(shù)估計(jì)得到的參數(shù)值。

在上述實(shí)施例中，通過em算法逐步改進(jìn)混合高斯模型的參數(shù)值，使混合高斯模型的參數(shù)值逐漸逼近真實(shí)的參數(shù)值。本發(fā)明實(shí)施例通過em算法提供的迭代算法計(jì)算混合高斯模型的參數(shù)值，計(jì)算方法簡(jiǎn)單且穩(wěn)定。

在一些實(shí)施例中，步驟s140具體可以包括：

步驟s141，如果兩個(gè)高斯項(xiàng)的其中一個(gè)高斯項(xiàng)的權(quán)值小于預(yù)設(shè)的權(quán)值閾值，確定高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)不屬于目標(biāo)檢測(cè)區(qū)域。

步驟s142，如果兩個(gè)高斯項(xiàng)的均值的差值絕對(duì)值大于預(yù)設(shè)的均值閾值，并且兩個(gè)高斯項(xiàng)的方差的差值絕對(duì)值小于預(yù)設(shè)的方差閾值，確定高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)屬于目標(biāo)檢測(cè)區(qū)域。

作為一個(gè)示例，預(yù)設(shè)的權(quán)值閾值可以是15，預(yù)設(shè)的均值閾值可以是20，預(yù)設(shè)的方差閾值可以是10。

在該實(shí)施例中，根據(jù)混合高斯模型中的高斯項(xiàng)的權(quán)值、均值和方差對(duì)待檢測(cè)圖像進(jìn)行分割，檢測(cè)出滲漏水區(qū)域。

根據(jù)本發(fā)明實(shí)施例提供的圖像檢測(cè)方法，可以更準(zhǔn)確的對(duì)圖像中的滲漏水區(qū)域進(jìn)行檢測(cè)，并可以將該圖像檢測(cè)方法應(yīng)用于其他安全成產(chǎn)過程或安全檢測(cè)等領(lǐng)域，能夠準(zhǔn)確并高效率地檢測(cè)出圖像中的目標(biāo)區(qū)域。

下面結(jié)合附圖詳細(xì)介紹根據(jù)本發(fā)明實(shí)施例的圖像檢測(cè)裝置。

圖3示出了根據(jù)本發(fā)明一實(shí)施例提供的圖像檢測(cè)裝置的結(jié)構(gòu)示意圖。如圖3所示，本發(fā)明實(shí)施例中的圖像檢測(cè)裝置300包括：

高亮區(qū)域檢測(cè)模塊320，用于通過雙閾值算法檢測(cè)待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)。

混合高斯模型構(gòu)建模塊330，用于統(tǒng)計(jì)待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)在指定鄰域中的灰度直方圖，根據(jù)灰度直方圖構(gòu)建高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)的灰度分布的混合高斯模型。

參數(shù)值估計(jì)模塊340，用于利用期望最大化算法對(duì)高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)的混合高斯模型進(jìn)行參數(shù)估計(jì)。

目標(biāo)檢測(cè)區(qū)域確定模塊350，用于基于參數(shù)估計(jì)得到的混合高斯模型的參數(shù)值確定高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)是否屬于待檢測(cè)圖像中的目標(biāo)檢測(cè)區(qū)域。

根據(jù)本發(fā)明實(shí)施例的圖像檢測(cè)裝置，對(duì)于待檢測(cè)圖像中的像素點(diǎn)，使用混合高斯模型分析每個(gè)像素點(diǎn)指定鄰域窗口內(nèi)的灰度值分布，并根據(jù)混合高斯模型中的參數(shù)值對(duì)待檢測(cè)圖像進(jìn)行分割，可以更加準(zhǔn)確地檢測(cè)出目標(biāo)區(qū)域。

圖4是示出根據(jù)本發(fā)明另一實(shí)施例的圖像檢測(cè)裝置的更詳細(xì)的結(jié)構(gòu)示意圖，圖4與圖3相同或等同的步驟使用相同的標(biāo)號(hào)。如圖4所示，圖4所示的圖像檢測(cè)裝置400基本相同于圖像檢測(cè)裝置300，不同之處在于，圖像檢測(cè)裝置400還可以包括：

圖像預(yù)處理模塊310，用于對(duì)待檢測(cè)圖像進(jìn)行去噪處理對(duì)待檢測(cè)圖像進(jìn)行去噪處理。

高亮區(qū)域檢測(cè)模塊320還用于通過雙閾值算法檢測(cè)經(jīng)去噪處理的待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)通過雙閾值算法檢測(cè)經(jīng)去噪處理的待檢測(cè)圖像中的高亮區(qū)域像素點(diǎn)。

作為可選實(shí)施例，高亮區(qū)域檢測(cè)模塊320還可以包括：

圖像分割單元321，用于分別使用預(yù)設(shè)的高灰度閾值和預(yù)設(shè)的低灰度閾值對(duì)檢測(cè)圖像進(jìn)行圖像分割，得到高閾值分割二值圖像和低閾值分割二值圖像，高灰度閾值大于低灰度閾值。

鄰域獲取單元322，用于獲取低閾值分割二值圖像中的像素值為1的第一像素點(diǎn)的n×n鄰域作為第一鄰域，并獲取高閾值分割二值圖像中與第一像素點(diǎn)的位置相同的像素點(diǎn)的n×n鄰域作為第二鄰域。

像素值處理單元323，用于如果第二鄰域中不存在像素值為1的像素點(diǎn)，則將第一像素點(diǎn)的像素值置為0。

高亮區(qū)域像素點(diǎn)標(biāo)記單元324，用于將第一鄰域中像素值為1的像素點(diǎn)標(biāo)記為高亮區(qū)域像素點(diǎn)。

在該實(shí)施例中，通過從待檢測(cè)圖像中對(duì)高亮區(qū)域進(jìn)行檢測(cè)，在后續(xù)的圖像檢測(cè)的處理過程中，對(duì)排除高亮區(qū)域后的待檢測(cè)圖像進(jìn)行隧道滲漏水的檢測(cè)，可以提高圖像檢測(cè)的效率和準(zhǔn)確性。

作為可選實(shí)施例，參數(shù)值估計(jì)模塊340還可以包括：

迭代優(yōu)化單元341，用于根據(jù)預(yù)設(shè)的混合高斯模型的參數(shù)值的初始值，利用期望最大化算法，對(duì)參數(shù)值進(jìn)行迭代優(yōu)化。

參數(shù)值選取單元342，用于當(dāng)?shù)鷥?yōu)化后的參數(shù)值使混合高斯模型的似然函數(shù)收斂時(shí)，將迭代優(yōu)化后的參數(shù)值作為對(duì)混合高斯模型進(jìn)行參數(shù)估計(jì)得到的參數(shù)值根據(jù)參數(shù)值的初始值，利用期望最大化算法，迭代優(yōu)化混合高斯模型中的參數(shù)，以使混合高斯模型收斂。

具體地，迭代優(yōu)化單元341具體可以用于根據(jù)權(quán)值的初始值、均值的初始值和方差的初始值，初始化混合高斯模型；利用期望最大化算法中的公式估計(jì)混合高斯模型中的像素點(diǎn)由每個(gè)高斯項(xiàng)生成的概率，其中，表示對(duì)第j個(gè)像素點(diǎn)由第i個(gè)高斯項(xiàng)生成的概率值，xj表示第j個(gè)像素點(diǎn)，πi、μi和σi分別表示第i個(gè)高斯項(xiàng)的權(quán)值、均值和方差；p(xj|μi，σi)表示在當(dāng)前迭代步驟中，像素點(diǎn)xj在第i個(gè)高斯項(xiàng)中的概率；并通過期望最大化算法中的公式計(jì)算得到更新的混合高斯模型的權(quán)值πi、均值μi和方差σi，其中，m表示混合高斯模型中的像素點(diǎn)的個(gè)數(shù)。

在該實(shí)施例中，通過em算法逐步改進(jìn)混合高斯模型的參數(shù)值，使混合高斯模型的參數(shù)值逐漸逼近真實(shí)的參數(shù)值，從而是圖像的檢測(cè)和識(shí)別更加準(zhǔn)確。

作為可選實(shí)施例，混合高斯模型可以包括兩個(gè)高斯項(xiàng)，目標(biāo)檢測(cè)區(qū)域確定模塊350具體用于：

如果兩個(gè)高斯項(xiàng)的其中一個(gè)高斯項(xiàng)的權(quán)值小于預(yù)設(shè)的權(quán)值閾值，確定高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)不屬于目標(biāo)檢測(cè)區(qū)域如果兩個(gè)高斯項(xiàng)的權(quán)值中包括小于預(yù)設(shè)的權(quán)值閾值，確定每個(gè)像素點(diǎn)不屬于目標(biāo)檢測(cè)區(qū)域；

如果兩個(gè)高斯項(xiàng)的均值的差值的絕對(duì)值大于預(yù)設(shè)的均值閾值，并且兩個(gè)高斯項(xiàng)的方差的差值的絕對(duì)值小于預(yù)設(shè)的方法方差閾值，確定高亮區(qū)域像素點(diǎn)以外的像素點(diǎn)屬于目標(biāo)檢測(cè)區(qū)域。

根據(jù)本發(fā)明實(shí)施例提供的圖像檢測(cè)裝置，可以適應(yīng)于更多的光照條件下獲得的待處理圖像以及待檢測(cè)區(qū)域和背景區(qū)域灰度差別較小情況下的待檢測(cè)區(qū)域，準(zhǔn)確的檢測(cè)出圖像中的感興趣區(qū)域。

根據(jù)本發(fā)明實(shí)施例的圖像檢測(cè)裝置的其他細(xì)節(jié)與以上結(jié)合圖1和圖2描述的根據(jù)本發(fā)明實(shí)施例的圖像檢測(cè)方法類似，在此不再贅述。

結(jié)合圖1至圖4描述的根據(jù)本發(fā)明實(shí)施例的圖像檢測(cè)方法和裝置可以由可拆卸地或者固定地安裝在應(yīng)用服務(wù)端設(shè)備上的計(jì)算設(shè)備實(shí)現(xiàn)。圖5是示出能夠?qū)崿F(xiàn)根據(jù)本發(fā)明實(shí)施例的圖像檢測(cè)方法和裝置的計(jì)算設(shè)備的示例性硬件架構(gòu)的結(jié)構(gòu)圖。如圖5所示，計(jì)算設(shè)備500包括輸入設(shè)備501、輸入接口502、中央處理器503、存儲(chǔ)器504、輸出接口505、以及輸出設(shè)備506。其中，輸入接口502、中央處理器503、存儲(chǔ)器504、以及輸出接口505通過總線510相互連接，輸入設(shè)備501和輸出設(shè)備506分別通過輸入接口502和輸出接口505與總線510連接，進(jìn)而與計(jì)算設(shè)備500的其他組件連接。具體地，輸入設(shè)備501接收來自外部(例如，攝像設(shè)備或數(shù)碼相機(jī))的輸入信息，并通過輸入接口502將輸入信息傳送到中央處理器503；中央處理器503基于存儲(chǔ)器504中存儲(chǔ)的計(jì)算機(jī)可執(zhí)行指令對(duì)輸入信息進(jìn)行處理以生成輸出信息，將輸出信息臨時(shí)或者永久地存儲(chǔ)在存儲(chǔ)器504中，然后通過輸出接口505將輸出信息傳送到輸出設(shè)備506；輸出設(shè)備506將輸出信息輸出到計(jì)算設(shè)備500的外部供用戶使用。

也就是說，圖5所示的計(jì)算設(shè)備也可以被實(shí)現(xiàn)為包括：存儲(chǔ)有計(jì)算機(jī)可執(zhí)行指令的存儲(chǔ)器；以及處理器，該處理器在執(zhí)行計(jì)算機(jī)可執(zhí)行指令時(shí)可以實(shí)現(xiàn)結(jié)合圖1至圖4描述的圖像檢測(cè)方法和裝置。這里，處理器可以與圖像管理系統(tǒng)或安裝在待檢測(cè)裝置上的圖像傳感器等圖像獲取模塊進(jìn)行通信，從而基于來自圖像管理系統(tǒng)和/或圖像傳感器的相關(guān)信息執(zhí)行計(jì)算機(jī)可執(zhí)行指令，從而實(shí)現(xiàn)結(jié)合圖1至圖4描述的圖像檢測(cè)方法和裝置。

需要明確的是，本發(fā)明并不局限于上文所描述并在圖中示出的特定配置和處理。為了簡(jiǎn)明起見，這里省略了對(duì)已知方法的詳細(xì)描述。在上述實(shí)施例中，描述和示出了若干具體的步驟作為示例。但是，本發(fā)明的方法過程并不限于所描述和示出的具體步驟，本領(lǐng)域的技術(shù)人員可以在領(lǐng)會(huì)本發(fā)明的精神后，作出各種改變、修改和添加，或者改變步驟之間的順序。

以上所述的結(jié)構(gòu)框圖中所示的功能塊可以實(shí)現(xiàn)為硬件、軟件、固件或者它們的組合。當(dāng)以硬件方式實(shí)現(xiàn)時(shí)，其可以例如是電子電路、專用集成電路(asic)、適當(dāng)?shù)墓碳?、插件、功能卡等等。?dāng)以軟件方式實(shí)現(xiàn)時(shí)，本發(fā)明的元素是被用于執(zhí)行所需任務(wù)的程序或者代碼段。程序或者代碼段可以存儲(chǔ)在機(jī)器可讀介質(zhì)中，或者通過載波中攜帶的數(shù)據(jù)信號(hào)在傳輸介質(zhì)或者通信鏈路上傳送。“機(jī)器可讀介質(zhì)”可以包括能夠存儲(chǔ)或傳輸信息的任何介質(zhì)。機(jī)器可讀介質(zhì)的例子包括電子電路、半導(dǎo)體存儲(chǔ)器設(shè)備、rom、閃存、可擦除rom(erom)、軟盤、cd-rom、光盤、硬盤、光纖介質(zhì)、射頻(rf)鏈路，等等。代碼段可以經(jīng)由諸如因特網(wǎng)、內(nèi)聯(lián)網(wǎng)等的計(jì)算機(jī)網(wǎng)絡(luò)被下載。

還需要說明的是，本發(fā)明中提及的示例性實(shí)施例，基于一系列的步驟或者裝置描述一些方法或系統(tǒng)。但是，本發(fā)明不局限于上述步驟的順序，也就是說，可以按照實(shí)施例中提及的順序執(zhí)行步驟，也可以不同于實(shí)施例中的順序，或者若干步驟同時(shí)執(zhí)行。

以上所述，僅為本發(fā)明的具體實(shí)施方式，所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為了描述的方便和簡(jiǎn)潔，上述描述的系統(tǒng)、模塊和單元的具體工作過程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過程，在此不再贅述。應(yīng)理解，本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到各種等效的修改或替換，這些修改或替換都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。