考场课桌识别研究实验结果分析.docVIP

PAGE / NUMPAGES 考场课桌识别研究实验结果分析 一、采用方法 双边滤波、高斯滤波、直方图均衡化、改进的Gamma自适应光照均衡处理、透视变换、归一化模板匹配、可控的Kmeans算法、两点式斜率坐标校正等方法。 实验流程 三、实验结果 1、采用了论文《基于视频的考场异常行为识别研究》中的自适应Gamma光照均衡方法和根据课桌图像的R、G特征进行图像二值化处理，其效果如下。 图1 论文中Gamma矫正后的课桌 图2 论文中二值化后的课桌 图3 实验中改进的Gamma矫正后的课桌 图4 实验中二值化后的课桌 通过实验对比，发现利用课桌图像的R、G特征值进行二值化效果并不好，该方法通用性很差，并且R、G特征值不具备自适应。所以导致效果不好。结论：不可采用该方法对图像进行二值化处理。（参考附件1、2、3实验效果） 2、改进了论文《减少光照影响的自适应Gamma矫正方法》中的自适应Gamma光照均衡方法，其效果如图3所示。 该论文中的自适应Gamma矫正方法,是针对灰度图像而言，而且方法过程中的矫正像素值范围参数值靠手动设置，所以很难把握这个参数值的最佳性。因此，通用性不高。根据研究问题的具体化，对该方法进行了改进。改进后的自适应Gamma光照均衡方法，针对彩色图像进行矫正。同时，矫正像素值范围参数值可根据不同图像自动调节，不需要手动设置，该参数具备了自适应特性。 原图 灰度图 矫正图 因为彩色图像包含的信息大于灰度图像，所以该研究课题中采用彩色图像作为研究对象，尽管灰度图像处理简单，整体效果较好。但是，局部效果较差，针对实际问题，最终还是采用彩色图像作为研究对象。其处理效果如下所示。 待继续研究的问题：该方法中涉及到的矫正像素值范围参数值的自适应效果目前还不是最好，考虑用最大字段和方法进行改进，有待进一步实验结果证明。 3、按照实验流程所做实验数据统计结果 实验对象：不同场景下的7间考场，考场课桌数初始化为30个，排列规则为7788类型。 （1）、实验结果图像效果对比 考场1 高斯滤波和直方图均衡效果 Gamma效果 两种方法结合效果 考场2 高斯滤波和直方图均衡效果 Gamma效果 两种方法结合效果 （2）、对彩色图像不同通道的实验结果 不同考场 识别结果（单位：/张） 高斯滤波和 直方图均衡化结果 R、G、B通道矫正 R、G通道矫正 R通道矫正 Gamma 结果 两种方法结合结果 Gamma 结果 两种方法结合结果 Gamma 结果 两种方法结合结果 1 9 12 12 12 12 12 12 2 24 26 28 27 28 28 27 3 17 18 20 21 21 21 21 4 19 25 21 25 22 25 22 5 22 23 24 24 24 24 25 6 23 21 26 21 26 21 26 7 16 16 16 18 20 19 19 经过实验结果分析，发现采取对彩色图像的R、G通道进行矫正所达到的效果比较稳定，准确性也较强。所以，解决光照问题采用该两种方法的结合进行处理。 后续研究方向总结： 1、采用最大字段和矫正改进后的Gamma方法的像素修正范围参数的自适应性； 2、人为估计矫正课桌区域，具体包括： （1）、第一排和最后一排检测不到的课桌区域通过人为估计课桌区域方法解决问题； （2）、人为估计每一列课桌前后检测不到的课桌区域，通过每一列平均间距，前后两个间距相比较，大于1.3倍平均间距，则需要添加一个课桌区域，课桌坐标为前一个课桌坐标加上两个间距的一半。如果小于1.3倍平均间距，且大于平均间距，在判断前后两个间距哪一个较大，则中间课桌坐标位置向间距大的那一个课桌移动，移动位移为两者之间间距的一半。 （3）、根据人为估计后的课桌区域情况，重新矫正课桌前后排间距； （4）、根据每一列的特征，矫正课桌前后走势，即斜率问题； 3、修正模板的建立，大体思路： 因为目前的模板外型是长方形，且不具备旋转特性，如图所示。 所以将考虑对模板进行边缘检测，提取轮廓内的部分作为新的模板，期望能提高检测效果。同时，为了避免模板的旋转特性，考虑制作模板时，选择模板的中心位置作为新的模板，其效果如下图。 选择模板的中心位置作为新模板的检测结果 面积较大的模板检测结果 结论：模板制作也会影响检测效果。