[go: up one dir, main page]

TWI860161B - 影像分析方法及相關的監控設備 - Google Patents

影像分析方法及相關的監控設備 Download PDF

Info

Publication number
TWI860161B
TWI860161B TW112143646A TW112143646A TWI860161B TW I860161 B TWI860161 B TW I860161B TW 112143646 A TW112143646 A TW 112143646A TW 112143646 A TW112143646 A TW 112143646A TW I860161 B TWI860161 B TW I860161B
Authority
TW
Taiwan
Prior art keywords
image
feature block
image frame
image analysis
frame
Prior art date
Application number
TW112143646A
Other languages
English (en)
Other versions
TW202520207A (zh
Inventor
黃兆談
Original Assignee
晶睿通訊股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 晶睿通訊股份有限公司 filed Critical 晶睿通訊股份有限公司
Priority to TW112143646A priority Critical patent/TWI860161B/zh
Application granted granted Critical
Publication of TWI860161B publication Critical patent/TWI860161B/zh
Priority to US18/943,970 priority patent/US20250157002A1/en
Publication of TW202520207A publication Critical patent/TW202520207A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本發明揭露一種應用於具有一影像取得裝置及一運算處理裝置的一監控設備之影像分析方法，其包含運算處理裝置利用影像取得裝置取得複數個影像框，複數個影像框包含一第一影像框及一第二影像框，第一影像框內之一第一特徵區塊之清晰度不同於第二影像框內之一第一特徵區塊之清晰度；以及當運算處理裝置判斷第一影像框內之第一特徵區塊符合一預設條件時，利用第一影像框內之第一特徵區塊及第二影像框內之第一特徵區塊以作為一影像分析模型之訓練樣本。此外，本發明另揭露一種相關的監控設備。

Description

影像分析方法及相關的監控設備
本發明係關於一種影像分析方法及相關的監控設備，尤指一種能夠提升低清晰度影像的清晰度或辨識準確度之影像分析方法及相關的監控設備。
現有的監控設備(例如監控攝影機)受限於硬體能力，在拍攝距離過遠、光源不足或拍攝物移動速度過快的情況下要取得可供人眼判讀或電腦辨識的清晰影像是十分困難的，因此如何提供一種可在對低清晰度影像的內容進行影像辨識時，得到準確的影像辨識結果之影像分析方法及相關的監控設備，已成為現有監控產業的重點發展目標。
本發明之目的便在於提供一種能夠提升低清晰度影像的清晰度或辨識準確度之影像分析方法及相關的監控設備，以解決上述問題。
為實現上述目的，本發明揭露一種影像分析方法，其應用於具有一影像取得裝置及一運算處理裝置的一監控設備，影像分析方法包含運算處理裝置利用影像取得裝置取得複數個影像框，複數個影像框包含一第一影像框及至 少一第二影像框，每一影像框具有一第一特徵區塊，其中第一影像框內之第一特徵區塊之清晰度不同於至少一第二影像框內之第一特徵區塊之清晰度；以及當運算處理裝置判斷第一影像框內之第一特徵區塊符合一預設條件時，利用第一影像框內之第一特徵區塊及至少一第二影像框內之第一特徵區塊以作為一影像分析模型之訓練樣本。
此外，為實現上述目的，本發明另揭露一種監控設備，其包含有一影像取得裝置以及一運算處理裝置，運算處理裝置係電連接於影像取得裝置且用以執行上述影像分析方法。
綜上所述，於本發明中，運算處理裝置可利用影像取得裝置分別取得具有第一特徵區塊之第一影像框和第二影像框，且於判斷第一影像框內之第一特徵區塊符合預設條件時，利用第一影像框內之第一特徵區塊及第二影像框內之第一特徵區塊以作為影像分析模型之訓練樣本，藉以能夠在對低清晰度影像的內容進行影像辨識時，得到準確的影像辨識結果，和/或改善影像的清晰度。
10:監控設備
11:影像取得裝置
12:運算處理裝置
B1,B1’:第一特徵區塊
B2:第二特徵區塊
F1:第一影像框
F2:第二影像框
F3:第三影像框
S1,S2,S3:步驟
第1圖為本發明第一實施例之監控設備之功能方塊圖。
第2圖為本發明第一實施例之影像分析方法之流程圖。
第3圖為本發明第一實施例之監控設備所取得之第一影像框之示意圖。
第4圖為本發明第一實施例之監控設備所取得之第二影像框之示意圖。
第5圖為本發明第一實施例之監控設備所取得之第三影像框之示意圖。
第6圖為本發明第二實施例之監控設備所取得之第一影像框及第二影像框 之示意圖。
第7圖為本發明第三實施例之監控設備所取得之第一影像框之示意圖。
第8圖為本發明第三實施例之監控設備所取得之第二影像框之示意圖。
第9圖為本發明第四實施例之監控設備所取得之第一影像框之示意圖。
第10圖為本發明第四實施例之監控設備所取得之第二影像框之示意圖。
請參閱第1圖至第5圖，第1圖為本發明第一實施例之一監控設備10之功能方塊圖，第2圖為本發明第一實施例之影像分析方法之流程圖，第3圖為本發明第一實施例之監控設備10所取得之一第一影像框F1之示意圖，第4圖為本發明第一實施例之監控設備10所取得之一第二影像框F2之示意圖，第5圖為本發明第一實施例之監控設備10所取得之一第三影像框F3之示意圖。如第1圖所示，監控設備10包含有一影像取得裝置11以及一運算處理裝置12，運算處理裝置12係電連接於影像取得裝置11。具體地，舉例來說，監控設備10可為監控攝影機，影像取得裝置11可為具有鏡頭及光感測元件等元件的攝影裝置，運算處理裝置12可以軟體、韌體、硬體或其組合之方式實施，舉例來說，運算處理裝置12可為中央處理單元、應用處理器或微處理器，或通過特定應用積體電路實現。然本發明並不侷限於此，監控設備10也可以是網路錄影主機或雲端伺服器等本身不具有影像擷取功能的設備，而影像取得裝置11可例如為訊號收發器(transceiver)，使監控設備10能利用影像取得裝置11取得外部影像擷取設備(圖中未示)生成之影像串流(stream)，再進行所需的影像處理其中，影像串流可為單一筆影像串流，或複數筆影像串流。
此外，運算處理裝置12還可用以執行如第2圖所示之影像分析方法， 其包含有以下步驟：步驟S1：運算處理裝置12利用影像取得裝置11取得複數個影像框，其中複數個影像框包含第一影像框F1及第二影像框F2；步驟S2：運算處理裝置12於判斷第一影像框F1內之一第一特徵區塊B1符合預設條件時，利用第一影像框F1內之第一特徵區塊B1及第二影像框F2內之一第一特徵區塊B1’以作為影像分析模型之訓練樣本；以及步驟S3：運算處理裝置12利用影像取得裝置11取得具有一第二特徵區塊B2之第三影像框F3，並且利用影像分析模型分析第二特徵區塊B2以產生影像分析模型預估結果。
以下針對上述步驟進行說明，在步驟S1中，運算處理裝置12可利用影像取得裝置11取得複數個影像框，其中每一影像框具有彼此對應的特徵區塊，且不同影像框之特徵區塊之清晰度可不相同。舉例來說，運算處理裝置12可利用影像取得裝置11於不同時間點對同一物件(例如車輛或人)進行拍攝以取得兩個影像框。若影像取得裝置11為單一攝影裝置或接收單一外部影像擷取設備之影像訊號之訊號收發器，則運算處理裝置12所取得之影像框具有相同的解析度(resolution)；若影像取得裝置11為接收不同外部影像擷取設備之訊號收發器，則運算處理裝置12所取得之影像框可具有不同的解析度。每一影像框包含有對應同一物件特徵(例如車輛之車牌，人之身體特徵(如人臉)，或人身上的衣物)之第一特徵區塊。具有較高清晰度之第一特徵區塊B1的影像框可定義為第一影像框F1。具有較低清晰度之第一特徵區塊B1’之影像框可定義為第二影像框F2。即第一影像框F1之第一特徵區塊B1之清晰度大於第二影像框F2之第一特徵區塊B1’之清晰度。
以下僅以物件為車輛，物件特徵為車輛之車牌(如第3圖與第4圖所示)為例進行說明。具有較低清晰度之第一特徵區塊B1’中的文字與背景之間無明顯界線(例如文字”123-456”的邊緣有一定程度的毛邊和/或疊影)，而具有較高清晰度之第一特徵區塊B1的文字與背景之間有較明顯界線。
較佳地，以第3圖與第4圖為例，第一影像框F1可為對應物件較靠近監控設備10時的影像框，第二影像框F2可為對應物件較遠離監控設備10時的影像框。可理解地，物件離監控設備10的距離越近，影像的清晰度不一定越高。在另一實施例中，在環境光源或物件移動速度的影響下，若是對應物件較遠離監控設備10時的影像框具有較高清晰度之第一特徵區塊，第一影像框F1可為對應物件較遠時的影像框。此外，在另一實施例中，運算處理裝置12也可利用影像取得裝置11在一段時間內以特定頻率對同一物件進行拍攝以取得三個或三個以上之影像框，其中具有較高清晰度之第一特徵區塊B1的影像框可定義為第一影像框F1，其餘影像框可定義為第二影像框F2。
在步驟S2中，在運算處理裝置12利用影像取得裝置11取得複數個影像框之後，運算處理裝置12可判斷第一影像框F1內之第一特徵區塊B1是否符合預設條件，當運算處理裝置12判斷第一影像框F1內之第一特徵區塊B1符合預設條件時，則利用第一影像框F1內之第一特徵區塊B1及第二影像框F2內之第一特徵區塊B1’以作為影像分析模型之訓練樣本。較佳地，運算處理裝置12可在判斷第一影像框F1內之第一特徵區塊B1之清晰度大於一預定門檻值時，利用第一影像框F1內之第一特徵區塊B1及第二影像框F2內之第一特徵區塊B1’以作為影像分析模型之訓練樣本，即預設條件可為第一影像框F1內之第一特徵區塊B1之清晰度大於該預定門檻值。反之，當運算處理裝置12判斷第一影像框F1內之第一 特徵區塊B1之清晰度，與第二影像框F2內之第一特徵區塊B1’皆小或等於該預定門檻值時，則放棄以第一影像框F1之第一特徵區塊B1與第二影像框F2之第一特徵區塊B1’作為影像分析模型之訓練樣本。具體地，影像分析模型可例如為神經網路模型，然本發明並不侷限於此。
接著，在步驟S3中，在影像分析模型訓練完成之後，運算處理裝置12便可利用影像取得裝置11取得如第5圖所示之具有第二特徵區塊B2之第三影像框F3，運算處理裝置12則可利用訓練完成之影像分析模型分析第二特徵區塊B2以產生影像分析模型預估結果。舉例來說，運算處理裝置12可利用影像取得裝置11對另一物件(另一車輛)進行拍攝以取得具有對應另一物件特徵(另一車輛之車牌)之第二特徵區塊B2之第三影像框F3，並加以分析而產生影像分析模型預估結果。
值得注意的是，若第一影像框F1、第二影像框F2與第三影像框F3皆係利用同一影像取得裝置11或同一外部影像擷取設備(圖中未示)來取得，則第一影像框F1、第二影像框F2與第三影像框F3具有相同解析度。可理解地，影像分析模型預估結果可為文字識別結果、數字識別結果、符號識別結果(如元資料metadata之形式而不需顯示在第三影像框F3)，或為依據第二特徵區塊B2所生成的第三特徵區塊(圖中未示)。其中，第三特徵區塊之清晰度大於第二特徵區塊B2之清晰度。舉例來說，具有第二特徵區塊B2中的文字與背景之間無明顯界線(例如文字”654-321”的邊緣有一定程度的毛邊和/或疊影)，而第三特徵區塊中的文字與背景之間有較明顯界線。影像分析模型預估結果(如高清晰度影像之第三特徵區塊、文字/數字/符號識別結果)可以取代第二特徵區塊B2的資訊，以供影像顯示且/或供影像分析。藉此，本實施例有效改善第三影像框F3內 第二特徵區塊B2的清晰度，或提升影像分析之辨識準確度。
再者，可理解地，於另一實施例中，在生成具有較高清晰度影像之第三特徵區塊後，可以選擇性的將上述第三特徵區塊融合(fusion)至第三影像框F3中第二特徵區塊B2的對應位置上，供使用者觀看或做後續應用。此外，運算處理裝置12更可根據第二特徵區塊B2的影像資訊(例如但不限於：拍攝角度資訊、影像尺寸資訊、影像變形資訊和/或影像色彩資訊)，先對具有較高清晰度之第三特徵區塊進行對應的影像處理後，再將其融合至第三影像框F3內第二特徵區塊B2的對應位置上，藉此讓兩者適配銜接達成接合處理的優化。
值得注意的是，本發明之訓練樣本的準備並不侷限於上述實施例，以下列舉數個實施例並配合附圖作進一步說明。
請參閱第6圖，第6圖為本發明第二實施例之監控設備12所取得之第一影像框F1及第二影像框F2之示意圖。第6圖包含第一影像框F1及其內第一特徵區塊B1、第二影像框F2及其內第一特徵區塊B1’。如第6圖所示，在此實施例中，為節省產生影像分析模型預估結果的時間並提升準確率，運算處理裝置12可先根據第二影像框F2之第一特徵區塊B1’之影像資訊對第一影像框F1內之第一特徵區塊B1進行影像處理，再利用經例如變形校正、仿射轉換和/或透射轉換等影像處理之第一影像框F1內之第一特徵區塊B1及第二影像框F2內之第一特徵區塊B1’以作為影像分析模型之訓練樣本。
較佳地，第二影像框F2內之第一特徵區塊B1’之影像資訊可為第二影像框F2內之第一特徵區塊B1’的拍攝角度資訊、影像尺寸資訊和/或影像變形資 訊，其中拍攝角度資訊可包含有旋轉方向角度、俯仰方向角度和/或橫滾方向角度之相關資訊。
此外，前述影像處理可包含根據第二影像框F2內之第一特徵區塊B1’的拍攝角度資訊、影像尺寸資訊和/或影像變形資訊，對第一影像框F1內之第一特徵區塊B1進行變形校正、仿射轉換和/或透射轉換以使第一特徵區塊B1能對位於第二影像框F2內之第一特徵區塊B1’。最終將對後位的第一特徵區塊B1與第一特徵區塊B1’作為影像分析模型之訓練樣本。
關於讓第一特徵區塊B1對位於第一特徵區塊B1’，進一步說明如下。運算處理裝置12依鏡片/攝影機內在要素(lens/camera intrinsics)及第一特徵區塊B1的座標所影響的影像變形量(例如魚眼鏡片/攝影機fisheye lens/camera所輸出影像的邊緣，具有較大的影像變形量)，決定是否對第一特徵區塊B1及第一特徵區塊B1’進行變形校正。接著，無論第一特徵區塊B1變形校正與否，運算處理裝置12對第一特徵區塊B1(為變形校正後或未變形校正之第一特徵區塊B1)進行仿射轉換和/或透射轉換，以產生第一影像轉換資訊。其中，上述仿射轉換和/或透射轉換可依據特徵偵測及匹配(feature detection/matching)或尋找消失點(vanish point finding)產生一轉換公式(affine or perspective or mixed transform matrix)。
接著，運算處理裝置12依據第一影像轉換資訊與第一特徵區塊B1’之間的尺寸差異，等比例調整第一影像轉換資訊的尺寸，以產生第二影像轉換資訊，且在第二影像轉換資訊完整保留第一影像轉換資訊中每一像素(pixel)的顏色資訊。例如，第二影像轉換資訊的尺寸(300*200)調降為第一影像轉換 資訊的一半尺寸(600*400)，則第一影像轉換資訊中每一像素(pixel)的位置座標依照上述尺寸差異(一半)，等比例調整，故而第一影像轉換資訊部份像素的位置座標，所對應產生第二影像轉換資訊的位置座標可能出現非整數。
而後，運算處理裝置12依據第一特徵區塊B1’在第二影像框F2內的座標位置，對第二影像轉換資訊進行座標轉換(mapping or translation)。隨後，運算處理裝置12依據原始第一特徵區塊B1’(即未變形校正的第一特徵區塊B1’)的座標位置，及鏡片/攝影機內在要素(lens/camera intrinsics)，決定是否對第二影像轉換資訊進行變形調整(re-distort)，以產生第三影像轉換資訊。接著，為符合一預設尺寸，調整第三影像轉換資訊(可為變形調整後或未變形調整之第三影像轉換資訊)的尺寸。所述的預設尺寸可依據影像分析模型之訓練樣本所需尺寸。最後，將調整尺寸後的第三影像轉換資訊與第一特徵區塊B1’一併作為影像分析模型之訓練樣本。
特別說明，關於上述座標轉換、變形調整及尺寸調整之步驟，可依使用需求自行調整順序。另外，依鏡片/攝影機內在要素(lens/camera intrinsics)及第一特徵區塊B1座標所影響的影像變形量，使用者可自行選擇是否執行上述變形校正與變形調整之步驟。
其中經變形校正、仿射轉換和/或透射轉換之第一影像框F1內之第一特徵區塊B1與第二影像框F2內之第一特徵區塊B1’具有相同解析度，亦可為不同解析度。利用此方式準備影像分析模型之訓練樣本能夠使影像分析模型習得影像取得裝置11的鏡頭和/或光感測元件的特性，以大幅縮短產生影像分析模型預估結果的時間且避免影像分析模型預估結果失真。
此外，請參閱第7圖與第8圖，第7圖為本發明第三實施例之監控設備12所取得之第一影像框F1之示意圖，第8圖為本發明第三實施例之監控設備12所取得之第二影像框F2之示意圖。如第7圖與第8圖所示，在此實施例中，第一影像框F1與第二影像框F2可分別為同一車輛的後車牌影像框和前車牌影像框，若後車牌影像框之第一特徵區塊B1(即後車牌特徵區塊)之清晰度大於前車牌影像框之第一特徵區塊B1’(即前車牌特徵區塊)並符合預定門檻值，則運算處理裝置12可利用第一影像框F1之第一特徵區塊B1(即後車牌影像框之後車牌特徵區塊)及第二影像框F2之第一特徵區塊B1’(即前車牌影像框之前車牌特徵區塊)以作為影像分析模型之訓練樣本。
再者，請參閱第9圖與第10圖，第9圖為本發明第四實施例之監控設備12所取得之第一影像框F1之示意圖，第10圖為本發明第四實施例之監控設備12所取得之第二影像框F2之示意圖。如第9圖與第10圖所示，在此實施例中，第一影像框F1可分別包含有對應複數個物件之複數個第一特徵區塊B1，第二影像框F2可分別包含有對應複數個物件之複數個第一特徵區塊B1’，其中雖然第一影像框F1之複數個第一特徵區塊B1中位於左側之第一特徵區塊B1之清晰度不符合預定門檻值，但第一影像框F1之複數個第一特徵區塊B1中位於右側之第一特徵區塊B1之清晰度符合預定門檻值且大於第二影像框之複數個第一特徵區塊B1’中與其對應(位於右側)之第一特徵區塊B1’之清晰度，故運算處理裝置12可利用第一影像框F1之位於右側之第一特徵區塊B1與第二影像框F2之位於右側之第一特徵區塊B1’以作為影像分析模型之訓練樣本。
相較於先前技術，於本發明中，運算處理裝置可利用影像取得裝置 分別取得具有第一特徵區塊之第一影像框和第二影像框，且於判斷第一影像框內之第一特徵區塊符合預設條件時，利用第一影像框內之第一特徵區塊及第二影像框內之第一特徵區塊以作為影像分析模型之訓練樣本，此外，運算處理裝置能夠在取得具有第二特徵區塊之第三影像框時，利用影像分析模型分析第二特徵區塊以產生影像分析模型預估結果，例如生成清晰度較高的第三特徵區塊供電腦辨識或人眼判讀，或產生對應的文字、符號或數字識別結果，因此本發明有效改善影像的清晰度，且/或提升辨識準確度。
以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。
S1,S2,S3:步驟

Claims (10)

  1. 一種影像分析方法，應用於具有一影像取得裝置及一運算處理裝置的一監控設備，該影像分析方法包含：該運算處理裝置利用該影像取得裝置取得相異的複數個影像框，相異的該複數個影像框為不同時間點對同一物件進行拍攝所取得，或為運用不同的複數個外部影像擷取設備對同一物件進行拍攝所取得，該複數個影像框包含一第一影像框及至少一第二影像框，每一該影像框具有一第一特徵區塊，其中該第一影像框內之該第一特徵區塊之清晰度不同於該至少一第二影像框內之該第一特徵區塊之清晰度；以及當該運算處理裝置判斷該第一影像框內之該第一特徵區塊符合一預設條件時，利用該第一影像框內之該第一特徵區塊及該至少一第二影像框內之該第一特徵區塊以作為一影像分析模型之訓練樣本，其中當該運算處理裝置判斷該第一影像框內之該第一特徵區塊符合該預設條件時，利用該第一影像框內之該第一特徵區塊及該至少一第二影像框內之該第一特徵區塊以作為該影像分析模型之訓練樣本包含有：該運算處理裝置根據該至少一第二影像框內之該第一特徵區塊的至少一影像資訊對該第一影像框內之該第一特徵區塊進行影像處理，其中該至少一第二影像框內之該第一特徵區塊的該至少一影像資訊包含有該至少一第二影像框內之該第一特徵區塊的一拍攝角度資訊、一影像尺寸資訊和/或一影像變形資訊；以及該運算處理裝置利用經影像處理之該第一影像框內之該第一特徵區塊及該至少一第二影像框內之該第一特徵區塊以作為該影像分析模型之訓練樣本。
  2. 如請求項1所述之影像分析方法，其中該第一影像框與該至少一第二影像框取自於同一物件。
  3. 如請求項1所述之影像分析方法，其中該預設條件為該第一影像框內之該第一特徵區塊之清晰度大於一預定門檻值。
  4. 如請求項1所述之影像分析方法，其中該第一影像框內之該第一特徵區塊之清晰度係大於該至少一第二影像框內之該第一特徵區塊之清晰度。
  5. 如請求項1所述之影像分析方法，其另包含有：該運算處理裝置利用該影像取得裝置取得具有一第二特徵區塊之一第三影像框，並且利用該影像分析模型分析該第二特徵區塊以產生一影像分析模型預估結果。
  6. 如請求項5所述之影像分析方法，其中該影像分析模型預估結果為一文字識別結果、一數字識別結果或一符號識別結果。
  7. 如請求項5所述之影像分析方法，其中該影像分析模型預估結果為依據該第二特徵區塊生成一第三特徵區塊，且該第三特徵區塊之清晰度大於該第二特徵區塊之清晰度。
  8. 如請求項5所述之影像分析方法，其中該第一影像框、該至少一第二影像框與該第三影像框具有相同解析度。
  9. 如請求項1所述之影像分析方法，另包含有：該運算處理裝置依據該第一影像框內之該第一特徵區塊與該第二影像框內之該第一特徵區塊之間的尺寸差異，等比例調整該第一影像框內之該第一特徵區塊的尺寸，並且將尺寸調整後之該第一影像框內之該第一特徵區塊及該至少一第二影像框內之該第一特徵區塊作為該影像分析模型之訓練樣本。
  10. 一種監控設備，其包含有：一影像取得裝置；以及一運算處理裝置，其係電連接於該影像取得裝置，用以執行如請求項1至請求項9中任一項所述之影像分析方法。
TW112143646A 2023-11-13 2023-11-13 影像分析方法及相關的監控設備 TWI860161B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW112143646A TWI860161B (zh) 2023-11-13 2023-11-13 影像分析方法及相關的監控設備
US18/943,970 US20250157002A1 (en) 2023-11-13 2024-11-12 Image analysis method and related surveillance apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW112143646A TWI860161B (zh) 2023-11-13 2023-11-13 影像分析方法及相關的監控設備

Publications (2)

Publication Number Publication Date
TWI860161B true TWI860161B (zh) 2024-10-21
TW202520207A TW202520207A (zh) 2025-05-16

Family

ID=94084193

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112143646A TWI860161B (zh) 2023-11-13 2023-11-13 影像分析方法及相關的監控設備

Country Status (2)

Country Link
US (1) US20250157002A1 (zh)
TW (1) TWI860161B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI496109B (zh) * 2013-07-12 2015-08-11 Vivotek Inc 影像處理器及其影像合成方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI496109B (zh) * 2013-07-12 2015-08-11 Vivotek Inc 影像處理器及其影像合成方法

Also Published As

Publication number Publication date
US20250157002A1 (en) 2025-05-15
TW202520207A (zh) 2025-05-16

Similar Documents

Publication Publication Date Title
US11538175B2 (en) Method and apparatus for detecting subject, electronic device, and computer readable storage medium
WO2020253618A1 (zh) 一种视频抖动的检测方法及装置
JP6688277B2 (ja) プログラム、学習処理方法、学習モデル、データ構造、学習装置、および物体認識装置
WO2019137038A1 (zh) 注视点确定方法、对比度调节方法及对比度调节装置、虚拟现实设备及存储介质
CN111091590A (zh) 图像处理方法、装置、存储介质及电子设备
WO2020038087A1 (zh) 超级夜景模式下的拍摄控制方法、装置和电子设备
CN111368717A (zh) 视线确定方法、装置、电子设备和计算机可读存储介质
WO2023169281A1 (zh) 图像配准方法、装置、存储介质及电子设备
CN108564057B (zh) 一种基于opencv的人物相似度系统的建立方法
CN111325051A (zh) 一种基于人脸图像roi选取的人脸识别方法及装置
WO2019015477A1 (zh) 图像矫正方法、计算机可读存储介质和计算机设备
CN108111760B (zh) 一种电子稳像方法及系统
WO2018076172A1 (zh) 一种图像显示方法及终端
CN112085002A (zh) 人像分割方法、装置、存储介质及电子设备
TWI860161B (zh) 影像分析方法及相關的監控設備
CN115587956A (zh) 图像处理方法及装置、计算机可读存储介质、终端
CN112911262A (zh) 一种视频序列的处理方法及电子设备
CN112949423A (zh) 物体识别方法、物体识别装置及机器人
US20080199073A1 (en) Red eye detection in digital images
KR101936168B1 (ko) 평면 좌표계 영상데이터와 구면 좌표계 영상데이터를 이용한 영상처리 장치 및 방법
CN116664667A (zh) 一种基于鱼眼相机的车辆朝向角获取方法及相关设备
CN117910040A (zh) 人脸脱敏方法、存储介质、电子设备以及车辆
CN117994542A (zh) 异物检测方法、装置以及系统
CN117474961A (zh) 减少深度估计模型误差的方法、装置、设备及存储介质
CN115908961A (zh) 图像场景分类方法、装置、计算机设备及存储介质