專利名稱：基于視覺仿生的運(yùn)動(dòng)目標(biāo)檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于基于視覺仿生的運(yùn)動(dòng)目標(biāo)檢測技術(shù)領(lǐng)域，是光電成像搜索與跟蹤系統(tǒng)、精確制導(dǎo)系統(tǒng)、目標(biāo)監(jiān)視系統(tǒng)、衛(wèi)星遙感系統(tǒng)、安全檢查系統(tǒng)等的一項(xiàng)核心技術(shù)，在各類軍、民用系統(tǒng)中均可有廣泛的應(yīng)用。

背景技術(shù)：
如何解決復(fù)雜背景下運(yùn)動(dòng)目標(biāo)的識(shí)別與穩(wěn)定提取對光電探測系統(tǒng)的性能有著直接的至關(guān)重要的影響。目前對復(fù)雜背景下的目標(biāo)檢測與跟蹤主要采用了基于運(yùn)動(dòng)分析和基于特征匹配的方法。由于目標(biāo)運(yùn)動(dòng)的復(fù)雜性和不確定性，使得基于運(yùn)動(dòng)分析的方法在計(jì)算量和檢測跟蹤可靠性上的矛盾難以協(xié)調(diào)，而基于特征匹配的方法一般都是基于目標(biāo)的某些局部特征，這些特征在實(shí)際中可能往往會(huì)因各種原因被干擾或弱化，從而使得目標(biāo)檢測與跟蹤性能受到極大限制，甚至導(dǎo)致系統(tǒng)完全無法正常工作。因此，如何有效地提取、識(shí)別與跟蹤混雜在各種復(fù)雜背景中的運(yùn)動(dòng)目標(biāo)一直是光電探測跟蹤系統(tǒng)面臨的最大難點(diǎn)和急需解決的關(guān)鍵核心技術(shù)之一，尤其需要尋求新的思路才能取得突破。
動(dòng)物能從各種復(fù)雜背景中快速、準(zhǔn)確地捕獲、跟蹤目標(biāo)，而無論目標(biāo)運(yùn)動(dòng)的速度是慢是快，運(yùn)動(dòng)物體自身的形狀是簡單還是復(fù)雜，這些都沒有給動(dòng)物視覺感知造成太大的困難。光學(xué)成像目標(biāo)探測跟蹤系統(tǒng)與動(dòng)物搜索與跟蹤感興趣目標(biāo)的過程和要求十分相似，主要體現(xiàn)在以下三個(gè)層面轉(zhuǎn)動(dòng)攝像機(jī)在景物空間中搜索感興趣的視野，這與動(dòng)物移動(dòng)身體及頭部搜索感興趣視野是一致的；在確定的視野范圍里，搜索顯著的可疑位置，這與視覺系統(tǒng)的where通路吻合；對可疑區(qū)域做精細(xì)的模式匹配與識(shí)別，模擬瞳孔的聚焦作用，也與視覺系統(tǒng)的what通路一致。因此，對動(dòng)物視覺感知系統(tǒng)及其計(jì)算模型的研究可為光電成像探測跟蹤系統(tǒng)在復(fù)雜場景下的目標(biāo)識(shí)別與跟蹤提供良好的模型基礎(chǔ)。
神經(jīng)生理學(xué)和神經(jīng)解剖學(xué)對視覺感知系統(tǒng)進(jìn)行了深入系統(tǒng)地研究。目前，視覺感知系統(tǒng)對外界信息認(rèn)知過程已基本清楚，是一個(gè)具有where和what兩條通路的、且既有信息橫向流動(dòng)，又有縱向信息流動(dòng)的極為復(fù)雜的動(dòng)力過程。選擇注意在其中扮演了重要角色。神經(jīng)生理學(xué)和心理學(xué)實(shí)驗(yàn)表明，選擇注意并不是單一腦區(qū)的行為，它與上丘、后頂葉、丘腦后結(jié)節(jié)等腦區(qū)的活動(dòng)有關(guān)，并出現(xiàn)在信息處理的各個(gè)層次上，即涉及從單個(gè)神經(jīng)元到整個(gè)網(wǎng)絡(luò)的各個(gè)層次，“注意無所不在”。選擇注意機(jī)制是視覺感知信息處理系統(tǒng)的一種主動(dòng)策略，具有選擇性、競爭性和定向性等特點(diǎn)，它與學(xué)習(xí)、記憶模塊等協(xié)同工作，完成將注意目標(biāo)從背景中分離、注意焦點(diǎn)在多個(gè)目標(biāo)間轉(zhuǎn)移，注意目標(biāo)與記憶中的模式匹配等任務(wù)。
在視覺系統(tǒng)的神經(jīng)生理結(jié)構(gòu)和功能研究取得進(jìn)展的同時(shí)，視覺感知計(jì)算模型研究也取得了發(fā)展，其中以選擇注意模型研究最為活躍。根據(jù)其驅(qū)動(dòng)性質(zhì)不同，選擇注意模型主要分為數(shù)據(jù)驅(qū)動(dòng)的注意模型和任務(wù)驅(qū)動(dòng)的注意模型兩種。兩者爭論的焦點(diǎn)在于選擇注意系統(tǒng)是與數(shù)據(jù)信息處理系統(tǒng)分離的(即是否存在單獨(dú)的注意皮層或區(qū)域)，還是兩者緊密結(jié)合。數(shù)據(jù)驅(qū)動(dòng)的注意模型目前已經(jīng)發(fā)展得較為完善，框架也相對固定，只是按照具體任務(wù)的不同，在初級特征提取階段選擇不同的特征，并采取不同的焦點(diǎn)轉(zhuǎn)移方式。很顯然，這種數(shù)據(jù)驅(qū)動(dòng)的注意模型與選擇注意的神經(jīng)生理結(jié)構(gòu)和心理學(xué)實(shí)驗(yàn)結(jié)果不盡相符，在實(shí)際應(yīng)用中效果并不十分明顯。較數(shù)據(jù)驅(qū)動(dòng)的選擇注意模型研究而言，對任務(wù)驅(qū)動(dòng)的注意選擇模型的研究相對較少，目前的大多數(shù)工作限于生物實(shí)驗(yàn)取證和理論研究，目前尚缺乏統(tǒng)一的框架。相關(guān)數(shù)據(jù)表明，這些視覺仿生模型的嘗試和應(yīng)用取得了一定的效果，但它們的最大特點(diǎn)仍是以數(shù)據(jù)驅(qū)動(dòng)的選擇注意模型為基礎(chǔ)，缺乏選擇注意與學(xué)習(xí)、記憶等模塊的競爭、整合和調(diào)控機(jī)制，普遍性和穩(wěn)健性還存在不足。


發(fā)明內(nèi)容
本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種基于視覺仿生的運(yùn)動(dòng)目標(biāo)檢測方法，與成像硬件系統(tǒng)配套進(jìn)行信號(hào)分析與處理，提高成像跟蹤系統(tǒng)對運(yùn)動(dòng)目標(biāo)的檢測和識(shí)別性能，滿足識(shí)別與跟蹤復(fù)雜背景下動(dòng)目標(biāo)的需要。
為實(shí)現(xiàn)這一目的，本發(fā)明的技術(shù)方案從人眼視覺系統(tǒng)生理結(jié)構(gòu)出發(fā)，以序列圖像中運(yùn)動(dòng)目標(biāo)和背景之間的空時(shí)顯著性差異特征為切入點(diǎn)。本發(fā)明采用以下技術(shù)方案 一種基于視覺仿生的運(yùn)動(dòng)目標(biāo)檢測方法，其特征在于，所述檢測方法包括如下步驟 1)采用DOG函數(shù)描述人眼視網(wǎng)膜和側(cè)膝體上同心圓形感受野，提取圖像的f(r)空間頻率特征I(r)，并且感受野的興奮帶寬σex和抑制帶寬σinh由像素梯度的最大值和最小值自適應(yīng)選擇； 2)已提取的圖像空間特征歸一化后，采用局部迭代法形成了空間顯著圖Ss(r)，迭代的次數(shù)以空間顯著圖大多數(shù)位置的特征值收斂接近于零為原則，其中，Ss(r)的初始值為圖像空間特征I(r)，即Ss(r)＝I(r)； 3)確定相鄰兩幀空間顯著圖中各空間顯著區(qū)域的全局運(yùn)動(dòng)

和各顯著區(qū)的局部運(yùn)動(dòng)

以及各顯著區(qū)的相對運(yùn)動(dòng)后，形成運(yùn)動(dòng)顯著圖St(r)； 4)離線提取典型目標(biāo)的輪廓、長寬比和旋轉(zhuǎn)尺度平移不變矩等特征，形成目標(biāo)不變特征的數(shù)據(jù)庫，簡稱目標(biāo)不變特征庫。在目標(biāo)不變特征庫的控制下，空間顯著圖Ss(r)和運(yùn)動(dòng)顯著圖St(r)相互競爭、協(xié)調(diào)融合形成空時(shí)顯著圖S(r)； 5)對多幀空時(shí)顯著圖的各顯著區(qū)域，提取該區(qū)域內(nèi)物體包括景物、目標(biāo)的形狀特征、亮度和不變矩，以及相對運(yùn)動(dòng)速度，并對目標(biāo)諸不變特征進(jìn)行序貫假設(shè)驗(yàn)證，識(shí)別出運(yùn)動(dòng)目標(biāo)。
本發(fā)明提高了成像跟蹤系統(tǒng)對運(yùn)動(dòng)目標(biāo)的檢測和識(shí)別性能，滿足識(shí)別與跟蹤復(fù)雜背景下動(dòng)目標(biāo)的需要，提高了算法的實(shí)用性和穩(wěn)健性，可廣泛應(yīng)用于各類軍、民用系統(tǒng)，具有廣闊的市場前景和應(yīng)用價(jià)值.


圖1為本發(fā)明采用基于視覺仿生的動(dòng)目標(biāo)檢測方法對復(fù)雜背景下運(yùn)動(dòng)目標(biāo)檢測與識(shí)別的流程圖；圖2用DOG函數(shù)描繪的視網(wǎng)膜神經(jīng)節(jié)細(xì)胞感受野。圖2(a)為on-中心型感受野。圖2(b)為off-中心型感受野； 圖3為連續(xù)的兩幀原始圖像，其中包括飛機(jī)目標(biāo)，以及樹木、山坡，草地等自然背景及噪聲； 圖4為空間顯著圖，以灰度亮弱不同表示區(qū)域的顯著性差異，即區(qū)域顯著性越強(qiáng)則越亮； 圖5為在連續(xù)兩幀圖像搜索到的可疑目標(biāo)，其中白色曲線指示可疑目標(biāo)所在區(qū)域； 圖6為運(yùn)動(dòng)顯著圖，以灰度亮弱不同表示區(qū)域的顯著性差異，即區(qū)域顯著性越強(qiáng)則越亮； 圖7為空時(shí)顯著圖，以灰度亮弱不同表示區(qū)域的顯著性差異，即區(qū)域顯著性越強(qiáng)則越亮； 圖8為目標(biāo)檢測結(jié)果。

具體實(shí)施例方式 為了更好地理解本發(fā)明的技術(shù)方案，下面結(jié)合附圖對本發(fā)明的實(shí)施方式作進(jìn)一步描述。
本發(fā)明基于視覺仿生的動(dòng)目標(biāo)檢測與識(shí)別方法的流程如圖1所示，首先采用DOG函數(shù)構(gòu)造的濾波器提取當(dāng)前時(shí)刻序列圖像的空間頻率特征；以此采用局部迭代法形成空間顯著圖。然后，對前后兩幀空間顯著圖的各顯著區(qū)進(jìn)行配對，提取出各顯著區(qū)的運(yùn)動(dòng)速度。再后，則在目標(biāo)不變特征庫的控制下，在各顯著區(qū)內(nèi)進(jìn)行空間特征和運(yùn)動(dòng)特征相互競爭、協(xié)調(diào)融合形成空時(shí)顯著圖。之后，則按勝者為王的注意焦點(diǎn)轉(zhuǎn)移策略，提取空時(shí)顯著區(qū)域內(nèi)目標(biāo)不變特征。最后，則采用證據(jù)理論對目標(biāo)不變特征進(jìn)行序貫假設(shè)驗(yàn)證，識(shí)別出可能的運(yùn)動(dòng)目標(biāo)。各部分具體實(shí)施細(xì)節(jié)如下 1.提取空間特征。
采用兩個(gè)高斯型函數(shù)的差(Difference of Gaussian，也稱為DOG函數(shù))描述視網(wǎng)膜和側(cè)膝體上同心圓形感受野，即感受野可以用極坐標(biāo)形式表示為 式中，r為感受野中一點(diǎn)到中心點(diǎn)的距離，σex和σinh是興奮和抑制帶寬，cex2和cinh2是興奮和抑制常數(shù)。當(dāng)且σex≤σinh時(shí)，上式對應(yīng)于on-中心型感受野，如圖2(a)所示；當(dāng)且σex＞σinh，該式則對應(yīng)于off-中心型感受野，如圖2(b)所示。本發(fā)明根據(jù)信號(hào)特點(diǎn)自適應(yīng)地選擇興奮σex和抑制帶寬σinh，即 σex＝a/(gn+1) σinh＝a/(gm+1) 式中，gn和gm是圖像該像素點(diǎn)梯度的最大值和最小值，a是一正實(shí)常數(shù)。
用DOG函數(shù)對輸入圖像進(jìn)行卷積，提取圖像空間特征I(r) I(r)＝f(r)*DOG(r) 式中，*表示卷積。
2.形成了空間顯著圖。
對已提取的圖像空間特征歸一化后，采用局部迭代法形成了空間顯著圖Ss(r)。
Ss(r)＝Ss(r)+Ss(r)*DOG-C 式中，設(shè)置C是為了引入偏置，使合并策略能夠抑制大致平衡的區(qū)域，如草地、森林、海洋等具有均勻紋理分布的自然景物。Ss(r)的初始值為圖像空間特征I(r)，即Ss(r)＝I(r)。迭代的次數(shù)以空間顯著圖大多數(shù)位置的特征值收斂接近于零為原則，即空間顯著圖Ss(r)中特征值為零的像素?cái)?shù)Zero(Ss(r))與其總像素?cái)?shù)Sum(Ss(r))的比例小于較小的正常數(shù)Cmin，圖4是對原圖像(圖3)計(jì)算后形成的空間顯著圖，以灰度亮弱不同表示區(qū)域的顯著性差異，即區(qū)域顯著性越強(qiáng)則越亮。圖5為依據(jù)空間顯著圖搜索到的可疑目標(biāo)，包括樹木，草地和飛機(jī)目標(biāo)，縮小了目標(biāo)搜索空間，可減少運(yùn)算量。
3.形成了運(yùn)動(dòng)顯著圖。
確定相鄰兩幀空間顯著圖中各顯著區(qū)域的全局運(yùn)動(dòng)

和局部運(yùn)動(dòng)

以及相對運(yùn)動(dòng)通常，自然景物的相對運(yùn)動(dòng)

接近于零，而動(dòng)態(tài)目標(biāo)的相對運(yùn)動(dòng)

較大。運(yùn)動(dòng)顯著圖St(r)定義為 其中，Γmedian是

的中間值。圖6為運(yùn)動(dòng)顯著圖，以灰度亮弱不同表示區(qū)域的顯著性差異，即區(qū)域顯著性越強(qiáng)則越亮。運(yùn)動(dòng)顯著圖可突出動(dòng)態(tài)目標(biāo)和抑制背景。
4.在目標(biāo)不變特征庫的控制下，空間特征Ss(r)和運(yùn)動(dòng)特征St(r)相互競爭、協(xié)調(diào)融合形成空時(shí)顯著圖S(r)。
S(r)＝α(r)St(r)+(1-α(r))Ss(r)+β(r)St(r)Ss(r) 其中參數(shù)α(r)、β(r)是受目標(biāo)不變特征庫調(diào)控的權(quán)重，α(r)，β(r)∈(0，1)，α(r)取決于相鄰幀中顯著區(qū)的差別，β(r)則由空間顯著圖和運(yùn)動(dòng)顯著圖之間的耦合強(qiáng)度確定。
圖7為空時(shí)顯著圖，以灰度亮弱不同表示區(qū)域的顯著性差異，即區(qū)域顯著性越強(qiáng)則越亮。
5.確認(rèn)運(yùn)動(dòng)目標(biāo)。
運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)特征和形狀特征具有一定的不變性和連續(xù)性。在多幀空時(shí)顯著圖的各顯著區(qū)域，提取該區(qū)域內(nèi)物體(包括景物、目標(biāo))的形狀特征、亮度和旋轉(zhuǎn)尺度平移不變矩，以及相對運(yùn)動(dòng)速度，并對目標(biāo)諸不變特征進(jìn)行序貫假設(shè)驗(yàn)證，識(shí)別出運(yùn)動(dòng)目標(biāo)。圖8為目標(biāo)檢測結(jié)果，相對運(yùn)動(dòng)的飛機(jī)被有效檢測出。
權(quán)利要求
1、一種基于視覺仿生的運(yùn)動(dòng)目標(biāo)檢測方法，其特征在于，所述檢測方法包括如下步驟
1)采用DOG函數(shù)描述人眼視網(wǎng)膜和側(cè)膝體上同心圓形感受野，提取圖像空間頻率特征I(r)，并且感受野的興奮帶寬σex和抑制帶寬σinh由像素梯度的最大值和最小值自適應(yīng)選擇；
2)對已提取的圖像空間頻率特征歸一化后，采用局部迭代法形成空間顯著圖Ss(r)，迭代的次數(shù)以空間顯著圖大多數(shù)位置的特征值收斂接近于零為原則，即空間顯著圖Ss(r)中特征值為零的像素?cái)?shù)Zero(Ss(r))與其總像素?cái)?shù)Sum(Ss(r))的比例小于較小的正常數(shù)Cmin，Ss(r)的初始值為圖像空間頻率特征I(r)，即Ss(r)＝I(r)；
3)確定相鄰兩幀空間顯著圖中各空間顯著區(qū)域的全局運(yùn)動(dòng)
和各顯著區(qū)的局部運(yùn)動(dòng)
以及各顯著區(qū)的相對運(yùn)動(dòng)后，形成運(yùn)動(dòng)顯著圖St(r)；
4)離線提取典型目標(biāo)的固定特征，該特征包括典型目標(biāo)的輪廓、長寬比和旋轉(zhuǎn)尺度平移不變矩，形成目標(biāo)不變特征的數(shù)據(jù)庫，簡稱目標(biāo)不變特征庫，在目標(biāo)不變特征庫的控制下，空間顯著圖Ss(r)和運(yùn)動(dòng)顯著圖St(r)相互競爭、協(xié)調(diào)融合形成空時(shí)顯著圖S(r)；
5)提取空時(shí)顯著圖的各顯著區(qū)域內(nèi)物體包括景物、目標(biāo)的形狀特征、亮度和不變矩，以及相對運(yùn)動(dòng)速度，并對目標(biāo)諸不變特征進(jìn)行序貫假設(shè)驗(yàn)證，識(shí)別出運(yùn)動(dòng)目標(biāo)。
2、根據(jù)權(quán)利要求1所述的基于視覺仿生的運(yùn)動(dòng)目標(biāo)檢測方法，其特征在于所述DOG函數(shù)為兩個(gè)高斯型函數(shù)之差，所述感受野表示為
式中，r為感受野內(nèi)到中心點(diǎn)的距離，σex和σinh分別是興奮帶寬和抑制帶寬，cex2和cinh2是興奮常數(shù)和抑制常數(shù)；當(dāng)且σex≤σinh時(shí)，上式對應(yīng)于on-中心型感受野，當(dāng)且σex＞σinh，上式對應(yīng)于off-中心型感受野；根據(jù)圖像信號(hào)特點(diǎn)自適應(yīng)地選擇興奮帶寬σex和抑制帶寬σinh，即
σex＝a/(gn+1)
σinh＝a/(gm+1)
式中，gn和gm是圖像該像素點(diǎn)梯度的最大值和最小值，a是一正實(shí)常數(shù)。
3、根據(jù)權(quán)利要求1所述的基于視覺仿生的運(yùn)動(dòng)目標(biāo)檢測方法，其特征在于使用下式實(shí)施所述的局部迭代法，Ss(r)＝Ss(r)+Ss(r)*DOG-C
式中，C為偏置常數(shù)，迭代的次數(shù)以空間顯著圖大多數(shù)位置的特征值收斂接近于零為原則。Ss(r)的初始值為圖像空間特征I(r)，即Ss(r)＝I(r)。其中，圖像空間特征I(r)定義為用DOG函數(shù)DOG(r)對輸入圖像f(r)的卷積
I(r)＝f(r)*DOG(r)
式中，*表示卷積。
4、根據(jù)權(quán)利要求1所述的基于視覺仿生的運(yùn)動(dòng)目標(biāo)檢測方法，其特征在于運(yùn)動(dòng)顯著圖St(r)定義為，
其中，Γmedian是
的中間值。
5、根據(jù)權(quán)利要求1所述的基于視覺仿生的運(yùn)動(dòng)目標(biāo)檢測方法，其特征在于通過下式，空間顯著Ss(r)和運(yùn)動(dòng)顯著St(r)相互競爭、協(xié)調(diào)融合形成空時(shí)顯著圖S(r)，
S(r)＝α(r)St(r)+(1-α(r))Ss(r)+β(r)St(r)Ss(r)
其中參數(shù)α(r)、β(r)是受目標(biāo)不變特征庫調(diào)控的權(quán)重，α(r)，β(r)∈(0，1)，α(r)取決于相鄰幀中顯著區(qū)的差別，β(r)則由空間顯著圖和運(yùn)動(dòng)顯著圖之間的耦合強(qiáng)度確定。
全文摘要
本發(fā)明提出一種基于視覺仿生的運(yùn)動(dòng)目標(biāo)檢測方法。從人眼視覺系統(tǒng)生理結(jié)構(gòu)出發(fā)，以序列圖像中運(yùn)動(dòng)目標(biāo)和背景之間的空時(shí)顯著性差異特征為切入點(diǎn)。首先提取序列圖像的空間頻率等空間特征；以空間特征為據(jù)形成空間顯著圖。之后，對前后兩幀空間顯著圖的各顯著區(qū)進(jìn)行配對，提取出各顯著區(qū)的運(yùn)動(dòng)速度。然后，則在目標(biāo)不變特征庫的控制下，對各顯著區(qū)內(nèi)的空間特征和運(yùn)動(dòng)特征進(jìn)行相互競爭、協(xié)調(diào)融合形成空時(shí)顯著圖。再后，提取空時(shí)顯著區(qū)域內(nèi)目標(biāo)不變特征。最后，則采用證據(jù)理論對目標(biāo)不變特征進(jìn)行序貫假設(shè)驗(yàn)證，識(shí)別出運(yùn)動(dòng)目標(biāo)。本發(fā)明提高了算法的實(shí)用性和穩(wěn)健性，可廣泛應(yīng)用于各類軍、民用系統(tǒng)，具有廣闊的市場前景和應(yīng)用價(jià)值。
文檔編號(hào)G06T7/20GK101286237SQ200810069719
公開日2008年10月15日 申請日期2008年5月22日 優(yōu)先權(quán)日2008年5月22日
發(fā)明者李正周, 劉國金, 劉海濤, 彭素靜, 菊 譚, 磊 齊, 李文艷, 允 王 申請人:重慶大學(xué)