專利名稱：：一種協(xié)同運(yùn)動(dòng)目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種協(xié)同目標(biāo)檢測(cè)方法，特別是協(xié)同運(yùn)動(dòng)目標(biāo)檢測(cè)方法。
背景技術(shù)：
：文獻(xiàn)"Fusionofcolorandinfraredvideoformovinghumandetection,PatternRecognition,Vol.40問，2007，pl771-1784"公開了一種基于特征級(jí)融合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。該方法首先分別對(duì)紅外和可見光序列采用背景差，'獲得人體目標(biāo)的初始輪廓，然后分別計(jì)算紅外圖像和可見光圖像中目標(biāo)輪廓的中心作為紅外和可見光圖像配準(zhǔn)的對(duì)應(yīng)角點(diǎn)，這樣實(shí)現(xiàn)了圖像的自動(dòng)配準(zhǔn)。最后對(duì)已配準(zhǔn)的紅外和可見光圖像，利用基于像素級(jí)的融合概率檢測(cè)策略(probabilisticstrategies)提取精確的目標(biāo)輪廓。該方法在融合階段對(duì)各個(gè)元圖像的檢測(cè)結(jié)果進(jìn)行了可信性度量，通過可信性度量對(duì)不同傳感器處理結(jié)果進(jìn)行固定閾值分割，獲得前景概率。這種方法的的不足之處是對(duì)前景概率進(jìn)行固定閾值分割，閾值過高或過低都會(huì)影響檢測(cè)結(jié)果，使得檢測(cè)結(jié)果目標(biāo)比實(shí)際目標(biāo)大或者目標(biāo)被分碎。另外該方法只是簡(jiǎn)單利用不同元圖像信息的聯(lián)合，并不能充分利用各圖象元信息之間的互補(bǔ)、輔助關(guān)系，不能充分利用多元優(yōu)勢(shì)，因此檢測(cè)結(jié)果并不理想，目標(biāo)平均檢測(cè)率只有97.64%。發(fā)明內(nèi)'容為了克服現(xiàn)有技術(shù)目標(biāo)平均檢測(cè)率低的不足，本發(fā)明提供一種協(xié)同運(yùn)動(dòng)目標(biāo)檢測(cè)方法，采用多元圖像的協(xié)同運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，在光照敏感、遮擋、陰影、目標(biāo)運(yùn)動(dòng)狀態(tài)發(fā)生變化的基礎(chǔ)上，可以提高目標(biāo)的平均檢測(cè)率。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案一種協(xié)同運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于包括下述步驟(a)首先使用模板匹配法完成特征點(diǎn)之間的匹配，然后利用特征點(diǎn)估計(jì)圖像之間的變換參數(shù)，并選取最優(yōu)的一組作為最終變換參數(shù)進(jìn)行圖像配準(zhǔn)；(b)對(duì)可見光圖像序列采用多層背景差算法將場(chǎng)景中相對(duì)背景運(yùn)動(dòng)的目標(biāo)檢測(cè)出來，使用分層紅外目標(biāo)檢測(cè)算法檢測(cè)出熱目.標(biāo)，將可見光圖像中檢測(cè)出的干擾目標(biāo)排除；(c)根據(jù)步驟(b)檢測(cè)結(jié)果，分別計(jì)算可見光序列和紅外序列的信息向量，并通過兩個(gè)信息向量計(jì)算協(xié)同駕駛向量；(d)當(dāng)協(xié)同駕駛向量滿足協(xié)同終止準(zhǔn)則，則顯示輸出檢測(cè)結(jié)果；(e)當(dāng)協(xié)同駕駛向量不滿足協(xié)同終止準(zhǔn)則，則根據(jù)協(xié)同駕駛向量判斷執(zhí)行紅外虛警響應(yīng)函數(shù)、可見光虛警響應(yīng)函數(shù)、目標(biāo)輪廓精確提取函數(shù)或迭代協(xié)同響應(yīng)函數(shù)，轉(zhuǎn)步驟(c)重復(fù)進(jìn)行，直至協(xié)同駕駛向量滿足協(xié)同終止準(zhǔn)則，顯示輸出檢測(cè)結(jié)果。本發(fā)明的有益效果是由于采用多元圖像的協(xié)同運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，用協(xié)同駕駛向量度量多元信息之間的差異，對(duì)各元檢測(cè)結(jié)果進(jìn)行修正，修正各元進(jìn)一步的檢測(cè)策略，調(diào)整其參數(shù)，如此反復(fù)進(jìn)行差異度量和檢測(cè)，'直至差異趨近于零，即完成了整個(gè)協(xié)同檢測(cè)過程。這種協(xié)同機(jī)制充分利用了多元信息，對(duì)各個(gè)元進(jìn)行協(xié)同，通過反復(fù)迭代修正最終得到各元一致的目標(biāo)檢測(cè)結(jié)果，解決光照敏感、遮擋、陰影、目標(biāo)運(yùn)動(dòng)狀態(tài)發(fā)生變化等問題，使目標(biāo)平均檢測(cè)率由現(xiàn)有技術(shù)的97.64°/。提高到99.3%。下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作詳細(xì)說明。附圖是本發(fā)明協(xié)同運(yùn)動(dòng)目標(biāo)檢測(cè)方法流程圖。具體實(shí)施例方式參照附圖。本發(fā)明方法主要步驟如下-('l)圖像配準(zhǔn)，首先使用模板匹配法完成特征點(diǎn)之間的匹配，然后利用特征點(diǎn)估計(jì)圖像之間的變換參數(shù)，并選取最優(yōu)的一組作為最終變換參數(shù)，排除了匹配不準(zhǔn)確的特征點(diǎn)對(duì)。(2)第一次數(shù)據(jù)處理，對(duì)可見光圖像序列采用多層背景差算法將場(chǎng)景中相對(duì)背景運(yùn)動(dòng)的目標(biāo)檢測(cè)出來，使用分層紅外目標(biāo)檢測(cè)算法檢測(cè)出熱目標(biāo)，將可見光圖像中檢測(cè)出的干擾目標(biāo)排除。(3)計(jì)算協(xié)同駕駛向量，根據(jù)檢測(cè)結(jié)果，分別計(jì)算可見光序列和紅外序列的信息向量，并通過兩個(gè)信息向量計(jì)算協(xié)同駕駛向量。(4).協(xié)同機(jī)制，如果協(xié)同駕駛向量滿足協(xié)同終止準(zhǔn)則，就結(jié)束協(xié)同過程轉(zhuǎn)步驟(6)，否則，將協(xié)同駕駛向量輸入?yún)f(xié)同駕駛向量響應(yīng)函數(shù)，轉(zhuǎn)步驟(5)。(5)協(xié)同駕駛向量響應(yīng)函數(shù)響應(yīng)，根據(jù)協(xié)同駕駛向量判斷執(zhí)行紅外虛警響應(yīng)函數(shù)、可見光虛警響應(yīng)函數(shù)、目標(biāo)輪廓精確提取函數(shù)或迭代協(xié)同響應(yīng)函數(shù)，函數(shù)響應(yīng)控制進(jìn)一步是否進(jìn)行進(jìn)一步精確檢測(cè)還是結(jié)果輸出等處理，并轉(zhuǎn)步驟(3)。(6)顯示輸出檢測(cè)結(jié)果。下面對(duì)協(xié)同檢測(cè)關(guān)鍵步驟進(jìn)行詳細(xì)說明計(jì)算協(xié)同駕駛向量。在協(xié)同檢測(cè)中，全局信息向量針對(duì)每一幀的檢測(cè)結(jié)果，目前僅包括目標(biāo)總數(shù)目，局部信息向量針對(duì)每一個(gè)檢測(cè)出來的目標(biāo)，包括目標(biāo)質(zhì)心、目標(biāo)面積、目標(biāo)背景相似度三個(gè)分量，按照式(1)進(jìn)行計(jì)算。G/F=<,TV謡>m全局協(xié)同駕駛向量?jī)H包括目標(biāo)總數(shù)之比〈G^'^^^""^^,按照式(2)進(jìn)行計(jì)算。.局部協(xié)同駕駛向量包括質(zhì)心距離、面積因子、目標(biāo)背景相似度因子、關(guān)聯(lián)目標(biāo)數(shù)因子，計(jì)算公式見式(3)。其中，AssociatedNum表示與當(dāng)前目標(biāo)關(guān)聯(lián)匹配的目標(biāo)數(shù)目，AssociatedObjs表示匹配目標(biāo)鏈，'這里目標(biāo)匹配用目標(biāo)質(zhì)心之間的距離進(jìn)行度量。協(xié)同駕駛向量響應(yīng)函數(shù)。針對(duì)局部協(xié)同駕駛向量，并結(jié)合具體情況，設(shè)計(jì)了與之適應(yīng)的協(xié)同駕駛向量響應(yīng)函數(shù)，如式(4)。jWge7/Fa/j^/arw(),SemwC7a5^:IRa^咖a'她fifiV,二:0一"eC^'Co加owr(),Se;worC7im=IR-VSNa爿Mod她diV,=1紅外虛警響應(yīng)函數(shù)judgeIRFalseAlarm()，當(dāng)局部協(xié)同駕駛向量滿足當(dāng)前紅外目標(biāo)的匹配目標(biāo)數(shù)量為0時(shí)，通過計(jì)算可見光圖像中該虛擬目標(biāo)區(qū)域與背景的相似度，并與紅外圖像中的相似度進(jìn)行比較，用比較結(jié)果判定是否為紅外圖像發(fā)生虛警，如果是，則將紅外圖像中虛假目標(biāo)剔除；否則把紅外檢測(cè)結(jié)果作為輸出?？梢姽馓摼憫?yīng)函數(shù)judgeVSNFalseAlarm()，當(dāng)局部協(xié)同駕駛向量滿足當(dāng)前可見光目標(biāo)的匹配目標(biāo)數(shù)量為0時(shí)，通過計(jì)算紅外圖像中該虛擬目標(biāo)區(qū)域與背景的相似度，并與可見光圖像中的相似度進(jìn)行比較，用比較結(jié)果判定是否為可見光圖像發(fā)生虛警，如果是，則將可見光圖像中虛警目標(biāo)剔除；否則把可見光檢測(cè)結(jié)果作為輸出。目標(biāo)鈐廓精確提取函數(shù)refmeObjContour()，當(dāng)局部協(xié)同駕駛向量滿足當(dāng)前紅外目標(biāo)與可見光目標(biāo)一一對(duì)應(yīng)時(shí)，通過自適應(yīng)閾值分割對(duì)當(dāng)前目標(biāo)區(qū)域所在的矩形框進(jìn)行處理，提取精確的目.標(biāo)區(qū)域，最后輸出。迭代協(xié)同響應(yīng)函數(shù)DicideObjNum()，當(dāng)局部協(xié)同駕駛向量滿足當(dāng)前目標(biāo)的匹配目標(biāo)數(shù)量大于l時(shí)，將與該目標(biāo)匹配的多個(gè)目標(biāo)區(qū)域進(jìn)行合并重新檢測(cè)，利用檢測(cè)結(jié)果更新局部協(xié)同駕駛向量，進(jìn)行新一輪的協(xié)同檢測(cè)過程。協(xié)同過程終止條件。協(xié)同終止準(zhǔn)則是協(xié)同終止過程的決策策略。顧名思義，"協(xié)同"就是雙方或多方經(jīng)過協(xié)商達(dá)到一致的正確結(jié)論，所以協(xié)同過程終止的理想狀態(tài)是達(dá)到了協(xié)同信息處理的近穩(wěn)態(tài)，這種狀態(tài)下各元信息處理結(jié)果一致，新一輪協(xié)同只能得到相同或相近的結(jié)論，因此沒有必要進(jìn)行進(jìn)一步處理，即結(jié)束協(xié)同過程。在協(xié)同檢測(cè)中，當(dāng)不同元之間的目標(biāo)匹配關(guān)系正確時(shí)，也即當(dāng)匹配目標(biāo)數(shù)目和面積因子不再發(fā)生變化時(shí)，即說明各元檢測(cè)結(jié)果相對(duì)一致并進(jìn)入穩(wěn)態(tài)，結(jié)束協(xié)同過程。下表是采用本發(fā)明檢測(cè)方法進(jìn)行多次檢測(cè)的檢測(cè)率以及平均檢測(cè)率。<table>tableseeoriginaldocumentpage6</column></row><table>權(quán)利要求1、一種協(xié)同運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于包括下述步驟(a)首先使用模板匹配法完成特征點(diǎn)之間的匹配，然后利用特征點(diǎn)估計(jì)圖像之間的變換參數(shù)，并選取最優(yōu)的一組作為最終變換參數(shù)進(jìn)行圖像配準(zhǔn)；(b)對(duì)可見光圖像序列采用多層背景差算法將場(chǎng)景中相對(duì)背景運(yùn)動(dòng)的目標(biāo)檢測(cè)出來，使用分層紅外目標(biāo)檢測(cè)算法檢測(cè)出熱目標(biāo)，將可見光圖像中檢測(cè)出的干擾目標(biāo)排除；(c)根據(jù)步驟(b)檢測(cè)結(jié)果，分別計(jì)算可見光序列和紅外序列的信息向量，并通過兩個(gè)信息向量計(jì)算協(xié)同駕駛向量；(d)當(dāng)協(xié)同駕駛向量滿足協(xié)同終止準(zhǔn)則，則顯示輸出檢測(cè)結(jié)果；(e)當(dāng)協(xié)同駕駛向量不滿足協(xié)同終止準(zhǔn)則，則根據(jù)協(xié)同駕駛向量判斷執(zhí)行紅外虛警響應(yīng)函數(shù)、可見光虛警響應(yīng)函數(shù)、目標(biāo)輪廓精確提取函數(shù)或迭代協(xié)同響應(yīng)函數(shù)，轉(zhuǎn)步驟(c)重復(fù)進(jìn)行，直至協(xié)同駕駛向量滿足協(xié)同終止準(zhǔn)則，顯示輸出檢測(cè)結(jié)果。全文摘要本發(fā)明公開了一種協(xié)同運(yùn)動(dòng)目標(biāo)檢測(cè)方法，首先進(jìn)行圖像配準(zhǔn)，再將可見光圖像中檢測(cè)出的干擾目標(biāo)排除，分別計(jì)算可見光序列和紅外序列的信息向量，并通過兩個(gè)信息向量計(jì)算協(xié)同駕駛向量，當(dāng)協(xié)同駕駛向量滿足協(xié)同終止準(zhǔn)則，則顯示輸出檢測(cè)結(jié)果；不滿足協(xié)同終止準(zhǔn)則，則根據(jù)協(xié)同駕駛向量判斷執(zhí)行紅外虛警響應(yīng)函數(shù)、可見光虛警響應(yīng)函數(shù)、目標(biāo)輪廓精確提取函數(shù)或迭代協(xié)同響應(yīng)函數(shù)，直至協(xié)同駕駛向量滿足協(xié)同終止準(zhǔn)則，顯示輸出檢測(cè)結(jié)果。由于采用多元圖像的協(xié)同運(yùn)動(dòng)目標(biāo)檢測(cè)，用協(xié)同駕駛向量度量多元信息之間的差異，對(duì)各元檢測(cè)結(jié)果進(jìn)行修正，使目標(biāo)平均檢測(cè)率由現(xiàn)有技術(shù)的97.64％提高到99.3％。文檔編號(hào)G06T7/20GK101408984SQ20081023160公開日2009年4月15日申請(qǐng)日期2008年10月7日優(yōu)先權(quán)日2008年10月7日發(fā)明者仝小敏,孫瑾秋,張秀偉,張艷寧,鄭江濱,郗潤平申請(qǐng)人:西北工業(yè)大學(xué)