本發(fā)明涉及一種低分辨率下物體移動(dòng)方向的馬爾科夫判斷方法，屬于低分辨率下物體運(yùn)動(dòng)方向判定技術(shù)領(lǐng)域。

背景技術(shù)：

目前數(shù)碼攝像技術(shù)被廣泛使用于多種場合中，但有時(shí)由于客觀條件的限制，拍攝設(shè)備只能在較低的分辨率下成像，且經(jīng)常會遇到圖像信息缺失的問題，如何在低分辨率下利用有限的圖像信息準(zhǔn)確、高效的判斷出物體的運(yùn)動(dòng)方向成為了當(dāng)今低分辨率下判定物體運(yùn)動(dòng)方向所面臨的一個(gè)重要問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種低分辨率下物體移動(dòng)方向的馬爾科夫判斷方法，可以在低分辨率下利用有限的圖像信息準(zhǔn)確、高效的判斷出物體的運(yùn)動(dòng)方向。

本發(fā)明的技術(shù)方案是：一種低分辨率下物體移動(dòng)方向的馬爾科夫判斷方法，包括如下步驟：

step1，建立完備的低分辨率下物體連續(xù)等時(shí)間間隔圖像信息數(shù)據(jù)庫；

step2，針對低分辨的圖像信息，進(jìn)行圖像中值濾波去噪預(yù)處理，并采用sift特征匹配算法獲得圖像角點(diǎn)，角點(diǎn)指的是能夠代表圖像信息的特征點(diǎn)；

step3，從處理過的圖像數(shù)據(jù)庫中選出(m+1)幀圖像作為訓(xùn)練集合，并按照時(shí)間先后順序依次標(biāo)記為a0,a1,...,am-1,am，且取拍攝時(shí)間最早的圖像a0作為參考幀；

step4，在參考幀內(nèi)建立平面直角坐標(biāo)系劃分狀態(tài)空間i，并再次采用sift特征匹配算法分別依次把圖像a0后面拍攝的m幀圖像與參考幀匹配，得到后面m幀圖像相對于參考幀的狀態(tài)空間s，進(jìn)而得到一階狀態(tài)轉(zhuǎn)移概率矩陣p，從而完成馬爾可夫預(yù)測模型的構(gòu)造；

step5，若已知任意一幀aa圖像及其關(guān)于參考幀的方向狀態(tài)，則根據(jù)上一步得到的轉(zhuǎn)移概率矩陣預(yù)測aa之后的物體運(yùn)動(dòng)狀態(tài)，即運(yùn)動(dòng)方向。

具體地，所述的step3具體包括：

step3.1：篩選訓(xùn)練集合：

從所有預(yù)處理過的圖像中選(m+1)幀時(shí)間連續(xù)的圖像，并按拍攝時(shí)間的先后順序分別標(biāo)記為a0,a1,...,am，則每幀圖像對應(yīng)的時(shí)間點(diǎn)定義為t0,t1,...,tm且滿足t0＜...＜tm；

step3.2：選取參考幀：

選擇拍攝時(shí)間最早的圖像為參考幀，則a0為參考幀；

具體地，所述的step4具體包括：

step4.1：狀態(tài)空間劃分定義

在參考幀a0內(nèi)建立平面直角坐標(biāo)系，以a0幀圖像內(nèi)角點(diǎn)坐標(biāo)為原點(diǎn)，把平面分為n個(gè)狀態(tài)空間，即i＝{i1,i2,...,in}；

step4.2：狀態(tài)空間劃分原則

只考慮物體的平面運(yùn)動(dòng)，則對于平面內(nèi)的n個(gè)狀態(tài)空間滿足式(4-1)，

其中數(shù)值360表示角度，則每個(gè)狀態(tài)空間i實(shí)際意義可依次表示為(4-2)式，其中n≥2，

step4.3：sift算法得到相對狀態(tài)空間s：

采用sift特征匹配算法依次把m幀圖像與參考幀圖像匹配，并分別得到m幀圖像相對參考幀方向所處的狀態(tài)，即可生成相對狀態(tài)空間s

s＝{s1,s2,...,sm}(4-3)；

step4.4：得到狀態(tài)轉(zhuǎn)移概率矩陣p：

由得到的m個(gè)相對參考幀的相對狀態(tài)空間s，得出一階馬爾可夫轉(zhuǎn)移概率矩陣，其中p表示一階狀態(tài)轉(zhuǎn)移矩陣，pij表示從狀態(tài)i轉(zhuǎn)移到狀態(tài)j的一步轉(zhuǎn)移概率，且i,j＝1,2,...,n，如(4-4)式所示：

具體地，所述的step5具體包括：

step5.1：已知某幀圖像狀態(tài)：

若已知任意一幀aa圖像及其關(guān)于參考幀的方向狀態(tài)為i3，i3表示行向量的第三個(gè)元素為1，其余為0，則可取初始狀態(tài)概率向量為共有(n-1)個(gè)0；

step5.2：預(yù)測下一個(gè)時(shí)間點(diǎn)運(yùn)動(dòng)方向：

由馬爾可夫相鄰狀態(tài)之間的關(guān)系式可得下一個(gè)時(shí)間點(diǎn)這幀圖像可能處的狀態(tài)向量查閱狀態(tài)空間可得下一個(gè)時(shí)間點(diǎn)的物體運(yùn)動(dòng)方向。

本發(fā)明的有益效果是：

1、本發(fā)明專利選用sift特征匹配算法，不僅可以獲得每幀圖像的角點(diǎn)信息，還可令得到的每幀圖像的角點(diǎn)與參考幀的角點(diǎn)進(jìn)行高精度匹配，并達(dá)到高效、精確獲得每幀圖像所處方向狀態(tài)的目的。

2、本發(fā)明專利針對低分辨率下采集到的運(yùn)動(dòng)物體連續(xù)等間隔照片，采用一階馬爾可夫預(yù)測模型對物體運(yùn)動(dòng)方向進(jìn)行預(yù)測，非常符合相鄰狀態(tài)具有相關(guān)性的研究理念，同時(shí)在很大程度上對已知物體運(yùn)動(dòng)的低分辨率圖像來預(yù)測物體運(yùn)動(dòng)方向的問題做出了探索。

附圖說明

圖1為本發(fā)明的思路流程圖；

圖2為本發(fā)明圖像信息空間狀態(tài)示意圖；

圖3為舉例說明中第一幀圖片的sift特征點(diǎn)圖；

圖4為舉例說明中第二幀圖片的sift特征點(diǎn)圖；

圖5為圖3和圖4的sift特征點(diǎn)匹配圖。

具體實(shí)施方式

下面結(jié)合附圖及具體實(shí)施例對本發(fā)明進(jìn)行進(jìn)一步說明。

實(shí)施例1：如圖1-5所示，一種低分辨率下物體移動(dòng)方向的馬爾科夫判斷方法，首先，建立完備的低分辨率下物體連續(xù)等時(shí)間間隔圖像信息數(shù)據(jù)庫；其次，針對低分辨的圖像信息，進(jìn)行圖像中值濾波去噪預(yù)處理，并采用sift特征匹配算法獲得圖像角點(diǎn)；再次，從處理過的圖像數(shù)據(jù)庫中選出(m+1)幀圖像作為訓(xùn)練集合，并按照時(shí)間先后順序依次標(biāo)記為a0,a1,...,am-1,am，且取拍攝時(shí)間最早的圖像a0作為參考幀；然后，在參考幀內(nèi)建立平面直角坐標(biāo)系劃分狀態(tài)空間i，并再次采用sift特征匹配算法分別依次把后面拍攝的m幀圖像與參考幀匹配，得到后面m幀圖像相對于參考幀的狀態(tài)空間s，進(jìn)而得到狀態(tài)轉(zhuǎn)移概率矩陣p，從而完成馬爾可夫預(yù)測模型的構(gòu)造；最后，若已知任意一幀aa圖像及其關(guān)于參考幀的方向狀態(tài)，則根據(jù)上一步得到轉(zhuǎn)移概率矩陣可預(yù)測aa之后的物體運(yùn)動(dòng)的狀態(tài)即運(yùn)動(dòng)方向。

進(jìn)一步地，相關(guān)參數(shù)設(shè)置：

能夠代表圖像信息的特征點(diǎn)被稱為角點(diǎn)；

狀態(tài)空間中所有狀態(tài)的總數(shù)定義為n；

訓(xùn)練集合所選圖像的數(shù)目為(m+1)幀；

選取的圖像訓(xùn)練集合中每幀圖像分別定義為a0,a1,...,am，且取a0為參考幀；

其余m幀圖像相對于參考幀的相對狀態(tài)空間定義為s；

一階狀態(tài)轉(zhuǎn)移矩陣定義為p；

從狀態(tài)i轉(zhuǎn)移到狀態(tài)j的一步轉(zhuǎn)移概率定義為pij，且i,j＝1,2,...,n。

進(jìn)一步地，本發(fā)明所述方法的整個(gè)步驟具體為：

step1：建立完備的低分辨率下物體連續(xù)等時(shí)間間隔圖像信息數(shù)據(jù)庫：

采集低分辨率下運(yùn)動(dòng)物體的圖像信息，此處只考慮平面運(yùn)動(dòng)，不考慮相機(jī)的調(diào)焦以及物體的三維運(yùn)動(dòng)；而且圖像是在物體運(yùn)動(dòng)過程中連續(xù)、等間隔拍攝取得，以便后續(xù)構(gòu)造馬爾可夫預(yù)測模型。

step2：圖像信息預(yù)處理：

step2.1：圖像去噪處理：

由于圖像是在低分辨率下拍攝的物體運(yùn)動(dòng)過程瞬時(shí)信息，所以對圖像進(jìn)行中值濾波去噪處理；

step2.2：獲得圖像角點(diǎn)：

利用sift特征匹配算法獲取每幀圖像的特征點(diǎn)，即角點(diǎn)信息。

step3：選取訓(xùn)練集合：

step3.1：篩選訓(xùn)練集合：

從所有預(yù)處理過的圖像中選(m+1)幀時(shí)間連續(xù)的圖像，并按拍攝時(shí)間的先后順序分別標(biāo)記為a0,a1,...,am，令每幀圖像對應(yīng)的時(shí)間點(diǎn)定義為t0,t1,...,tm且滿足t0＜...＜tm；

step3.2：選取參考幀：

選擇拍攝時(shí)間最早的圖像為參考幀，則可知a0為參考幀。

step4：劃分狀態(tài)空間i：

step4.1：狀態(tài)空間劃分定義

在參考幀a0內(nèi)建立平面直角坐標(biāo)系，以a0幀圖像內(nèi)的角點(diǎn)坐標(biāo)為原點(diǎn)，把平面分為n個(gè)狀態(tài)空間，即i＝{i1,i2,...,in}；

step4.2：狀態(tài)空間劃分原則

只考慮物體的平面運(yùn)動(dòng)，則平面內(nèi)的n個(gè)狀態(tài)空間滿足式(4-1)

其中數(shù)值360表示角度，則每個(gè)狀態(tài)空間i的實(shí)際意義可依次表示為(4-2)式，其中n≥2(至少把平面分為兩部分)

step4.3：采用sift算法得到相對狀態(tài)空間s：

再次采用sift特征匹配算法依次把m幀圖像與參考幀圖像匹配，并分別得到m幀圖像相對參考幀的的方向所處狀態(tài)，即可得到生成的相對狀態(tài)空間s

s＝{s1,s2,...,sm}(4-3)；

step4.4：得到狀態(tài)轉(zhuǎn)移概率矩陣p：

由得到的m個(gè)相對參考幀的方向狀態(tài)集合s，得出一階馬爾可夫轉(zhuǎn)移概率矩陣，其中p表示一階狀態(tài)轉(zhuǎn)移矩陣，pij表示從狀態(tài)i轉(zhuǎn)移到狀態(tài)j的一步轉(zhuǎn)移概率，且i,j＝1,2,...,n，如(4-4)式所示：

step5：預(yù)測物體運(yùn)動(dòng)方向：

step5.1：已知某幀圖像狀態(tài)：

若已知任意一幀aa圖像及其關(guān)于參考幀的方向狀態(tài)為i3，i3表示行向量的第三個(gè)元素為1，其余為0，則可取初始狀態(tài)概率向量為共有(n-1)個(gè)0；

step5.2：預(yù)測下一個(gè)時(shí)間點(diǎn)運(yùn)動(dòng)方向：

由馬爾可夫相鄰狀態(tài)之間的關(guān)系式

可求出下一個(gè)時(shí)間點(diǎn)這幀圖像可能處的狀態(tài)向量根據(jù)狀態(tài)空間可得下一個(gè)時(shí)間點(diǎn)的物體運(yùn)動(dòng)方向。

具體說明：

已知運(yùn)動(dòng)物體運(yùn)動(dòng)過程中的20幀圖片，對圖像進(jìn)行中值濾波去噪并采用sift特征匹配算法獲取20幀圖像的特征點(diǎn)(其中兩幀圖片的sift特征點(diǎn)圖見圖3、圖4)。

step3：選取訓(xùn)練集合：

step3.1：篩選訓(xùn)練集合：

從所有預(yù)處理過的圖像中選10幀時(shí)間連續(xù)的圖像，并按拍攝時(shí)間的先后順序分別標(biāo)記為a0,a1,...,a9，令每幀圖像對應(yīng)的時(shí)間點(diǎn)定義為t0,t1,...,t9且滿足t0＜...＜t9；

step3.2：選取參考幀：

選擇拍攝時(shí)間最早的圖像為參考幀，則可知a0為參考幀。

step4：劃分狀態(tài)空間i：

step4.1：狀態(tài)空間劃分定義

在參考幀a0內(nèi)建立平面直角坐標(biāo)系，以a0幀圖像內(nèi)的角點(diǎn)坐標(biāo)為原點(diǎn)，把平面分為4個(gè)狀態(tài)空間，即i＝{i1,i2,...,i4}；

step4.2：狀態(tài)空間劃分原則

只考慮物體的平面運(yùn)動(dòng)，則平面內(nèi)的4個(gè)狀態(tài)空間滿足則每個(gè)狀態(tài)空間i的實(shí)際意義為：[0,90),[90,180),[180,270),[270,360)。

step4.3：采用sift算法得到相對狀態(tài)空間s：

再次采用sift特征匹配算法依次把9幀圖像與參考幀圖像匹配(匹配示例圖見圖5)，并分別得到9幀圖像相對參考幀的的方向所處狀態(tài)，即可得到生成的相對狀態(tài)空間s＝{s1,s2,...,s9}。

step4.4：得到狀態(tài)轉(zhuǎn)移概率矩陣p：

由得到的9個(gè)相對參考幀的方向狀態(tài)集合s，得出一階馬爾可夫轉(zhuǎn)移概率矩陣，其中p表示一階狀態(tài)轉(zhuǎn)移矩陣，pij表示從狀態(tài)i轉(zhuǎn)移到狀態(tài)j的一步轉(zhuǎn)移概率，且i,j＝1,2,...,4，可得一步狀態(tài)轉(zhuǎn)移概率矩陣為：

step5：預(yù)測物體運(yùn)動(dòng)方向：

若已知任意一幀aa圖像及其關(guān)于參考幀的方向狀態(tài)為i3，則可取初始狀態(tài)概率向量為根據(jù)馬爾可夫相鄰狀態(tài)之間的關(guān)系式可得下一個(gè)時(shí)間點(diǎn)圖像的運(yùn)動(dòng)狀態(tài)向量根據(jù)查閱狀態(tài)空間可得下一個(gè)時(shí)間點(diǎn)的物體運(yùn)動(dòng)方向狀態(tài)為i3，即[180,270)，則即是運(yùn)動(dòng)方向?yàn)樽笙路健?/p>

上面結(jié)合附圖對本發(fā)明的具體實(shí)施方式作了詳細(xì)說明，但是本發(fā)明并不限于上述實(shí)施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下作出各種變化。