專利名稱：基于視覺仿生的運動目標檢測方法
技術領域：
本發(fā)明屬于基于視覺仿生的運動目標檢測技術領域，是光電成像搜索與跟蹤系統(tǒng)、精確制導系統(tǒng)、目標監(jiān)視系統(tǒng)、衛(wèi)星遙感系統(tǒng)、安全檢查系統(tǒng)等的一項核心技術，在各類軍、民用系統(tǒng)中均可有廣泛的應用。

背景技術：
如何解決復雜背景下運動目標的識別與穩(wěn)定提取對光電探測系統(tǒng)的性能有著直接的至關重要的影響。目前對復雜背景下的目標檢測與跟蹤主要采用了基于運動分析和基于特征匹配的方法。由于目標運動的復雜性和不確定性，使得基于運動分析的方法在計算量和檢測跟蹤可靠性上的矛盾難以協(xié)調，而基于特征匹配的方法一般都是基于目標的某些局部特征，這些特征在實際中可能往往會因各種原因被干擾或弱化，從而使得目標檢測與跟蹤性能受到極大限制，甚至導致系統(tǒng)完全無法正常工作。因此，如何有效地提取、識別與跟蹤混雜在各種復雜背景中的運動目標一直是光電探測跟蹤系統(tǒng)面臨的最大難點和急需解決的關鍵核心技術之一，尤其需要尋求新的思路才能取得突破。
動物能從各種復雜背景中快速、準確地捕獲、跟蹤目標，而無論目標運動的速度是慢是快，運動物體自身的形狀是簡單還是復雜，這些都沒有給動物視覺感知造成太大的困難。光學成像目標探測跟蹤系統(tǒng)與動物搜索與跟蹤感興趣目標的過程和要求十分相似，主要體現在以下三個層面轉動攝像機在景物空間中搜索感興趣的視野，這與動物移動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)域做精細的模式匹配與識別，模擬瞳孔的聚焦作用，也與視覺系統(tǒng)的what通路一致。因此，對動物視覺感知系統(tǒng)及其計算模型的研究可為光電成像探測跟蹤系統(tǒng)在復雜場景下的目標識別與跟蹤提供良好的模型基礎。
神經生理學和神經解剖學對視覺感知系統(tǒng)進行了深入系統(tǒng)地研究。目前，視覺感知系統(tǒng)對外界信息認知過程已基本清楚，是一個具有where和what兩條通路的、且既有信息橫向流動，又有縱向信息流動的極為復雜的動力過程。選擇注意在其中扮演了重要角色。神經生理學和心理學實驗表明，選擇注意并不是單一腦區(qū)的行為，它與上丘、后頂葉、丘腦后結節(jié)等腦區(qū)的活動有關，并出現在信息處理的各個層次上，即涉及從單個神經元到整個網絡的各個層次，“注意無所不在”。選擇注意機制是視覺感知信息處理系統(tǒng)的一種主動策略，具有選擇性、競爭性和定向性等特點，它與學習、記憶模塊等協(xié)同工作，完成將注意目標從背景中分離、注意焦點在多個目標間轉移，注意目標與記憶中的模式匹配等任務。
在視覺系統(tǒng)的神經生理結構和功能研究取得進展的同時，視覺感知計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。根據其驅動性質不同，選擇注意模型主要分為數據驅動的注意模型和任務驅動的注意模型兩種。兩者爭論的焦點在于選擇注意系統(tǒng)是與數據信息處理系統(tǒng)分離的(即是否存在單獨的注意皮層或區(qū)域)，還是兩者緊密結合。數據驅動的注意模型目前已經發(fā)展得較為完善，框架也相對固定，只是按照具體任務的不同，在初級特征提取階段選擇不同的特征，并采取不同的焦點轉移方式。很顯然，這種數據驅動的注意模型與選擇注意的神經生理結構和心理學實驗結果不盡相符，在實際應用中效果并不十分明顯。較數據驅動的選擇注意模型研究而言，對任務驅動的注意選擇模型的研究相對較少，目前的大多數工作限于生物實驗取證和理論研究，目前尚缺乏統(tǒng)一的框架。相關數據表明，這些視覺仿生模型的嘗試和應用取得了一定的效果，但它們的最大特點仍是以數據驅動的選擇注意模型為基礎，缺乏選擇注意與學習、記憶等模塊的競爭、整合和調控機制，普遍性和穩(wěn)健性還存在不足。


發(fā)明內容
本發(fā)明的目的在于針對現有技術的不足，提供一種基于視覺仿生的運動目標檢測方法，與成像硬件系統(tǒng)配套進行信號分析與處理，提高成像跟蹤系統(tǒng)對運動目標的檢測和識別性能，滿足識別與跟蹤復雜背景下動目標的需要。
為實現這一目的，本發(fā)明的技術方案從人眼視覺系統(tǒng)生理結構出發(fā)，以序列圖像中運動目標和背景之間的空時顯著性差異特征為切入點。本發(fā)明采用以下技術方案 一種基于視覺仿生的運動目標檢測方法，其特征在于，所述檢測方法包括如下步驟 1)采用DOG函數描述人眼視網膜和側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)，迭代的次數以空間顯著圖大多數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)域的全局運動

和各顯著區(qū)的局部運動

以及各顯著區(qū)的相對運動后，形成運動顯著圖St(r)； 4)離線提取典型目標的輪廓、長寬比和旋轉尺度平移不變矩等特征，形成目標不變特征的數據庫，簡稱目標不變特征庫。在目標不變特征庫的控制下，空間顯著圖Ss(r)和運動顯著圖St(r)相互競爭、協(xié)調融合形成空時顯著圖S(r)； 5)對多幀空時顯著圖的各顯著區(qū)域，提取該區(qū)域內物體包括景物、目標的形狀特征、亮度和不變矩，以及相對運動速度，并對目標諸不變特征進行序貫假設驗證，識別出運動目標。
本發(fā)明提高了成像跟蹤系統(tǒng)對運動目標的檢測和識別性能，滿足識別與跟蹤復雜背景下動目標的需要，提高了算法的實用性和穩(wěn)健性，可廣泛應用于各類軍、民用系統(tǒng)，具有廣闊的市場前景和應用價值.


圖1為本發(fā)明采用基于視覺仿生的動目標檢測方法對復雜背景下運動目標檢測與識別的流程圖；圖2用DOG函數描繪的視網膜神經節(jié)細胞感受野。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，其中包括飛機目標，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)域顯著性越強則越亮； 圖5為在連續(xù)兩幀圖像搜索到的可疑目標，其中白色曲線指示可疑目標所在區(qū)域； 圖6為運動顯著圖，以灰度亮弱不同表示區(qū)域的顯著性差異，即區(qū)域顯著性越強則越亮； 圖7為空時顯著圖，以灰度亮弱不同表示區(qū)域的顯著性差異，即區(qū)域顯著性越強則越亮； 圖8為目標檢測結果。

具體實施例方式 為了更好地理解本發(fā)明的技術方案，下面結合附圖對本發(fā)明的實施方式作進一步描述。
本發(fā)明基于視覺仿生的動目標檢測與識別方法的流程如圖1所示，首先采用DOG函數構造的濾波器提取當前時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)進行配對，提取出各顯著區(qū)的運動速度。再后，則在目標不變特征庫的控制下，在各顯著區(qū)內進行空間特征和運動特征相互競爭、協(xié)調融合形成空時顯著圖。之后，則按勝者為王的注意焦點轉移策略，提取空時顯著區(qū)域內目標不變特征。最后，則采用證據理論對目標不變特征進行序貫假設驗證，識別出可能的運動目標。各部分具體實施細節(jié)如下 1.提取空間特征。
采用兩個高斯型函數的差(Difference of Gaussian，也稱為DOG函數)描述視網膜和側膝體上同心圓形感受野，即感受野可以用極坐標形式表示為 式中，r為感受野中一點到中心點的距離，σex和σinh是興奮和抑制帶寬，cex2和cinh2是興奮和抑制常數。當且σex≤σinh時，上式對應于on-中心型感受野，如圖2(a)所示；當且σex＞σinh，該式則對應于off-中心型感受野，如圖2(b)所示。本發(fā)明根據信號特點自適應地選擇興奮σex和抑制帶寬σinh，即 σex＝a/(gn+1) σinh＝a/(gm+1) 式中，gn和gm是圖像該像素點梯度的最大值和最小值，a是一正實常數。
用DOG函數對輸入圖像進行卷積，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)。迭代的次數以空間顯著圖大多數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數Zero(Ss(r))與其總像素數Sum(Ss(r))的比例小于較小的正常數Cmin，圖4是對原圖像(圖3)計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)域顯著性越強則越亮。圖5為依據空間顯著圖搜索到的可疑目標，包括樹木，草地和飛機目標，縮小了目標搜索空間，可減少運算量。
3.形成了運動顯著圖。
確定相鄰兩幀空間顯著圖中各顯著區(qū)域的全局運動

和局部運動

以及相對運動通常，自然景物的相對運動

接近于零，而動態(tài)目標的相對運動

較大。運動顯著圖St(r)定義為 其中，Γmedian是

的中間值。圖6為運動顯著圖，以灰度亮弱不同表示區(qū)域的顯著性差異，即區(qū)域顯著性越強則越亮。運動顯著圖可突出動態(tài)目標和抑制背景。
4.在目標不變特征庫的控制下，空間特征Ss(r)和運動特征St(r)相互競爭、協(xié)調融合形成空時顯著圖S(r)。
S(r)＝α(r)St(r)+(1-α(r))Ss(r)+β(r)St(r)Ss(r) 其中參數α(r)、β(r)是受目標不變特征庫調控的權重，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動顯著圖之間的耦合強度確定。
圖7為空時顯著圖，以灰度亮弱不同表示區(qū)域的顯著性差異，即區(qū)域顯著性越強則越亮。
5.確認運動目標。
運動目標的運動特征和形狀特征具有一定的不變性和連續(xù)性。在多幀空時顯著圖的各顯著區(qū)域，提取該區(qū)域內物體(包括景物、目標)的形狀特征、亮度和旋轉尺度平移不變矩，以及相對運動速度，并對目標諸不變特征進行序貫假設驗證，識別出運動目標。圖8為目標檢測結果，相對運動的飛機被有效檢測出。
權利要求
1、一種基于視覺仿生的運動目標檢測方法，其特征在于，所述檢測方法包括如下步驟
1)采用DOG函數描述人眼視網膜和側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)，迭代的次數以空間顯著圖大多數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數Zero(Ss(r))與其總像素數Sum(Ss(r))的比例小于較小的正常數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)域的全局運動
和各顯著區(qū)的局部運動
以及各顯著區(qū)的相對運動后，形成運動顯著圖St(r)；
4)離線提取典型目標的固定特征，該特征包括典型目標的輪廓、長寬比和旋轉尺度平移不變矩，形成目標不變特征的數據庫，簡稱目標不變特征庫，在目標不變特征庫的控制下，空間顯著圖Ss(r)和運動顯著圖St(r)相互競爭、協(xié)調融合形成空時顯著圖S(r)；
5)提取空時顯著圖的各顯著區(qū)域內物體包括景物、目標的形狀特征、亮度和不變矩，以及相對運動速度，并對目標諸不變特征進行序貫假設驗證，識別出運動目標。
2、根據權利要求1所述的基于視覺仿生的運動目標檢測方法，其特征在于所述DOG函數為兩個高斯型函數之差，所述感受野表示為
式中，r為感受野內到中心點的距離，σex和σinh分別是興奮帶寬和抑制帶寬，cex2和cinh2是興奮常數和抑制常數；當且σex≤σinh時，上式對應于on-中心型感受野，當且σex＞σinh，上式對應于off-中心型感受野；根據圖像信號特點自適應地選擇興奮帶寬σex和抑制帶寬σinh，即
σex＝a/(gn+1)
σinh＝a/(gm+1)
式中，gn和gm是圖像該像素點梯度的最大值和最小值，a是一正實常數。
3、根據權利要求1所述的基于視覺仿生的運動目標檢測方法，其特征在于使用下式實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，迭代的次數以空間顯著圖大多數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、根據權利要求1所述的基于視覺仿生的運動目標檢測方法，其特征在于運動顯著圖St(r)定義為，
其中，Γmedian是
的中間值。
5、根據權利要求1所述的基于視覺仿生的運動目標檢測方法，其特征在于通過下式，空間顯著Ss(r)和運動顯著St(r)相互競爭、協(xié)調融合形成空時顯著圖S(r)，
S(r)＝α(r)St(r)+(1-α(r))Ss(r)+β(r)St(r)Ss(r)
其中參數α(r)、β(r)是受目標不變特征庫調控的權重，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動顯著圖之間的耦合強度確定。
全文摘要
本發(fā)明提出一種基于視覺仿生的運動目標檢測方法。從人眼視覺系統(tǒng)生理結構出發(fā)，以序列圖像中運動目標和背景之間的空時顯著性差異特征為切入點。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)進行配對，提取出各顯著區(qū)的運動速度。然后，則在目標不變特征庫的控制下，對各顯著區(qū)內的空間特征和運動特征進行相互競爭、協(xié)調融合形成空時顯著圖。再后，提取空時顯著區(qū)域內目標不變特征。最后，則采用證據理論對目標不變特征進行序貫假設驗證，識別出運動目標。本發(fā)明提高了算法的實用性和穩(wěn)健性，可廣泛應用于各類軍、民用系統(tǒng)，具有廣闊的市場前景和應用價值。
文檔編號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