一種面向?qū)崟r視覺系統(tǒng)的目標(biāo)壓縮感知方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及視覺圖像中目標(biāo)檢測技術(shù)領(lǐng)域，特別涉及一種面向?qū)崟r視覺系統(tǒng)的目 標(biāo)壓縮感知方法。
【背景技術(shù)】
[0002] 在計算機(jī)視覺相關(guān)實(shí)時視覺系統(tǒng)應(yīng)用領(lǐng)域，對獲取的視覺圖像中目標(biāo)的檢測是首 要的步驟。目標(biāo)檢測算法的好壞影響到對后續(xù)跟蹤與行為識別等進(jìn)一步的視覺處理。由于 實(shí)際場景的復(fù)雜多變導(dǎo)致現(xiàn)有的目標(biāo)檢測算法普遍比較復(fù)雜，計算量大，內(nèi)存容量要求高， 不適合資源有限的實(shí)時視覺系統(tǒng)。
[0003] 因此，針對于實(shí)時視覺系統(tǒng)的目標(biāo)檢測算法必須首先考慮算法效能的問題，要盡 可能減少計算量和存儲容量。壓縮感知理論突破了傳統(tǒng)拉奎斯特理論下對樣本數(shù)的要求。 只要信號是可壓縮的或是稀疏的，就可以通過滿足一定條件的觀測矩陣將變換后的高維信 號進(jìn)行采樣，得到一個采樣后的低維信號。然后求解一個優(yōu)化問題就可以從少量的采樣值 中完美的重構(gòu)出原始信號。背景減除方法是一種在目標(biāo)檢測領(lǐng)域技術(shù)比較成熟的方法，應(yīng) 用十分廣泛。該方法通過對視頻圖像當(dāng)前幀和背景模型對應(yīng)位置像素值相減，當(dāng)差的絕對 值值大于某個閾值時，判定該像素為目標(biāo)像素，否則為背景像素。并通過后期圖像處理，得 到完整的目標(biāo)圖像。
[0004] 將壓縮感知理論應(yīng)用到基于背景減除法的目標(biāo)檢測算法中，在保留原始圖像信息 的同時，可大幅減少背景建模的像素數(shù)量，從而提高算法效率。構(gòu)建混合采樣矩陣來減少參 與背景建模的數(shù)據(jù)量，并從多個方面優(yōu)化了算法的效能。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明針對現(xiàn)有技術(shù)存在的上述不足，提供了一種面向?qū)崟r視覺系統(tǒng)的目標(biāo)壓縮 感知方法。
[0006] 本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：
[0007] -種面向?qū)崟r視覺系統(tǒng)的目標(biāo)壓縮感知方法，包括圖像重構(gòu)步驟、混合壓縮感知 步驟、高效Vibe目標(biāo)檢測步驟、更新步驟和后處理步驟，其中，
[0008] S1、所述圖像重構(gòu)步驟，根據(jù)采集到的目標(biāo)圖像尺寸大小對目標(biāo)圖像進(jìn)行4*4分 塊，并將分塊后的圖像塊轉(zhuǎn)換為16*1的向量；
[0009] 針對每一幀圖像實(shí)施以下步驟：
[0010] S2、所述混合壓縮感知步驟，包括：
[0011] 依據(jù)各圖像塊進(jìn)行邊緣檢測的結(jié)果或更新上一幀圖像時得到的參數(shù)調(diào)節(jié)信息構(gòu) 建各圖像塊的混合采樣矩陣，再利用所述混合采樣矩陣對相應(yīng)的圖像塊進(jìn)行采樣壓縮，得 到壓縮后的各圖像塊；
[0012] S3、所述高效Vibe目標(biāo)檢測步驟，針對所述壓縮后的各圖像塊中的每個像素點(diǎn)， 利用Vibe像素級背景建模算法將像素點(diǎn)的像素值與該像素點(diǎn)對應(yīng)的樣本集進(jìn)行比較，判 斷其是否屬于背景點(diǎn)；
[0013] S4、所述更新步驟，根據(jù)所述高效Vibe目標(biāo)檢測步驟的檢測結(jié)果，確定當(dāng)前幀圖 像塊中的背景塊區(qū)域與目標(biāo)塊區(qū)域；
[0014] 然后根據(jù)像素點(diǎn)屬于背景塊區(qū)域還是目標(biāo)塊區(qū)域得到該像素點(diǎn)下一幀圖像的混 合采樣矩陣的參數(shù)調(diào)節(jié)信息；
[0015] S5、所述后處理步驟，對當(dāng)前幀的各圖像塊進(jìn)行解壓、重構(gòu)和后期圖像優(yōu)化處理， 得到當(dāng)前幀最終的目標(biāo)圖像。
[0016] 進(jìn)一步的，所述混合壓縮感知步驟中，依據(jù)各圖像塊進(jìn)行邊緣檢測的結(jié)果，構(gòu)建各 圖像塊的混合采樣矩陣，再利用所述混合采樣矩陣對相應(yīng)的圖像塊進(jìn)行采樣壓縮的具體步 驟如下：
[0017] 首先，對圖像作邊緣檢測，如等式（1)所示，
[0018] T (f) ^ T (fp) = T (Kf1)) (1)
[0019] 等式⑴中，記T (f)為邊緣檢測算子，T (fp)為預(yù)測圖像邊緣檢測，T (Kf1))為 對低分辨率采樣后圖像進(jìn)行邊緣檢測；
[0020] 然后，采用等式（2)進(jìn)行形態(tài)學(xué)處理，
[0021] Sa= MP(T (fp)) (2)
[0022] 等式（2)中，記Mp (T (fp))為對預(yù)測邊緣進(jìn)行經(jīng)典形態(tài)學(xué)操作；
[0023] 再者，根據(jù)形態(tài)學(xué)處理結(jié)果構(gòu)建混合采樣矩陣，所述混合采樣矩陣由低分辨采樣 矩陣、自適應(yīng)采樣矩陣以及隨機(jī)采樣矩陣三者的合集構(gòu)成，所述混合采樣矩陣如等式（3) 所示，
[0024] Sn= SaU SrUS1 (3)
[0025] 等式（3)中，記Sni為混合采樣矩陣，S a為低分辨率采樣，S ^為自適應(yīng)采樣，S :為隨 機(jī)米樣。
[0026] 進(jìn)一步的，所述Vibe像素級背景建模算法具體包括：在模型中，為每個背景點(diǎn)存 儲一個樣本集，然后將每一個新的像素值和樣本集進(jìn)行比較并判斷是否屬于背景點(diǎn)，其判 斷依據(jù)為：如果一個新的像素值屬于背景點(diǎn)，那么新的像素值應(yīng)該和樣本集中的采樣值接 近，
[0027] 其過程進(jìn)一步為：
[0028] 如等式（4)、（5)所示，
[0029] M (X) = {Vl，V2,......vN}⑷
[0030] {SR (ν(χ)) Π Iv1J2,......νΝ}} (5)
[0031] 等式（4)、（5)中，記v(x)為x點(diǎn)處的像素值、M(X)為x處的背景樣本集（樣本集 大小為N)、SR(v(x))為以X為中心R為半徑的區(qū)域；
[0032] 模型的更新策略是每一個背景點(diǎn)有1/Φ的概率去更新自己的模型樣本值，同時 也有1/Φ的概率去更新鄰居點(diǎn)的模型樣本值，樣本值在時刻t不被更新的概率是（N-l)/N， 假設(shè)時間是連續(xù)的，那么在dt的時間過去后，樣本值仍然保留的概率為：
[0033] 御
[0034]
(7)
[0035] 如果等式（6)大于一個給定的閾值，那么就認(rèn)為x點(diǎn)屬于背景點(diǎn)。
[0036] 進(jìn)一步的，所述更新步驟中得到的混合采樣矩陣的參數(shù)調(diào)節(jié)信息進(jìn)一步使得：
[0037] 針對上一幀圖像中的的目標(biāo)塊區(qū)域，在當(dāng)前幀該區(qū)域的1.2倍區(qū)域內(nèi)提高采樣 率，而在背景塊區(qū)域內(nèi)降低采樣率。
[0038] 進(jìn)一步的，所述更新步驟中得到的混合采樣矩陣的參數(shù)調(diào)節(jié)信息進(jìn)一步使得：
[0039] 針對當(dāng)前幀圖像中的目標(biāo)塊區(qū)域，更新速度提升10%，采樣率提升10% ;
[0040] 針對當(dāng)前幀圖像中的背景塊區(qū)域，更新速度降低10%，采樣率降低10%。
[0041] 進(jìn)一步的，所述更新步驟中，確定當(dāng)前幀圖像塊中的背景塊與目標(biāo)塊時，將上一幀 檢測出的目標(biāo)塊區(qū)域經(jīng)過擴(kuò)展后作為當(dāng)前幀的目標(biāo)塊區(qū)域進(jìn)行匹配檢測，其中，
[0042] 在目標(biāo)塊區(qū)域外的像素點(diǎn)采用嚴(yán)格的匹配準(zhǔn)則；
[0043] 在目標(biāo)塊區(qū)域內(nèi)的像素點(diǎn)采用寬松的匹配準(zhǔn)則。
[0044] 進(jìn)一步的，所述更新步驟中得到的混合采樣矩陣的參數(shù)調(diào)節(jié)信息進(jìn)一步使得：
[0045] 針對當(dāng)前幀圖像中的的目標(biāo)塊區(qū)域，在目標(biāo)塊區(qū)域外的像素點(diǎn)減少15%采樣點(diǎn)；
[0046] 針對當(dāng)前幀圖像中的的目標(biāo)塊區(qū)域，在目標(biāo)塊區(qū)域內(nèi)的像素點(diǎn)增加15%采樣點(diǎn)。
[0047] 進(jìn)一步的，所述混合壓縮感知步驟是以M行N列（M〈〈N)大小的混合采樣矩陣Φ 對信號x(N維）進(jìn)行測量，可得到壓縮后的測量值y(M維），該過程可由等式（8)實(shí)現(xiàn)，
[0048] y = Φχ = φΨα = Θα (8)
[0049] 如果信號χ在某個變化域具有稀疏性，如等式（9)所示：
[0050] α = Ψτχ (9)
[0051] 并且混合采樣矩陣Φ滿足約束等距性條件，即指對于任意的K稀疏信號f以及常 Il #f Ili 數(shù)δ ke (0，1)滿足：S +&進(jìn)而通過等式（10)來完美恢復(fù)該信號：
[0052]
(]〇)
[0053] 該過程為所述解壓重構(gòu)，其中的0范數(shù)指的就是0元素的個數(shù)。
[0054] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：
[0055] 本發(fā)明采取的方法為構(gòu)建混合采樣矩陣通過對圖像進(jìn)行采樣壓縮，減少了計算數(shù) 據(jù)量，并對算法進(jìn)行兩個方面的效能優(yōu)化。一是根據(jù)背景亮度的變化來自適應(yīng)調(diào)整學(xué)習(xí)速 率，減少平均計算時間；二是根據(jù)分割提取目標(biāo)的興趣區(qū)域采用不同測量值，整體減少像素 個數(shù)，有效地減少了背景建模的時間。通過算法仿真和節(jié)點(diǎn)實(shí)測的實(shí)驗結(jié)果證明，該方法可 獲得較好的目標(biāo)檢測結(jié)果并且具有較強(qiáng)的抗干擾性，相對于傳統(tǒng)的混合高斯算法，內(nèi)存容 量減少約四分之三，處理時間可減少40%以上。
【附圖說明】
[0056] 圖1所示的是本發(fā)明的流程圖；
[0057] 圖2所示