專利名稱：：一種協(xié)同運動目標(biāo)檢測方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種協(xié)同目標(biāo)檢測方法，特別是協(xié)同運動目標(biāo)檢測方法。
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融合的運動目標(biāo)檢測方法。該方法首先分別對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)的對應(yīng)角點，這樣實現(xiàn)了圖像的自動配準(zhǔn)。最后對已配準(zhǔn)的紅外和可見光圖像，利用基于像素級的融合概率檢測策略(probabilisticstrategies)提取精確的目標(biāo)輪廓。該方法在融合階段對各個元圖像的檢測結(jié)果進(jìn)行了可信性度量，通過可信性度量對不同傳感器處理結(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前景概率進(jìn)行固定閾值分割，閾值過高或過低都會影響檢測結(jié)果，使得檢測結(jié)果目標(biāo)比實際目標(biāo)大或者目標(biāo)被分碎。另外該方法只是簡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，因此檢測結(jié)果并不理想，目標(biāo)平均檢測率只有97.64%。發(fā)明內(nèi)'容為了克服現(xiàn)有技術(shù)目標(biāo)平均檢測率低的不足，本發(fā)明提供一種協(xié)同運動目標(biāo)檢測方法，采用多元圖像的協(xié)同運動目標(biāo)進(jìn)行檢測，在光照敏感、遮擋、陰影、目標(biāo)運動狀態(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)同運動目標(biāo)檢測方法，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之間的匹配，然后利用特征點估計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)對可見光圖像序列采用多層背景差算法將場景中相對背景運動的目標(biāo)檢測出來，使用分層紅外目標(biāo)檢測算法檢測出熱目.標(biāo)，將可見光圖像中檢測出的干擾目標(biāo)排除；(c)根據(jù)步驟(b)檢測結(jié)果，分別計算可見光序列和紅外序列的信息向量，并通過兩個信息向量計算協(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)同運動目標(biāo)進(jìn)行檢測，用協(xié)同駕駛向量度量多元信息之間的差異，對各元檢測結(jié)果進(jìn)行修正，修正各元進(jìn)一步的檢測策略，調(diào)整其參數(shù)，如此反復(fù)進(jìn)行差異度量和檢測，'直至差異趨近于零，即完成了整個協(xié)同檢測過程。這種協(xié)同機(jī)制充分利用了多元信息，對各個元進(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)檢測結(jié)果，解決光照敏感、遮擋、陰影、目標(biāo)運動狀態(tài)發(fā)生變化等問題，使目標(biāo)平均檢測率由現(xiàn)有技術(shù)的97.64°/。提高到99.3%。下面結(jié)合附圖和實施例對本發(fā)明作詳細(xì)說明。附圖是本發(fā)明協(xié)同運動目標(biāo)檢測方法流程圖。具體實施例方式參照附圖。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之間的匹配，然后利用特征點估計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)確的特征點對。(2)第一次數(shù)據(jù)處理，對可見光圖像序列采用多層背景差算法將場景中相對背景運動的目標(biāo)檢測出來，使用分層紅外目標(biāo)檢測算法檢測出熱目標(biāo)，將可見光圖像中檢測出的干擾目標(biāo)排除。(3)計算協(xié)同駕駛向量，根據(jù)檢測結(jié)果，分別計算可見光序列和紅外序列的信息向量，并通過兩個信息向量計算協(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)一步精確檢測還是結(jié)果輸出等處理，并轉(zhuǎn)步驟(3)。(6)顯示輸出檢測結(jié)果。下面對協(xié)同檢測關(guān)鍵步驟進(jìn)行詳細(xì)說明計算協(xié)同駕駛向量。在協(xié)同檢測中，全局信息向量針對每一幀的檢測結(jié)果，目前僅包括目標(biāo)總數(shù)目，局部信息向量針對每一個檢測出來的目標(biāo)，包括目標(biāo)質(zhì)心、目標(biāo)面積、目標(biāo)背景相似度三個分量，按照式(1)進(jìn)行計算。G/F=<,TV謡>m全局協(xié)同駕駛向量僅包括目標(biāo)總數(shù)之比〈G^'^^^""^^,按照式(2)進(jìn)行計算。.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)。針對局部協(xié)同駕駛向量，并結(jié)合具體情況，設(shè)計了與之適應(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，通過計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；否則把紅外檢測結(jié)果作為輸出。可見光虛警響應(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，通過計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)一一對應(yīng)時，通過自適應(yīng)閾值分割對當(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，將與該目標(biāo)匹配的多個目標(biāo)區(qū)域進(jìn)行合并重新檢測，利用檢測結(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)同檢測中，當(dāng)不同元之間的目標(biāo)匹配關(guān)系正確時，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，即說明各元檢測結(jié)果相對一致并進(jìn)入穩(wěn)態(tài)，結(jié)束協(xié)同過程。下表是采用本發(fā)明檢測方法進(jìn)行多次檢測的檢測率以及平均檢測率。<table>tableseeoriginaldocumentpage6</column></row><table>權(quán)利要求1、一種協(xié)同運動目標(biāo)檢測方法，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之間的匹配，然后利用特征點估計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)對可見光圖像序列采用多層背景差算法將場景中相對背景運動的目標(biāo)檢測出來，使用分層紅外目標(biāo)檢測算法檢測出熱目標(biāo)，將可見光圖像中檢測出的干擾目標(biāo)排除；(c)根據(jù)步驟(b)檢測結(jié)果，分別計算可見光序列和紅外序列的信息向量，并通過兩個信息向量計算協(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，顯示輸出檢測結(jié)果。全文摘要本發(fā)明公開了一種協(xié)同運動目標(biāo)檢測方法，首先進(jìn)行圖像配準(zhǔn)，再將可見光圖像中檢測出的干擾目標(biāo)排除，分別計算可見光序列和紅外序列的信息向量，并通過兩個信息向量計算協(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，顯示輸出檢測結(jié)果。由于采用多元圖像的協(xié)同運動目標(biāo)檢測，用協(xié)同駕駛向量度量多元信息之間的差異，對各元檢測結(jié)果進(jìn)行修正，使目標(biāo)平均檢測率由現(xiàn)有技術(shù)的97.64％提高到99.3％。文檔編號G06T7/20GK101408984SQ20081023160公開日2009年4月15日申請日期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,郗潤平申請人:西北工業(yè)大學(xué)