[发明专利]基于脉冲序列式图像传感器的高速目标追踪方法

权利要求书

1.一种基于脉冲序列式图像传感器的高速目标追踪方法，其特征是，步骤如下：

(1)根据脉冲数据获取脉冲间隔及脉冲频率；

(2)对运动目标进行运动检测，并去除运动检测过程中出现的鬼影和空洞；

(3)对目标进行锁定与追踪；

(4)在找到真实的目标区域之后，对场景及目标采用双边滤波进行图像重构。

2.如权利要求1所述的基于脉冲序列式图像传感器的高速目标追踪方法，其特征是，详细步骤如下：

(1)根据脉冲数据获取脉冲间隔及脉冲频率，对于t时刻的像素(i,j)，首先需要找出该像素t时刻之前最近的一次脉冲数据1的输出时刻Zmax和t时刻之后最近的一次脉冲数据1的输出时刻Zmin，如式(1)所示：

其中I_z(i,j)为像素(i,j)在z时刻的脉冲数据，之后该像素t时刻的原始脉冲间隔P_t(i,j)通过这两个时刻的差值获得，如式(2)所示：

P_t(i,j)＝Zmin-Zmax (2)

通过式(2)将脉冲数据转换为脉冲间隔，然后根据转换后的脉冲间隔，求出脉冲频率，即：

f_t(i,j)＝1/P_t(i,j) (3)

(2)对运动目标进行检测，将脉冲频率作为像素的值来进行运动目标检测，使用A帧像素的值来初始化背景模型，如式(4)所示：

M_A(i,j)＝{f₁(i,j),f₂(i,j),…,f_A(i,j)} (4)

然后计算当前时刻的像素值与背景模型之间的欧氏距离，并将计算结果与设定的阈值R_D进行比较，低于阈值R_D，则比较结果r_k为1，高于阈值R_D则为0，然后统计比较结果，如果统计结果大于给定的阈值R_B，则该像素的检测结果B_t(i,j)为背景，二值化灰度值为0，否则为运动目标，二值化灰度值为255，即：

同时，如果像素检测为背景，需要对背景模型进行更新，即利用该像素值随机替换该像素邻域内任意像素的背景模型中的任意样本，如式(6)所示：

其中f_an(i,j)是像素(i,j)的背景模型M_A(i,j)中的任意样本，f_an(i_an,j_an)是像素(i,j)邻域内任意像素的背景模型中的任意样本；

然后去除运动检测过程中出现的鬼影和空洞，对于像素(i,j)，对像素(i,j)的邻域R_ij区域固定时间段t_h内的脉冲信号进行统计，并计算该邻域的脉冲密度d_t(i,j)：

其中H_t(x,y)为邻域R_ij内像素(x,y)的脉冲数据，实际运动目标处的脉冲密度范围为R_H，则鬼影处的二值化灰度值虽然为255，但其脉冲密度必然不在R_H范围内，据此消除鬼影，即：

同理，由于目标内部空洞处的二值化灰度值虽然为0，但其脉冲密度与实际目标处相同，据此补偿空洞，即：

B_t(i,j)＝255,if B_t(i,j)＝0 and d_t(i,j)∈R_H (9)

(3)对目标进行锁定与追踪：首先从运动检测出的所有运动物体中锁定要追踪的目标，并标记出该目标所在的区域，然后把此时的该目标区域作为目标模型，并计算区域的脉冲间隔的概率密度，一帧或数帧时间后，再次标记运动检测出的所有运动物体所在的区域，然后计算每一个运动物体区域的脉冲间隔概率密度，并与目标模型的概率密度进行比较，那么在一定距离范围内与目标模型概率密度最相似的运动物体即为要追踪的目标；最后把该运动物体作为新的目标模型，并把该运动物体区域内的概率密度作为目标模型的概率密度，以此来更新目标模型，用于下一帧或数帧后的目标追踪；

(4)在找到真实的目标区域之后，对场景及目标采用双边滤波进行图像重构，如式(17)所示：

其中P_t′(i,j)滤波后的脉冲间隔，P_t(i,j)为原始脉冲间隔，W_p为归一化系数，G_σs为空域核，G_σr为像素核，S为像素(i,j)的空间域，σs和σr为空域核和像素核的标准差,然后进行图像重构，如式(18)所示：

G_t(i,j)＝K/P_t′(i,j),K＝255×P_min (18)

其中K为脉冲间隔到灰度值的转换系数，P_min为脉冲间隔序列中的最小脉冲间隔。

3.如权利要求2所述的基于脉冲序列式图像传感器的高速目标追踪方法，其特征是，步骤(3)中，首先在初始t₀时刻锁定要追踪的目标，通过连通域标记该目标所在的区域，并将此时的目标区域作为目标模型并命名为R_Q，区域内第n个像素点命名为p_n，其脉冲间隔为z_n，该区域的中心点像素命名为p₀，其脉冲间隔为z₀，如式(10)所示：

然后计算目标模型的脉冲间隔概率密度Q_u(p₀)，如下所示：

其中K为Epannechnikov核函数，h为核函数的窗口大小，C为归一化系数，使得b(z_n)为区域内像素点的脉冲间隔z_n的直方图量化值，Nbin为最大量化范围，u为特征值，δ(b(z_n)-u)为Delta函数，用于判断量化值b(z_n)是否属于特征值u，N_um为该区域内所有像素点的数目，一帧或数帧时间后，即在t时刻，再次通过连通域标记运动检测出的所有运动物体所在的区域，并将其命名为R_P1，R_P2，R_P3，…，R_Pm，…，假设第m个运动物体区域R_Pm中的第n个像素点为p_nm，其脉冲间隔为z_nm，该模型中心像素为p_0m，其脉冲间隔为z_0m，如式(12)所示：

然后计算出所有运动物体区域的脉冲间隔概率密度，其中第m个运动物体的概率密度Q_um(p_0m)如式(13)所示：

通过相似性函数Bhattacharyya系数来度量目标模型与所有运动物体R_P1，R_P2，R_P3，…，R_Pm，…的相似度，并从中找到真正的目标R_P；另外，由于脉冲图像传感器具有较高的帧频，那么两帧或数帧之间目标的位置变化必定差别不大，即两帧或数帧之间的目标必定保持在一定距离范围L_d内，因此可以对Bhattacharyya系数做出如下调整：

其中ρ_m为调整后的第m个候选模型的Bhattacharyya系数值，除此之外，L_d可以自适应迭代调整，首先给L_d设定一个很小的初始值，然后根据ρ_m的值来调整L_d的值，如果ρ_m的最大值为0，则L_d大小增加1，直到ρ_m的最大值不为0，如式(15)所示：

而真实的目标R_P则为使ρ_m最大的运动物体，即：

R_P＝R_Pm,if ρ_m＝max(ρ_m),m∈[1,2,3,…] (16)

然后更新目标模型，即R_Q＝R_P。