基于粒子滤波视觉注意力模型的运动目标检测方法技术

本发明专利技术公开了一种基于粒子滤波视觉注意力模型的运动目标检测方法，首先依据贝叶斯估计原理，构建粒子滤波双向融合注意力模型；然后以粒子滤波双向融合注意力模型框架为基础，以运动注意力和目标颜色注意力分别为B-U和T-D注意力输入，通过粒子权值计算改变粒子分布状态，形成注意力显著图，并最终确定运动目标位置。本发明专利技术的方法，融合时间和空间注意力，使得运动注意力计算更为准确；融合自底向上和自顶向下注意力，简单有效的模拟了人类视觉注意形成过程；针对复杂全局运动场景，提高了运动目标检测的有效性和准确性。

【技术实现步骤摘要】

本专利技术属于视频图像检测
，涉及一种基于粒子滤波视觉注意力模型的运动目标检测方法。
技术介绍
运动目标检测是机器视觉领域的重要问题之一，是目标跟踪、识别的前提，但在复杂运动场景中，现有运动目标检测方法仍存在较大局限和不足。近些年，视觉感知研究逐渐融入了人类生理和心理的研究成果，其主要思路是采用计算机模拟人类生理的局部功能用于解决视觉领域中存在的难题，视觉注意力就是这类研究的典型，其研究成果对目标检测、分割等视觉问题具有重要的推动作用。传统的运动目标检测方法有帧间差分法、背景差分法和全局运动补偿法，其中背景差分法和帧间差分法只局限于局部运动场景，全局运动补偿法适用范围广，但准确性受到目标大小和运动强度影响，当目标体较大或运动较强烈时，全局运动估算准确性下降，不能进行全局有效补偿，导致运动目标检测存在较大误差。人类视觉注意力是由自底向上(Bottom-Up，简称B-U)和自顶向下(Top-Down，简称T-D)两种注意力共同作用产生形成的。2002年，Itti和Koch建立了亮度、颜色和方向等特征为主的B-U视觉注意力模型，随后的研究衍生出多种视觉注意力计算方法及应用。目前，视觉注意力模型大致可分为自底向上型和双向型两种类型。自底向上型描述B-U注意力计算方法；双向型描述B-U和T-D共同作用的注意力计算方法。注意力属于人类视觉系统对外部观察的初期反应，一些学者从注r>意力的角度对目标检测问题进行了初步研究。其中有些采用双向注意力方法进行静态目标检测。Sang-Woo Ban等对特定静态目标颜色特征进行自组织神经网络学习，生成权重矩阵，并将其作为T-D的影响因素调节B-U注意力计算过程，形成目标注意力显著图。Yuming Fang等提取目标的方向特征作为T-D注意力，并与B-U注意力进行比例加权融合，最终确定目标位置。Yuanlong Yu等建立目标特征长期记忆(LTM)单元，通过与低级特征的对比计算位置概率分布偏置，并进行双向加权融合，确定目标位置。另外，也有文献建立了运动注意力模型用于运动目标检测，主要思路是根据运动反差定义运动注意力模型，使运动显著性区域逼近目标区域。Yu-Fei Ma根据从MPEG码流中解压所得到的运动矢量场的运动矢量能量、空间相关性和时间相关性综合定义了运动注意力模型，通过该模型可以得到运动显著性区域。Junwei Han将注意力分为静态注意力和动态注意力两种，静态注意力主要由图像的亮度、颜色等信息引起，动态注意力是在全局运动补偿的基础上计算区域的变化像素的比例进行定义的，注意力模型最终由静态注意力和动态注意力融合得到主要应用于运动目标检测。综上所述，从视觉注意力角度对目标检测进行研究具有积极意义，但目前的研究多数针对静止目标检测，缺乏运动目标检测的研究；另外，运动注意力模型限于自底向上的数据驱模型方法，没有融合颜色、运动等多个特征的双向注意力模型。
技术实现思路
本专利技术的目的是提供一种基于粒子滤波视觉注意力模型的运动目标检测方法，解决了现有技术运动注意力模型限于自底向上的数据驱模型方法，没有融合颜色、运动等多个特征，不能够适应复杂运动场景，难以有效、准确地检测运动目标的问题。本专利技术所采用的技术方案是，一种基于粒子滤波视觉注意力模型的运动目标检测方法，首先依据贝叶斯估计原理，构建粒子滤波双向融合注意力模型；然后以粒子滤波双向融合注意力模型框架为基础，以运动注意力和目标颜色注意力分别为B-U和T-D注意力输入，通过粒子权值计算改变粒子分布状态，形成注意力显著图，并最终确定运动目标位置。本专利技术的有益效果是：1)对视频图像进行高斯多尺度分解，更符合人类的视觉特性，对运动矢量场进行叠加和滤波预处理，减少估计误差和噪声的影响。2)融合时间和空间注意力，使得运动注意力计算更为准确。3)依据贝叶斯估计原理引入粒子滤波机制，融合自底向上和自顶向下注意力，构建双向融合注意力模型，简单有效的模拟了人类视觉注意形成过程。4)运用双向融合注意力模型进行运动目标检测，针对复杂全局运动场景，提高了运动目标检测的有效性和准确性。附图说明图1是本专利技术方法的流程框图；图2是本专利技术实施例视频图像三层高斯金字塔，其中的(a)为原始尺度，(b)为次低尺度，(c)为低尺度；图3是本专利技术实施对应运动矢量场及其预处理结果，其中的(a)为运动矢量场，(b)叠加滤波后运动矢量场，(c)为中值滤波后运动矢量场；图4是本专利技术实施B-U注意力显著图，其中的(a)为注意力显著图，(b)为注意力显著热图；图5是本专利技术实施粒子滤波融合双向注意力结果，其中的(a)为重要性采样结果，(b)为重采样后粒子分布图；图6是本专利技术实施粒子注意力显著图和目标定位，其中的(a)为粒子空间分布生成注意力显著值的示意图，(b)为根据重采样后的粒子得到注意力显著图，(c)为目标定位结果。图7是本专利技术实施例1“飞行器”视频序列的实验结果，第一至四行分别为第5、28、40、60帧，其中的(a)为原始帧，(b)为Yu-Fei Ma运动注意力模型结果，(c)为基于全局运动补偿的视觉注意力(GMC-VA)模型结果，(d)为YumingFang双向加权融合视觉注意力结果，(e)为本专利技术双向注意力模型结果，(f)为本专利技术方法的运动目标检测定位结果；图8是本专利技术实施例2“马”视频序列的实验结果，第一至四行分别为第4、15、38、100帧。具体实施方式以下结合附图和具体实施方式对本专利技术进行详细说明。本专利技术基于粒子滤波视觉注意力模型的运动目标检测方法，首先依据贝叶斯估计原理，构建粒子滤波双向融合注意力模型；然后以粒子滤波双向融合注意力模型框架为基础，以运动注意力和目标颜色注意力分别为B-U和T-D注意力输入，通过粒子权值计算改变粒子分布状态，形成注意力显著图(通过滤波后的粒子分布状态计算注意力显著度)，并最终确定运动目标位置。本专利技术方法的具体实施步骤是：步骤1、计算当前t时刻运动注意力作为B-U注意力，显著度记作通过控制粒子初始重要性采样；对视频图像进行高斯多尺度分解；分别对其估计运动矢量场，对运动矢量场进行预处理；定义时间和空间注意力因子，构建运动注意力，融合多尺度运动注意力得到通过控制粒子重要性采样。具体包括以下步骤：1.1)图像的高斯多尺度分解多尺度分析采本文档来自技高网...

【技术保护点】
一种基于粒子滤波视觉注意力模型的运动目标检测方法，其特征在于，首先依据贝叶斯估计原理，构建粒子滤波双向融合注意力模型；然后以粒子滤波双向融合注意力模型框架为基础，以运动注意力和目标颜色注意力分别为B‑U和T‑D注意力输入，通过粒子权值计算改变粒子分布状态，形成注意力显著图，并最终确定运动目标位置。

【技术特征摘要】
1.一种基于粒子滤波视觉注意力模型的运动目标检测方法，其特
征在于，首先依据贝叶斯估计原理，构建粒子滤波双向融合注意力模
型；然后以粒子滤波双向融合注意力模型框架为基础，以运动注意力
和目标颜色注意力分别为B-U和T-D注意力输入，通过粒子权值计
算改变粒子分布状态，形成注意力显著图，并最终确定运动目标位置。
2.根据权利要求1所述的基于粒子滤波视觉注意力模型的运动目
标检测方法，其特征在于，该方法具体包括以下步骤：
步骤1、计算当前t时刻运动注意力作为B-U注意力，显著度记
作通过控制粒子初始重要性采样；
步骤2、根据目标特征计算T-D颜色注意力；
步骤3、采用粒子滤波融合双向注意力，计算粒子权值，重采样
后形成新的粒子分布；
步骤4、根据此时粒子分布状态计算注意力显著图并确定
目标位置。
3.根据权利要求2所述的基于粒子滤波视觉注意力模型的运动目
标检测方法，其特征在于，所述步骤1按以下具体步骤进行，
1.1)图像的高斯多尺度分解
多尺度分析采用高斯图像金字塔法；
1.2)采用光流法估算运动矢量场，并对运动矢量场进行叠加和
滤波两个预处理
运动矢量叠加过程为：设当前帧运动矢量场为MVFt，宏块的中
心坐标为(k,l)，与之对应的运动矢量表示为与前后帧
的运动矢量叠加按公式(vxkl,vykl)=Σi=n-ci=n+c(vxkl(i),vykl(i))]]>计算，
运动矢量在叠加后采用中值滤波进行处理，即对于每一个非零运
动矢量，用相邻的运动矢量中值代替其值；
1.3)计算运动注意力作为B-U注意力计算运动注意力，定义时间和空间两方面注意力，设和
分别表示时间和空间注意力，分别定义为：
SMt,i,jT=|ΔV|=|V→t...

【专利技术属性】
技术研发人员：刘龙，樊波阳，刘金星，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61