【技术实现步骤摘要】
本专利技术涉及智能视频处理领域，具体涉及的一种自主构想的智能目标动态探测系统。
技术介绍
1、目标探测新时代人工智能应用的关键技术，被广泛应用于航天保障、空中安保、城市安防、环境监控、智能交通、工业检测等领域。因此提升光电探测和图像视频信息处理智能化水平具有重要研究意义。近年来，围绕成像、感知、计算三个方向，国内外展开了一系列研究。在成像方面，为解决复杂场景，如低照度、恶劣天气、杂乱背景、目标快速运动等情况下成像效果差、局部信噪比低、背景与目标对比度不明显、运动模糊等问题，国内外学者通过多种增强方法进行数据输入优化。在感知方面，为解决多元变换场景下泛化性能差，复杂背景下弱小目标分辩难，目标运动时变向、加速、遮挡、形变等造成目标探测难等问题，国内外提出一系列目标检测跟踪技术。
2、目前，目标探测系统在复杂天候、多元场景的应用条件下，在成像、感知方面存在着固定成像配置“目标细节不足”、探测感知环节“自主决策困难”的挑战，制约了智能探测任务的全局态势感知和自主推理决策能力。
技术实现思路
1、为解决上述问题，本专利技术提供了一种自主构想的智能目标动态探测系统，包括关键区域重配置成像单元和目标动态探测单元。其中，关键区域重配置成像单元采用图像显著性分析方法，自主构想出初始成像区域中的关键区域并针对关键区域重新配相机参数，大幅提高目标细节信息。接着，目标动态探测单元建立目标外观相似性、探测器实时响应值以及目标运动速度等信息的关系模型，自主决策一系列连贯的探测阶段的切换，包括目标自
2、为达到上述目的，本专利技术提供技术方案如下：
3、首先，输入视频帧im将通过关键区域重配置成像单元。该单元初始成像图中的关键区域聚焦并重配置成像参数，提高目标细节信息以及图像成像质量，具体流程如下：
4、(1)假设输入视频帧im图的宽像素数为w,高像素数为h。设定四种不同尺度的高斯滤波器，分别为尺度为(w+h)/4*(w+h)/4的滤波器1，尺度为(w+h)/8*(w+h)/8的滤波器2，尺度为(w+h)/16*(w+h)/16的滤波器3和尺度为(w+h)/32*(w+h)/32的滤波器4。
5、(2)用滤波器1对im进行滤波操作，得到滤波图1；同理，用滤波器2对im进行滤波操作，得到滤波图2；用滤波器3对im进行滤波操作，得到滤波图3；用滤波器4对im进行滤波操作，得到滤波图4。
6、(3)将滤波图1和滤波图2逐像素相减，得到第一像素差分图dm1；将滤波图2和滤波图3逐个像素相减，得到第二像素差分图dm2；将滤波图3和滤波图4逐个像素相减，得到第三像素差分图dm3；将滤波图4和im逐像素相减，得到第四像素差分图dm4。
7、(4)将第一至第四像素差分图按照比例相加后，得到加权差分图wdm，公式如下：wdm＝α1*dm1+α2*dm2+α3*dm3+α4*dm4
8、其中，根据需探测目标在im图中比例的先验关系，设置每个像素差分图权重系数为α1＝0.2，α2＝0.2，α3＝0.4，α4＝0.2。
9、(5)对加权差分图采用形态学开运算，去除像素差分图中小型噪声并且平滑物体边缘，并且采用阈值分割方法得到显著性图sm：
10、sm＝threshold(opening(wdm))
11、＝threshold(dilation(erosion(wdm)))
12、其中，opening代表开运算操作；dilation代表形态学膨胀操作；erosion代表形态学腐蚀操作。threshold代表阈值分割操作，其中每个分割前景即为sm图中待测区域er。
13、(6)对sm图中所有待测区域(ern,n＝1,2,3…，n为自然数)进行关键度评估排序。在im图中找到对应的所有待测区域，截取4倍于对应待测区域的邻域(nej,j＝1,2,3…，j为自然数)来计算关键度。第n个待测区域的关键度得分scoren计算如下：
14、scorei＝β1*kurt(nej)+β2*fr(ern)
15、其中，kurt表示计算图像的峰度。fr表示计算待测区域的像素占其最小外接矩形包含像素的比例值。β1和β2分别代表权重系数。
16、(7)将显著性图sm中关键度得分最高的待测区域作为显著区域，然后设置8倍于显著区域的区域作为系统自主构想的关键区域cr。
17、(8)将关键区域中心与视场中心的偏差值发送给随动机构，使视场中心与关键区域中心重合。随后计算当关键区域填充满相机视场时的相机视场角参数，并将该参数用于重新配置相机参数，进而提高关键区域的成像质量并且增强目标细节信息。
18、随后，基于关键区域重配置成像单元输出的高质量成像图，目标动态探测单元进行智能探测，具体流程如下：
19、(9)根据待探测目标类型(行人、车辆或者其他目标)，制作svm分类器的训练集，其中正样本数量：负样本数量＝1:1.2。此外，为了扩充训练样本的质量，训练数据集中采用了对比度增强、锐化、轻微旋转等操作。
20、(10)对cr计算方向梯度直方图hog作为特征图，将训练完成的svm分类器对特征图采用滑动窗口以及图像金字塔进行各分块区域的检测；滑动窗口通过扫描较大图像的指定尺度区域来解决定位问题，进而在同一图像的不同尺度下重复扫描；同时采用非极大值抑制方式来消除重叠窗口，最终得到探测目标的包围框bbox。
21、(11)在得到bbox的第一帧时，外观跟踪探测器、语义跟踪探测器将自动锁定目标，并且连同状态判断响应值都将被初始化。
22、(12)其中，所述外观跟踪探测器以bbox为中心，密集采集2倍bbox区域的样本并提取融合特征作为外观跟踪探测器的训练样本；所述融合特征由多个描述目标不同信息的灰度特征gray，有方向的快速角点检测与旋转二值特征orb特征和方向梯度直方图hog融合而成，融合方式如下：
23、featurem＝γgfeatureg+γofeatureo+γhfeatureh
24、根据实验得出，融合特征中三种特征权重为γg＝0.6，γo＝0.1和γh＝0.3；
25、所述外观跟踪探测器选定为具有空间正则化结构稀疏学习的相关滤波器csk的跟踪范式，其滤波器优化方式为：
26、
27、其中，l(yk,f(xk))表示损失函数，λ用于控制正则化程度。w为滤波器矩阵的参数。xk为用于训练的第k个特征图，k为自然数。yk表示以目标为中心的高斯分布标签。m为用于训练的特征图数量。f(xk)＝<w,x>+b,其中<>表示点乘操作，b表示偏置项。
28、所述语义跟踪探测器以bbox为中心，采集3倍于bbox区域作为目标模板，采集6倍于bbox区域作为语义跟踪探测器的搜索区域。这里语义跟踪器采用siamfc深度跟本文档来自技高网...
【技术保护点】
1.一种自主构想的智能目标动态探测系统，其特征在于，包括关键区域重配置成像单元和目标动态探测单元；
【技术特征摘要】
1.一种自主构想的智能目标动态探测系统，其特征在于...
【专利技术属性】
技术研发人员：张弘，邢万里，杨一帆，李亚伟，刘翰阳，李旭亮，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。