[发明专利]高速微小目标仿蝇视觉在线实时检测装置及检测方法

说明书

技术领域

本发明涉及一种高速微小目标检测装置及检测方法，属于图像处理和目标检测技术领域。

背景技术

视频图像中运动目标的检测问题始终是计算机视觉研究的核心问题之一，它在军事制导、无人飞机驾驶、机器人视觉导航等方面具有广泛的应用前景。其中动态复杂背景下高速运动的微小目标检测则是运动目标检测问题中的难点。这类问题难于处理的关键原因在于：微小目标本身缺乏易于分析和识别的特征；复杂背景导致微小目标的信噪比较低；运动状态下背景模型难于估计和预测；高速运动微小目标的可检测特征存在不确定性。

针对以上问题，目前已有的高速运动微小目标检测算法主要有两种解决方案：先检测后跟踪(DBT)和先跟踪后检测(TBD)。DBT方法中需要先对目标的位置进行检测，然后根据检测结果实现目标的跟踪。常用的小波分析方法、背景抑制方法以及变换域等方法均是为了获得准确的目标检测效果，从而提高跟踪的精度。检测效果的好坏直接决定了跟踪的成败。因此这类算法通常需要目标与背景之间具有较高的信噪比。另外存在运动的复杂背景通常无法获得准确的背景模型，从而导致微小目标检测准确性下降，影响跟踪效果。

TBD方法不同于DBT方法，首先对微小目标的运动轨迹进行估计和判断，然后利用目标运动的连续性和一致性检测出真正的目标。常用的算法有高阶相关方法、时域滤波方法、粒子滤波方法等。这类算法可以实现较低信噪比条件下目标跟踪，具有较强的抗干扰能力，成为目前高速运动微小目标检测研究的热点。然而其计算复杂度高、计算量大和存储要求较高等问题对检测的准确度和实时性的影响仍有待解决。

尽管人类已经掌握了强大数据处理能力的计算机技术和较高分辨率成像技术，但仍无法实现在运动复杂背景下对高速运动的微小目标实现稳定、实时检测和跟踪。

经过自然进化的昆虫视觉系统如蝇类却可以凭借有限数量的大脑神经细胞和较低分辨率的复眼系统，在高速飞行于复杂多变的自然场景中准确的捕捉食物或追逐配偶，其在计算准确度、抗干扰能力和原理简易性上都大大超过了目前现有的目标检测算法。随着生物分析手段的不断提高，人们不断发现蝇类视觉系统对微小目标的检测和跟踪是通过小叶板神经元的大、小场景整合机理实现的。蝇类视觉系统中大、小场景整合机理对应于小叶板上单、双极池细胞不同的调度机制实现的。大场景整合将出现频率较高、变化速度缓慢的背景纹理特征进行抑制，同时对大范围的背景运动信息进行估计，获得平衡蝇类自身飞行的扭矩信息保证蝇类飞行的自身平衡；小场景整合机理则对出现频率较低、变化速度快的微小目标进行非线性特征增强，提高小尺寸目标特征的可感知度，同时准确估计微小目标的运动方向信息，从而使得蝇类视觉系统具有对高速飞行微小目标进行高精度、在线实时检测的能力。

发明内容

本发明的目的是针对当前计算机视觉对高速运动微小目标检测存在的计算原理复杂、计算量大、抗背景干扰能力差等局限性，特别是在动态复杂自然场景条件下背景模型无法准确估计，以及高速运动微小目标特征匮乏等问题，本发明借鉴蝇类视觉的大小场景整合机理，模拟蝇类从视觉信息获取到视网膜初级运动信息估计再到小叶板高阶神经元信息整合处理的过程，构建复杂背景下高速微小目标仿蝇视觉在线检测装置及其工作方法，利用平行神经整合机理实现对微小目标的检测和跟踪。

为解决上述技术问题，本发明提供一种高速微小目标仿蝇视觉在线实时检测装置，其特征是，包含

图像信号采集模块、初级视觉信息处理模块、目标检测跟踪模块；

所述图像信号采集模块中包含两部CCD图像传感器及与所述CCD图像传感器对应的可编程视频信号处理器；

所述初级视觉信息处理模块中包含用于视频图像配准和初级运动估计的第一DSP芯片和与所述第一DSP芯片连接的第一存储芯片；

所述目标检测跟踪模块中包含：

2个并列的FPGA芯片，用于根据单极池细胞、双极池细胞的调度机制分别实现大、小场景整合的高阶信息处理，

与所述FPGA芯片连接的第二存储芯片，

与所述第二存储芯片连接的第二DSP芯片，将结合所述FPGA芯片输出的抑制后的复杂背景和运动矢量估计信息进行目标检测和跟踪。

所述FPGA芯片封装了单极池细胞和双极池细胞单元。

所述第一DSP芯片中包含将相邻两个时刻配准好的全景图像进行运动估计的初级运动检测器模型，所述初级运动检测器模型由初级运动检测器单元EMD阵列组成，每个初级运动检测器单元EMD与图像中的像素一一对应。

基于权利要求1的高速微小目标仿蝇视觉在线实时检测方法，其特征是，包括以下步骤：