[发明专利]一种基于时域事件触发的暗弱运动目标检测方法及其系统

说明书

本发明属于暗弱运动目标检测技术领域，具体地说，涉及一种基于时域事件触发的暗弱运动目标检测方法及其系统，该方法包括：使用感光阵列大小为M×N的感光器实时接收光信号，并对其进行光电转换，每个感光单元对应一个像素单元，每个电路处理单元对接收的时序信号进行处理；对每个像素单元进行基于时域统计分布距离度量的瞬态扰动检测，各个像素单元异步进行上述检测处理，获得在预先设定的时间长度T内每个像素单元在对应的时间段内的检测结果；每个像素单元对后续每个时间长度T内的数据进行异步处理，记录每个像素单元的检测结果，将每个像素单元的检测结果进行空域关联，获得暗弱目标的运动轨迹，完成对暗弱目标的检测。

技术领域

本发明属于暗弱运动目标检测技术领域，具体地说，涉及一种基于时域事件触发的暗弱运动目标检测方法及其系统。

背景技术

暗弱运动目标检测在军事、工业、安防等领域具有重要价值，也是国内外的研究热点。为了监测和打击高威胁动态目标，需要尽可能扩大监视范围，提升探测距离，但同时会减小目标像素单元占比和降低信噪比；当目标的像素单元占比和信噪比均在各自设定的阈值以下时，即可定义为暗弱运动目标。由于其图像特性，难以利用灰度值、纹理和几何特征将目标与背景进行区分，加之目标运动速度过快，经常会出现漏检和错检的情况。

传统的暗弱运动目标检测方法主要包括：背景建模法、帧间差分法和光流法；但是，这些传统的检测方法存在鲁棒性较差、受噪声影响大的问题，且在目标快速运动和背景复杂的情况下，很难正确检测到运动物体。同时，这些传统的检测方法多利用空间域的信息进行检测，或者仅引入时域信息进行辅助，没有充分探究暗弱运动目标在时间域上的分布性质。另外，现有的基于时域运动特性检测暗弱运动目标的方法，虽然可以在复杂背景下利用多帧信息提取目标；但是，由于快速运动目标检测运算要求较高，无法做到每秒处理几十甚至几百帧的图像。

近些年来，深度学习在图像目标检测领域取得巨大进展，逐渐成为主流的检测方法。基于深度学习的小目标检测方法一般通过改进经典的目标检测网络模型和增强目标特征来捕捉目标纹理轮廓等视觉信息，但是，该类检测方法存在训练样本少，泛化能力差，易错检漏检等缺点，且难以应用到尺寸小、信噪比低的检测场景中。

传统基于“帧”的相机，要求所有像素都统一时间曝光，由于采样频率有限，在高速运动情况下会出现成像模糊的情况；同时传统相机需要记录所有像素的强度信息，会造成大量数据的冗余和数据处理延时。

发明内容

为解决现有技术存在的上述缺陷，本发明提出了一种基于时域事件触发的暗弱运动目标检测方法，本发明提出的基于时域事件触发的成像系统，以像素异步检测为基础，仅当某个像素的亮度变化累积到预先设定的阈值时，触发事件，并单独输出像素地址和信息，相比于以恒定频率获取图像的系统，具有数据传输量小、运行效率高、耗能极低等特点，并能适用于高动态范围低延时的场景。

本发明提供了一种基于时域事件触发的暗弱运动目标检测方法，该方法包括：

使用感光阵列大小为M×N的感光器实时接收光信号，并对其进行光电转换，每个感光单元对应一个像素单元，每个像素单元对应一个电路处理单元，每个电路处理单元对接收的时序信号进行处理；

对每个像素单元进行基于时域统计分布距离度量的瞬态扰动检测，各个像素单元异步进行上述检测处理，获得在预先设定的时间长度T内每个像素单元在对应的时间段内的检测结果；

每个像素单元对后续每个时间长度T内的数据进行异步处理，记录每个像素单元的检测结果，将每个像素单元的检测结果进行空域关联，获得暗弱目标的运动轨迹，完成对暗弱目标的检测。

作为上述技术方案的改进之一，所述对每个像素单元进行基于时域统计分布距离度量的瞬态扰动检测处理，各个像素单元异步进行上述检测处理，获得在预先设定的时间长度T内每个像素单元在对应的时间段内的检测结果；其具体过程为：