[发明专利]基于粒子滤波视觉注意力模型的运动目标检测方法

摘要

本发明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。

主权项

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注意力和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，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，B‑U时刻注意力显著度记作通过控制粒子初始重要性采样，具体按以下步骤进行：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时刻注意力显著度计算运动注意力，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具体值，分别定义为：其中和分别代表在t和t‑1时刻运动矢量场中坐标位置为(i,j)的运动矢量，代表邻域Λ范围内的运动矢量均值，运动注意力由时间和空间注意力线性融合得到，即式中，α、β为正值的系数；1.4)通过控制粒子重要性采样采用运动显著性特征来调节高斯随机粒子采样的密度，获得随运动显著性变化的随机采样结果，采用高斯随机采样，获得粒子初始分布状态，设i＝1,2,…,N独立同分布，令：x^(i)=(Σi=1Nz1(i)-N·μx)/N·δx2,i=1,2,...,Ny^(i)=(Σi=1Nz2(i)-N·μy)/N·δy2]]>其中，μx、μy、和分别是伪随机序列的均值和方差，在以(μx,μy)为坐标中心的区域内产生随机的高斯采样结果，区域内采样粒子密度受运动显著度调控，假定是t时刻的B‑U时刻注意力显著度在(x,y)坐标上的显著值，定义采样密度函数如下：其中，x和y分别表示显著图中的横纵坐标，均值和方差若为初始时刻，控制粒子重要性采样的方法采样粒子，形成粒子初始分布状态；否则，此刻运动注意力与前一时刻运动注意力的差异位置采样一部分粒子，替换掉前一时刻相同数量的权值较低的粒子，作为此时刻的粒子分布状态；步骤2、根据目标特征计算T‑D注意力，具体步骤是：T‑D注意力显著度记作SMT‑D，T‑D注意力的大小采用目标特征与图像特征的相似性程度衡量，2.1)设定颜色直方图作为目标特征量化表示方式，记作为m为分量个数，则粒子目标区域的颜色分布定义为其中，δ(·)为Delta函数，为归一化因子，使得K(·)为核函数Epanechnikov，定义为2.2)T‑D注意力显著度的计算式为：其中，ρ为巴查理亚系数；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、根据此时刻的粒子分布状态计算注意力显著图SMt，并确定目标位置。