的是本發(fā)明混合采樣矩陣構(gòu)建流程圖；
[0058] 圖3所示的是本發(fā)明與其他不同方法的平均每幀處理時間比較示意圖；
[0059] 圖4所示的是本發(fā)明視覺系統(tǒng)測試平臺參數(shù)圖；
[0060] 圖5所示的是本發(fā)明與其他不同方法的性能及平均每幀處理時間比較圖；
[0061] 圖6所示的是本發(fā)明與其他不同方法的處理時間和內(nèi)存容量比較圖。
【具體實(shí)施方式】
[0062] 以下將結(jié)合本發(fā)明的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整的描述 和討論，顯然，這里所描述的僅僅是本發(fā)明的一部分實(shí)例，并不是全部的實(shí)例，基于本發(fā)明 中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實(shí)施 例，都屬于本發(fā)明的保護(hù)范圍。
[0063] 為了便于對本發(fā)明實(shí)施例的理解，下面將結(jié)合附圖以具體實(shí)施例為例作進(jìn)一步的 解釋說明，且各個實(shí)施例不構(gòu)成對本發(fā)明實(shí)施例的限定。
[0064] 如圖1所示，一種面向?qū)崟r視覺系統(tǒng)的目標(biāo)壓縮感知方法，包括圖像重構(gòu)步驟、 混合壓縮感知步驟、高效Vibe目標(biāo)檢測步驟、更新步驟和后處理步驟，其中，
[0065] S1、所述圖像重構(gòu)步驟，根據(jù)采集到的目標(biāo)圖像尺寸大小對目標(biāo)圖像進(jìn)行4*4分 塊，并將分塊后的圖像塊轉(zhuǎn)換為16*1的向量；
[0066] 針對每一幀圖像實(shí)施以下步驟：
[0067] S2、所述混合壓縮感知步驟，包括：
[0068] 依據(jù)各圖像塊進(jìn)行邊緣檢測的結(jié)果或更新上一幀圖像時得到的參數(shù)調(diào)節(jié)信息構(gòu) 建各圖像塊的混合采樣矩陣，再利用所述混合采樣矩陣對相應(yīng)的圖像塊進(jìn)行采樣壓縮，得 到壓縮后的各圖像塊；
[0069] S3、所述高效Vibe目標(biāo)檢測步驟，針對所述圖像塊中的每個像素點(diǎn)，利用Vibe像 素級背景建模算法將像素點(diǎn)的像素值與該像素點(diǎn)對應(yīng)的樣本集進(jìn)行比較，判斷其是否屬于 背景點(diǎn)；
[0070] S4、所述更新步驟，根據(jù)所述高效Vibe目標(biāo)檢測步驟的檢測結(jié)果，確定當(dāng)前幀圖 像塊中的背景塊區(qū)域與目標(biāo)塊區(qū)域；
[0071] 然后根據(jù)像素點(diǎn)屬于背景塊區(qū)域還是目標(biāo)塊區(qū)域得到該像素點(diǎn)下一幀圖像的混 合采樣矩陣的參數(shù)調(diào)節(jié)信息；
[0072] S5、所述后處理步驟，對當(dāng)前幀的各圖像塊進(jìn)行解壓、重構(gòu)和后期圖像優(yōu)化處理， 得到當(dāng)前幀最終的目標(biāo)圖像。
[0073] 具體的，所述混合壓縮感知步驟中，完全隨機(jī)測量矩陣對于圖像序列里的每一個 像素點(diǎn)進(jìn)行隨機(jī)采樣，并不能以最大概率獲得圖像有用信息。針對于輪廓圖像，其邊緣部分 包含圖像絕大部分有用信息。如目標(biāo)的形狀、姿態(tài)、位置等信息。因此，有必要構(gòu)建根據(jù)不 同圖像邊緣特性的測量矩陣，對圖像目標(biāo)邊緣進(jìn)行重點(diǎn)采樣，保留目標(biāo)的有用信息。
[0074] 本實(shí)施例中依據(jù)各圖像塊進(jìn)行邊緣檢測的結(jié)果，構(gòu)建各圖像塊的混合采樣矩陣， 再利用所述混合采樣矩陣對相應(yīng)的圖像塊進(jìn)行采樣壓縮的具體步驟如下：
[0075] 首先，對圖像作邊緣檢測，如等式（1)所示，
[0076] T (f) ^ T (fp) = T (Kf1)) (1)
[0077] 等式⑴中，記T (f)為邊緣檢測算子，T (fp)為預(yù)測圖像邊緣檢測，T (Kf1))為 對低分辨率采樣后圖像進(jìn)行邊緣檢測；
[0078] 然后，采用等式（2)進(jìn)行形態(tài)學(xué)處理，
[0079] Sa= MP(T (fp)) (2)
[0080] 等式（2)中，記Mp (T (fp))為對預(yù)測邊緣進(jìn)行經(jīng)典形態(tài)學(xué)操作；
[0081] 再者，根據(jù)形態(tài)學(xué)處理結(jié)果構(gòu)建混合采樣矩陣，所述混合采樣矩陣由低分辨采樣 矩陣、自適應(yīng)采樣矩陣以及隨機(jī)采樣矩陣三者的合集構(gòu)成，所述混合采樣矩陣如等式（3) 所示，
[0082] Sn= SaU SrUS1 (3)
[0083] 等式（3)中，記Sni為混合采樣矩陣，S a為低分辨率采樣，S ^為自適應(yīng)采樣，S :為隨 機(jī)采樣。
[0084] 具體的，Vibe全名為〃Visual Background Extractor〃，是一種最新高效的視覺背 景提取方法。ViBe方法具有計(jì)算簡單、檢測效果較好和應(yīng)對噪聲穩(wěn)定等特點(diǎn)，適合于嵌入式 視覺系統(tǒng)等計(jì)算量小和內(nèi)存容量要求低的應(yīng)用場景。具體的思想就是為每個像素點(diǎn)存儲了 一個樣本集，樣本集中采樣值就是該像素點(diǎn)過去的像素值和其鄰居點(diǎn)的像素值，然后將每 一個新的像素值和樣本集進(jìn)行比較來判斷是否屬于背景點(diǎn)。
[0085] 在本實(shí)施例中，所述Vibe像素級背景建模算法具體包括：在模型中，為每個背景 點(diǎn)存儲一個樣本集，然后將每一個新的像素值和樣本集進(jìn)行比較并判斷是否屬于背景點(diǎn)， 其判斷依據(jù)為：如果一個新的像素值屬于背景點(diǎn)，那么新的像素值應(yīng)該和樣本集中的采樣 值接近，
[0086] 其過程進(jìn)一步為：
[0087] 如等式（4)、（5)所示，
[0088] M (X) = {Vl，v2,......vN} (4)
[0089] {SR (ν(χ)) Π Iv1J2,......νΝ}} (5)
[0090] 等式（4)、（5)中，記v(x)為x點(diǎn)處的像素值;M(X)為x處的背景樣本集（樣本集 大小為N) ;SR(v(x))為以X為中心R為半徑的區(qū)域；
[0091] 模型的更新策略是每一個背景點(diǎn)有1/Φ的概率去更新自己的模型樣本值，同時 也有1/Φ的概率去更新鄰居點(diǎn)的模型樣本值，樣本值在時刻t不被更新的概率是（N-l)/N， 假設(shè)時間是連續(xù)的，那么在dt的時間過去后，樣本值仍然保留的概率為：
[0092]
[0093]
[0094] 如果等式（6)大于一個給定的閾值，那么就認(rèn)為X點(diǎn)屬于背景點(diǎn)。
[0095] 針對高效Vibe目標(biāo)檢測步驟，須補(bǔ)充說明以下內(nèi)容：
[0096] 混合高斯模型的方法消耗攝像頭節(jié)點(diǎn)大量的計(jì)算和存儲資源，影響算法的實(shí)時應(yīng) 用。為了提高算法的效率，引入了壓縮感知算法對圖像數(shù)據(jù)進(jìn)行隨機(jī)采樣，從而減少背景建 模算法的計(jì)算量和存儲量。然而隨機(jī)采樣矩陣的完全隨機(jī)特性導(dǎo)致硬件電路實(shí)現(xiàn)起來比較 復(fù)雜并且目標(biāo)檢測結(jié)果存在不確定性。針對這種情況，本發(fā)明將壓縮感知算法引入到混合 高斯建模當(dāng)中，在此基礎(chǔ)上研究一種采用結(jié)構(gòu)化隨機(jī)測量矩陣，對圖像進(jìn)行采樣的自適應(yīng) 混合高斯背景建模方法，并對算法進(jìn)行全局效能優(yōu)化，提高整體運(yùn)行效率。
[0097] 壓縮感知是以M行N列（M〈〈N)大小的測量矩陣Φ對信號x(N維）進(jìn)行測量，可 得到壓縮后的測量值y(M維），該過程可由等式（8)實(shí)現(xiàn)。
[0098] y = Φχ = φΨα = Θα (8)
[0099] 如果信號χ在某個變化域具有稀疏性，如等式（9)所示：
[0100] α = Ψτχ (9)
[0101] 并且測量矩陣Φ滿足約束等距性條件，即指對于任意的K稀疏信號f以及常數(shù) |? φ：? !?； S ke (〇, 1)滿足：? _ % s + 那么就可以通過等式（?ο)來完美恢復(fù)該信號： |] J Il 〇
[0102]
(10)
[0103] 該過程稱之為重構(gòu)，其中的0范數(shù)指的就是0元素的個數(shù)。
[0104] 目前提出的滿足約束等距性條件的測量矩陣主要分三類。第一類包括矩陣元素 獨(dú)立地服從某一分布的高斯隨機(jī)測量矩陣、貝努利隨機(jī)矩陣等。第二類包括部分正交矩陣、 部分哈達(dá)瑪矩陣和非相關(guān)測量矩陣。這類矩陣僅與在時域或頻域稀疏的信號不相關(guān)。第三 類包括托普利茲（Toeplitz)矩陣、結(jié)構(gòu)化隨機(jī)矩陣、Chirps測量矩陣、循環(huán)矩陣、隨機(jī)卷積 形成的感知矩陣。我們構(gòu)建了混合壓縮感知矩陣對目標(biāo)圖像進(jìn)行測量。
[0105] 具體的，所述更新步驟中，采用不同的策略對目標(biāo)塊和背景塊進(jìn)行更新，針對當(dāng)前 幀圖像中的目標(biāo)塊區(qū)域，更新速度提升10 %，而背景塊區(qū)域降低10 %。并根據(jù)檢測的結(jié)果 對測量矩陣的進(jìn)行參數(shù)調(diào)節(jié)，具體為當(dāng)前幀圖像中的目標(biāo)塊區(qū)域，采樣率提升10%，而背景 塊區(qū)域采樣率降低10%。；
[0106] 其中，還包括根據(jù)興趣區(qū)域（上一幀圖像中檢測的目標(biāo)塊區(qū)域）設(shè)置不同的采樣 值M，在當(dāng)前幀該區(qū)域的1.2倍區(qū)域內(nèi)提高采樣率，而在背景塊區(qū)域內(nèi)降低采樣率；以及，當(dāng) 背景亮度變化較小，降低建模的高斯分布個數(shù)，以降低學(xué)習(xí)速率；當(dāng)亮度變化較大，提高高 斯分布個數(shù)，以提高學(xué)習(xí)速率。
[0107] 較佳的，將上一幀檢測出的目標(biāo)塊區(qū)域經(jīng)過擴(kuò)展后作為當(dāng)前幀的目標(biāo)塊區(qū)域進(jìn)行 匹配檢測，在目標(biāo)塊區(qū)