CN117132622A - 一种快速移动物体非成像实时检测跟踪方法及*** - Google Patents
一种快速移动物体非成像实时检测跟踪方法及*** Download PDFInfo
- Publication number
- CN117132622A CN117132622A CN202311164191.0A CN202311164191A CN117132622A CN 117132622 A CN117132622 A CN 117132622A CN 202311164191 A CN202311164191 A CN 202311164191A CN 117132622 A CN117132622 A CN 117132622A
- Authority
- CN
- China
- Prior art keywords
- scene
- moving object
- modulation base
- sub
- axis direction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003384 imaging method Methods 0.000 title claims abstract description 26
- 238000011897 real-time detection Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 238000005070 sampling Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉处理技术领域,公开了一种快速移动物体非成像实时检测跟踪方法及***,方法包括步骤:根据场景尺寸构建哈达玛矩阵,重塑得到调制基序列,优化调制基序列并分解、重构,得到子调制基序列;通过子调制基的投影值与单像素探测器采集的测量值,重建得到X轴或Y轴方向上的无运动目标投影曲线和有运动目标投影曲线,计算投影曲线的一阶梯度和一阶梯度差;根据梯度差结果,确定所述快速移动物体在场景中的位置。本发明在不需要获取目标场景图像的情况下,利用空间光调制器和单像素探测器来获取目标空间位置的关键信息,具有超低采样率与较高的计算效率,可以实现快速目标的实时检测和跟踪。
Description
技术领域
本发明涉及计算机视觉与图像处理、光学成像技术领域,具体涉及一种基于单像素探测器(Single-Pixel Detector)的快速移动物体非成像实时检测跟踪方法及***。
背景技术
雷达是一种无图像的目标检测和跟踪技术,通常用于远距离目标和大视场,它以一定的频率发射电磁波,电磁波在遇到物体后会反射,反射的电磁波会在雷达不发射电磁波的间隙被雷达侦测到,从而实现定位跟踪。随着各种图像传感器及组件的发展,与雷达***相比,基于图像的目标检测跟踪***成本相对较低,适用范围更广。
基于图像的运动目标检测跟踪与成像是两个相互独立的部分,即需要从连续清晰的图像中对运动目标进行定位来检测跟踪,准确性取决于所捕获图像的质量。在这种情况下,影响图像质量的因素主要是快速运动目标引起的运动模糊,为了处理运动模糊,需要高时间分辨率的成像***和图像处理相关算法,首先,对于高时间分辨率的高速摄像机来说,价格昂贵,而且在很短时间内,数据吞吐量通常很大,需要很大的数据存储容量和较宽的数据传输带宽,其次,高级图像处理和分析算法也会占用大量计算资源。在已有的一些技术中讨论了基于图像运动目标检测和跟踪的高刷新率和高效重建算法,如果目标移动速度太快,就不适用这些方法,有的技术方法通过运动物体演化过程获取运动信息的方法则需要高精度的跟踪瞄准***,提出不需要清晰图像进行目标跟踪,由目标在不同位置的粗糙图像之间的相互关系得到,实质上也进行了成像,在成像过程中仍存在时间和空间成本的消耗。
因此基于图像的方法,获取大量的图像数据用于目标探测和跟踪带来了巨大的时间和空间开销,是一种浪费资源的行为,数据采集的冗余性是实时长时间目标检测和跟踪的主要原因之一,在实际应用中计算复杂的图像处理分析算法与有限的数据处理能力给实时目标检测和跟踪带来了挑战。
发明内容
技术目的:针对上述技术问题,本发明提出了一种快速移动物体非成像实时检测跟踪方法及***,不需要获取目标场景图像,利用空间光调制器和单像素探测器来获取目标空间位置的关键信息,具有超低采样率与较高的计算效率,可以实现快速目标的实时检测和跟踪。
技术方案:为实现上述技术目的,本发明采用了如下技术方案:
一种快速移动物体非成像实时检测跟踪方法,包括步骤:
S1、根据场景尺寸构建哈达玛矩阵M,重塑哈达玛矩阵M的每行或每列,得到调制基序列H;
S2、对所述调制基序列H进行优化,优化后的调制基序列H包括用于实现优先投射能高度集中图像能量的调制基;
S3、在X轴方向和Y轴方向上,分别按行与列对优化后的调制基序列H进行分解,并将分解出每行每列进行重构,得到子调制基序列SubPattern;
S4、在快速移动物体进入场景之前,将子调制基序列SubPattern投影到场景中,通过子调制基的投影值与单像素探测器采集的测量值,重建得到X轴或Y轴方向上的无运动目标投影曲线,作为先验投影曲线,并计算先验投影曲线的一阶梯度;
S5、从快速移动物体进入场景开始,将子调制基序列SubPattern投影到场景中,通过子调制基的投影值与单像素探测器采集的测量值,重建得到X轴或Y轴方向上的有运动目标投影曲线;
S6、计算有运动目标投影曲线的一阶梯度;
S7、根据先验投影曲线的一阶梯度和有运动目标投影曲线的一阶梯度,计算得到X轴和Y轴方向上的梯度差;
S8、提取所述X轴和Y轴方向上的梯度差的前两个最大值,得到所述快速移动物体在X轴和Y轴方向上的位置信息,进而确定所述快速移动物体在场景中的位置。
优选地,所述步骤S1中,场景尺寸为S1×S1,构建的哈达玛矩阵M的长宽为S1 2×S1 2,得到所需的调制基序列H中有S1 2个调制基,每个调制基的尺寸大小为S1×S1。
优选地,所述步骤S3中,通过分解调制基序列H的行与列来获取子调制基序列SubPattern,公式(1)如下:
SubPattern[i](1:S1,:)=H[j](u,:) (1)
其中SubPattern[i]表示子调制基序列SubPattern中的第i个子调制基,H[j]表示调制基序列H中的第j个调制基,公式(1)表示子调制基序列SubPattern中的第i个子调制基的第1行到S1行,每行都等于调制基序列H中的第j个调制基H[j]的第u行。
优选地,所述步骤S4中:
根据公式(2)重建无运动目标场景投影曲线Fo(i),
Fo(i)=IPo(P,I)*Co(i),i=1,2,…,S1 (2)
根据式(3)在向量中使用前一个元素减去后一个元素,计算无运动目标场景投影曲线Fo(i)的一阶梯度F′o(i),
其中,IPo(P,I)表示无运动目标场景下单像素探测器采集的测量值,Co(i)表示无运动目标场景下子调制基在X轴方向或Y轴方向的投影。
优选地,所述步骤S5中,根据公式(4)重建有运动目标场景投影曲线FM(i):
FM(i)=IPM(P,I)*CM(i),i=1,2,…,S1 (4)
所述步骤S6中,根据式(5)在向量中使用前一个元素减去后一个元素,计算有运动目标场景投影曲线的一阶梯度F′M(i):
其中,IPM(P,I)表示有运动目标场景下单像素探测器采集的测量值,CM(i)表示有运动目标场景下子调制基在X轴方向或Y轴方向的投影。
优选地,所述步骤S7中,根据式(6)对先验投影曲线的一阶梯度与运动目标进入后场景投影曲线的一阶梯度做差分运算:
其中,Diff表示差分运算,表示一阶梯度差分结果。
优选地,所述步骤S8中,根据式(7)和式(8)确定所述快速移动物体即运动目标在X轴和Y轴方向上的位置信息:
其中,(vx1,vx2)表示目标在场景中X轴方向的边界值,(vy1,vy2)表示目标在场景中Y轴方向的边界值,Slt表示选取向量中的最大两个值,表示包含X轴上的一阶梯度差分结果,/>表示包含Y轴上的一阶梯度差分结果。
一种快速移动物体非成像实时检测跟踪***,包括:光源、空间光调制器、单像素探测器、数据采集器和计算机,其中,所述计算机设有存储器和处理器,存储器存有计算机程序,所述计算机程序配置为由所述处理器调用时实现所述方法的步骤,所述空间光调制器用于接收计算机设计的子调制基,接收光源照射的光线并将光线按照子调制基的图像投影到场景中,场景中的场景面板以及进入场景面板区域的目标物体上的光强信号响应值通过单像素探测器测量,单像素探测器测量的数据通过数据采集器采集并发送给计算机。
有益效果:由于采用了上述技术方案,本发明具有如下有益效果:
本发明公开了一种基于投影曲线梯度差分的无图像实时运动目标检测方法与***,在具有复杂背景的连续场景中实现对快速运动目标的实时检测与跟踪,该方法在不需要获取目标场景图像的情况下,利用空间光调制器和单像素探测器来获取目标空间位置的关键信息,解决了在基于图像的方法中,大量的图像数据用于目标探测和跟踪带来了的巨大时间和空间开销。
附图说明
图1为本发明提出的一种快速移动物体非成像实时检测跟踪方法的流程图;
图2为Hadamard矩阵的示意图;
图3为调制基图像;
图4为重构后的子调制基图像;
图5为无运动目标场景在X轴方向和Y轴方向上的投影曲线的示意图;
图6为图5中无运动目标场景投影曲线的一阶梯度的示意图;
图7为运动目标场景在X轴方向和Y轴方向上的投影曲线的示意图;
图8为图7中运动目标场景投影曲线的一阶梯度的示意图;
图9为无运动目标场景与运动目标场景投影曲线一阶梯度差分效果图;
图10为光学***成像的原理图。
具体实施方式
下面结合附图对本发明的实施例作详细的说明。
本发明公开了一种基于投影曲线梯度差分的运动目标非成像实时检测与跟踪方案,用于在具有复杂背景的连续场景中实现对快速运动目标的实时检测与跟踪。该方法在不需要获取目标场景图像的情况下,利用空间光调制器和单像素探测器来获取目标空间位置的关键信息。此外,本发明采用优化后哈达玛(Hadamard)调制基序列,用少量的调制基Pattern来调制物体,进行信号测量,实现超低采样率,然后利用单像素探测器采集光强信号,将计算对象从二维图像转换到一维空间,减少了计算量,提高了检测与跟踪的实时性,在无场景图像的情况下,直接采用单像素测量值重建出目标物体的位置信息,实现快速运动目标实时探测与跟踪。
实施例一
如附图1所示,本实施例公开一种基于单像素探测器(Single-Pixel Detector)的快速移动物体非成像实时检测与跟踪方法,包括如下步骤:
步骤1:根据所需场景尺寸,S1×S1,构建哈达玛(Hadamard)矩阵,长宽为S1 2×S1 2;重塑Hadamard矩阵的每行或每列,得到Hadamard调制基序列H,序列中有S1 2个调制基,每个调制基的尺寸大小为S1×S1。
步骤2:对调制基序列H进行优化,优化的目的是实现优先投射能高度集中图像能量的调制基(即少量的系数可以获取较大的能量),忽略其余的,提高信息采集效率;可通过调制基有效区域(白色区域)的面积大小来优化投影顺序,有效区域面积越大表明调制基越能集中图像的能量。每一个调制基对应一个系数,采用少量调制基即可实现信息的高效采集,也即体现了少量系数具有较大的赋值能力。
步骤3:在X轴方向和Y轴方向,分别按行与列对Hadamard调制基进行分解,并将分解出每行每列进行重构,得到子调制基序列SubPattern,SubPattern将被投影到包含快速运动目标的场景。
步骤4:为了减少计算量,利用光强度测量在数学上等同于调制基图像和物体之间的内积原理,在快速移动的物体进入之前对无运动目标场景重建投影曲线,并且计算其一阶梯度,作为基准项。
步骤5:从快速移动的物体进入场景开始,利用光强度测量在数学上等同于调制基图像和物体之间的内积原理,重建X轴方向和Y轴方向上的投影曲线。
步骤6:计算场景(运动目标已进入)投影曲线的一阶梯度。
步骤7:对场景和先前投影曲线之间(基准项)的一阶梯度做梯度差运算。
步骤8:提取梯度差结果的前两个最大值,得到物体在场景中X轴或Y轴方向上的位置信息。
实例1:
步骤1:根据所需场景尺寸,S1×S1,构建哈达玛(Hadamard)矩阵M,长宽为S1 2×S1 2;重塑Hadamard矩阵的每行或每列,得到Hadamard调制基序列H,序列中有S1 2个调制基,每个调制基的尺寸大小为S1×S1;
S1.1、本发明在算法验证过程中对尺寸大小为128×128场景中的目标进行探测跟踪,则构建出的Hadamard矩阵每一行或每一列的长度是16384,Hadamard矩阵的尺寸为16384×16384,见附图2。
S1.2、本发明通过对Hadamard矩阵的每行或每列进行重塑,得到所需要的调制基序列H;
S1.3、本发明验证过程中对尺寸大小为128×128场景中的目标进行探测跟踪,取Hadamard矩阵中的每一行进行重塑,即对1×16384大小的向量重塑,得到尺寸大小为128×128的调制基图像,Hadamard矩阵共16384行,得到的调制基序列中有16384个调制基图像,调制基图像见附图3。
步骤2:使用已有的哈达玛(Hadamard)调制基序列优化方法对调制基序列进行优化,实现优先投射能高度集中图像能量的调制基(即少量的系数具有较大的赋值),忽略其余的,提高信息采集效率;
步骤3:在X轴方向和Y轴方向,分别按行与列对Hadamard调制基进行分解,并将分解出每行每列进行重构,得到子调制基序列SubPattern,SubPattern将被投影到包含快速运动目标的场景;
S3.1、通过分解调制基的行与列来获取子调制基序列,公式如下:
SubPattern[i](1:128,:)=H[j](u,:)
其中SubPattern[i]表示序列中的第i个子调制基,H[j]表示H序列中的第j个调制基,公式表示第i个子调制基第1行到128行每行都等于H[j]的第u行,见附图4。
步骤4:为了减少计算量,利用光强度测量在数学上等同于调制基图像和物体之间的内积原理,在快速移动的物体进入之前对无运动目标场景重建投影曲线(先验投影曲线),及投影曲线的一阶梯度,作为基准项;
S4.1、子调制基图像与物体之间的内积公式如下所示:
其中,P表示子调制基,I表示目标场景,坐标系为笛卡尔坐标系;P(x,y)表示子调制基图像,以图像左上角为坐标原点(0,0),(x,y)表示图像中某一像素点的坐标;目标场景I(x,y)同理。在投射子调制基到目标场景得到的光照强度被单像素探测器测量,测量值近似等于IP。
S4.2、重建无运动目标场景在X轴方向与Y轴方向的投影曲线,具体公式原理如下所示:
PCx与PCy分别是一个1×128向量,表示子调制基在X轴方向与Y轴方向的投影,是在P(x,y)的基础上,对P(x,y)进一步在X轴方向和Y轴方向进行了分解与重构得到,即附图4。可使用C(i)整体表示,如下所示:
C(i)=PC(i),i=1,2,…,128.
通过子调制基的投影值与单像素探测器采集的测量值重建出场景的投影曲线,如下列公式:
F(i)=IP(P,I)*C(i),i=1,2,…,128.
F表示重建出来的投影曲线,是一个1×128的向量,见附图5。本发明方法,采用了优化后的二维矩阵,使投影后能获取更多信息的调制基优先投射,从而减少调制基数量的使用,提高效率。
S4.3、在向量中使用前一个元素减去后一个元素,计算出投影曲线F的一阶梯度,公式如下所示:
本发明使用F′o(i)表示先验投影曲线的一阶梯度,作为后续基准项,如下所示:
一阶梯度图见附图6。本发明方法,光强度测量在实际操作中是通过单像素探测器直接测量得到,不需要进行内积计算。仿真过程中,使用物体图像和调制基图像的内积运算来近似光强度直接测量。
步骤5:从快速移动的物体进入场景开始,利用光强度测量在数学上等同于调制基图像和物体之间的内积原理,重建X轴方向和Y轴方向上的投影曲线;
S5.1、运动目标进入场景后,对场景重建投影曲线原理与S4.1、S4.2中所述一致,效果图见附图7;
步骤6:计算场景(运动目标已进入)投影曲线的一阶梯度;
S6.1、本发明使用F′M(i)表示运动目标进入场景后的投影曲线的一阶梯度,如下所示:
一阶梯度图见附图8。
步骤7:对场景和先验投影曲线之间(基准项)的一阶梯度做梯度差运算;本发明通过计算一阶梯度,可以提取运动目标与场景的边缘,进而获取了目标的边界坐标信息,即目标在场景中的位置信息,该方法计算量少,不需要人工干预设置阈值,因此增加了算法的自适应性与自动化能力。
S7.1、通过对先验投影曲线的一阶梯度与运动目标进入后场景投影曲线的一阶梯度做差分运算,得到目标的位置信息,差分运算公式如下:
Diff[m(i),n(i)]=abs[m(i),n(i)],i=1,2,…,128.
因此,一阶梯度差分运算如下所示:
其中,Diff表示差分运算,表示一阶梯度差分结果。
对X轴方向与Y轴方向的位置信息的计算方式一致,因此此处只做一次原理推导。
步骤8:提取梯度差结果的前两个最大值,得到物体在场景中X轴或Y轴方向上的位置信息;
S8.1、是一个向量,提取最大两个值,可以得到对应X轴或Y轴方向上的位置信息,使用/>表示包含X轴上的位置信息,/>表示包含Y轴上的位置信息,则有:
其中(vx1,vx2)表示目标在场景中X轴方向的边界值,(vy1,vy2)表示目标在场景中Y轴方向的边界值,Slt表示选取向量中最大两个值,图形效果见附图9。
由上述内容可知,本发明方法在具有复杂背景的连续场景中实现对快速运动目标的实时检测与跟踪,该方法实现了在不需要获取目标场景图像的情况下,利用空间光调制器和单像素探测器来获取目标空间位置的关键信息。本发明能够实现连续场景中快速运动目标的检测与跟踪,本质上是通过获取目标在场景中的二维或三维空间坐标信息(笛卡尔坐标系),与它的自身属性无关,只需要两个或三个标量就能确定目标关键的空间信息,与计算上千上万个像素信息(每个像素有2个标量表示)的成像相比,计算量减少了3到4个数量级,因此解决了在基于图像的方法存在的巨大时间和空间开销的问题。
实施例二
如图10所示,本实施例提供了一种基于单像素探测器的快速移动物体非成像实时检测***,包括:LED光源、收集镜头(Collecting lens)、数字微反射镜(DMD)、投影镜头(Projecting lens)、场景面板(Scene plane)、运动目标/快速移动物体(Target object)、设有单像素探测器的PAD、数据采集器DAQ和计算机PC。
其中,计算机PC设有存储器和处理器,存储器存有计算机程序,计算机程序配置为由所述处理器调用时实现实施例一中所述方法的步骤。
数字微反射镜DMD用作空间光调制器,接收计算机PC设计的子调制基,对穿过收集镜头的光线按照子调制基的图像进行调制,调制后的光场通过投影镜头照射到场景面板上,场景面板以及进入场景面板区域的目标物体上的光强信号响应值由PAD上的单像素探测器检测,单像素探测器检测的数据经DAQ采集并发送给计算机PC。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (8)
1.一种快速移动物体非成像实时检测跟踪方法,其特征在于,包括步骤:
S1、根据场景尺寸构建哈达玛矩阵M,重塑哈达玛矩阵M的每行或每列,得到调制基序列H;
S2、对所述调制基序列H进行优化,优化后的调制基序列H包括用于实现优先投射能高度集中图像能量的调制基;
S3、在X轴方向和Y轴方向上,分别按行与列对优化后的调制基序列H进行分解,并将分解出每行每列进行重构,得到子调制基序列SubPattern;
S4、在快速移动物体进入场景之前,将子调制基序列SubPattern投影到场景中,通过子调制基的投影值与单像素探测器采集的测量值,重建得到X轴或Y轴方向上的无运动目标投影曲线,作为先验投影曲线,并计算先验投影曲线的一阶梯度;
S5、从快速移动物体进入场景开始,将子调制基序列SubPattern投影到场景中,通过子调制基的投影值与单像素探测器采集的测量值,重建得到X轴或Y轴方向上的有运动目标投影曲线;
S6、计算有运动目标投影曲线的一阶梯度;
S7、根据先验投影曲线的一阶梯度和有运动目标投影曲线的一阶梯度,计算得到X轴和Y轴方向上的梯度差;
S8、提取所述X轴和Y轴方向上的梯度差的前两个最大值,得到所述快速移动物体在X轴和Y轴方向上的位置信息,进而确定所述快速移动物体在场景中的位置。
2.根据权利要求1所述的一种快速移动物体非成像实时检测跟踪方法,其特征在于:所述步骤S1中,场景尺寸为S1×S1,构建的哈达玛矩阵M的长宽为S1 2×S1 2,得到所需的调制基序列H中有S1 2个调制基,每个调制基的尺寸大小为S1×S1。
3.根据权利要求2所述的一种快速移动物体非成像实时检测跟踪方法,其特征在于:所述步骤S3中,通过分解调制基序列H的行与列来获取子调制基序列SubPattern,公式(1)如下:
SubPattern[i](1:S1,:)=H[j](u,:) (1)
其中SubPattern[i]表示子调制基序列SubPattern中的第i个子调制基,H[j]表示调制基序列H中的第j调制基,公式(1)表示子调制基序列SubPattern中的第i个子调制基的第1行到S1行,每行都等于调制基序列H中的第j个调制基H[j]的第u行。
4.根据权利要求2所述的一种快速移动物体非成像实时检测跟踪方,其特征在于,所述步骤S4中:
根据公式(2)重建无运动目标场景投影曲线Fo(i),
Fo(i)=IPo(P,I)*Co(i),i=1,2,…,S1 (2)
根据式(3)在向量中使用前一个元素减去后一个元素,计算无运动目标场景投影曲线Fo(i)的一阶梯度F′o(i),
其中,IPo(P,I)表示无运动目标场景下单像素探测器采集的测量值,Co(i)表示无运动目标场景下子调制基在x轴方向或Y轴方向的投影。
5.根据权利要求4所述的一种快速移动物体非成像实时检测跟踪方法,其特征在于,所述步骤S5中,根据公式(4)重建有运动目标场景投影曲线FM(i):
FM(i)=IPM(P,I)*CM(i),i=1,2,…,S1 (4)
所述步骤S6中,根据式(5)在向量中使用前一个元素减去后一个元素,计算有运动目标场景投影曲线的一阶梯度F′M(i):
其中,IPM(P,I)表示有运动目标场景下单像素探测器采集的测量值,CM(i)表示有运动目标场景下子调制基在X轴方向或Y轴方向的投影。
6.根据权利要求5所述的一种快速移动物体非成像实时检测跟踪方法,其特征在于,所述步骤S7中,根据式(6)对先验投影曲线的一阶梯度与运动目标进入后场景投影曲线的一阶梯度做差分运算:
其中,Diff表示差分运算,表示一阶梯度差分结果。
7.根据权利要求6所述的一种快速移动物体非成像实时检测跟踪方法,其特征在于,所述步骤S8中,根据式(7)和式(8)确定所述快速移动物体即运动目标在X轴和Y轴方向上的位置信息:
其中,(vx1,vx2)表示运动目标在场景中X轴方向的边界值,(vy1,vy2)表示目标在场景中Y轴方向的边界值,Slt表示选取向量中的最大两个值,表示包含X轴上的一阶梯度差分结果,/>表示包含Y轴上的一阶梯度差分结果。
8.一种快速移动物体非成像实时检测跟踪***,其特征在于,包括:光源、空间光调制器、单像素探测器、数据采集器和计算机,其中,所述计算机设有存储器和处理器,存储器存有计算机程序,所述计算机程序配置为由所述处理器调用时实现权利要求1-7任一所述方法的步骤,所述空间光调制器用于接收计算机设计的子调制基,接收光源照射的光线并将光线按照子调制基的图像投影到场景中,场景中的场景面板以及进入场景面板区域的目标物体上的光强信号响应值通过单像素探测器测量,单像素探测器测量的数据通过数据采集器采集并发送给计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311164191.0A CN117132622A (zh) | 2023-09-08 | 2023-09-08 | 一种快速移动物体非成像实时检测跟踪方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311164191.0A CN117132622A (zh) | 2023-09-08 | 2023-09-08 | 一种快速移动物体非成像实时检测跟踪方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117132622A true CN117132622A (zh) | 2023-11-28 |
Family
ID=88856348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311164191.0A Withdrawn CN117132622A (zh) | 2023-09-08 | 2023-09-08 | 一种快速移动物体非成像实时检测跟踪方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132622A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108895985A (zh) * | 2018-06-19 | 2018-11-27 | 中国科学院合肥物质科学研究院 | 一种基于单像素探测器的物体定位方法 |
CN116125492A (zh) * | 2022-12-15 | 2023-05-16 | 中国科学技术大学 | 一种超高速单像素成像装置及方法 |
-
2023
- 2023-09-08 CN CN202311164191.0A patent/CN117132622A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108895985A (zh) * | 2018-06-19 | 2018-11-27 | 中国科学院合肥物质科学研究院 | 一种基于单像素探测器的物体定位方法 |
CN116125492A (zh) * | 2022-12-15 | 2023-05-16 | 中国科学技术大学 | 一种超高速单像素成像装置及方法 |
Non-Patent Citations (1)
Title |
---|
FENGMING ZHOU: "Non-imaging real-time detection and tracking of fast-moving objects using a single-pixel detector", 《HTTPS://ARXIV.ORG/ABS/2108.06009》, pages 1 - 16 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11151739B2 (en) | Simultaneous localization and mapping with an event camera | |
KR102674646B1 (ko) | 뷰로부터 거리 정보를 획득하는 장치 및 방법 | |
US20200057831A1 (en) | Real-time generation of synthetic data from multi-shot structured light sensors for three-dimensional object pose estimation | |
JP2012517651A (ja) | 2d電子光学的画像データに対する3d点群データの登録 | |
KR20150121179A (ko) | 실시간 스테레오 정합 | |
CN110555908B (zh) | 基于室内移动目标背景修复的三维重建方法 | |
Zheng et al. | Deep learning for event-based vision: A comprehensive survey and benchmarks | |
CN110349186B (zh) | 基于深度匹配的大位移运动光流计算方法 | |
CN107203743B (zh) | 一种人脸深度跟踪装置及实现方法 | |
EP2476999B1 (en) | Method for measuring displacement, device for measuring displacement, and program for measuring displacement | |
CN110097634B (zh) | 一种自适应多尺度的三维鬼成像方法 | |
CN117079117B (zh) | 水下图像处理及目标识别的方法及装置、存储介质及电子设备 | |
US20230394833A1 (en) | Method, system and computer readable media for object detection coverage estimation | |
Khan et al. | High-density single shot 3D sensing using adaptable speckle projection system with varying preprocessing | |
CN111596310A (zh) | 一种基于点探测的运动目标鬼成像***与方法 | |
US11361407B2 (en) | Motion correction systems and methods for improving medical image data | |
US8818124B1 (en) | Methods, apparatus, and systems for super resolution of LIDAR data sets | |
JPH04130587A (ja) | 3次元画像評価装置 | |
CN117132622A (zh) | 一种快速移动物体非成像实时检测跟踪方法及*** | |
Loktev et al. | Image Blur Simulation for the Estimation of the Behavior of Real Objects by Monitoring Systems. | |
JPH11248431A (ja) | 3次元モデル生成装置および3次元モデル生成プログラムを記録したコンピュータ読取可能な記録媒体 | |
Subpa-Asa et al. | Separating the direct and global components of a single image | |
Zhou et al. | Non-imaging real-time detection and tracking of fast-moving objects using a single-pixel detector | |
Dai et al. | Underwater image enhancement based on multiscale fusion generative adversarial network | |
CN113192154B (zh) | 基于边缘计算的水下鬼成像***及深度学习图像重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 210000 Room 301, floor 3, building 75, zone B, entrepreneurship and innovation city, No. 15, Fengji Avenue, Yuhuatai District, Nanjing, Jiangsu Province Applicant after: Nanjing Thunderbolt Information Technology Co.,Ltd. Address before: 210000 Room 301, floor 3, building 75, zone B, entrepreneurship and innovation city, No. 15, Fengji Avenue, Yuhuatai District, Nanjing, Jiangsu Province Applicant before: NANJING LEADING INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231128 |
|
WW01 | Invention patent application withdrawn after publication |