一种基于主动视觉的高值目标细微变化检测方法与流程

技术特征：

1.一种基于主动视觉的高值目标细微变化检测方法，其特征在于：其操作步骤如下：

⑴开始，将已经完成配准的两幅图像载入到该方法中，两幅图像分别为当前图像和上次图像；

⑵光照一致化的初始化：给定当前图像观测数据y和上次图像观测数据x，首先对当前图像进行全局性的光照一致化，将当前观测数据的颜色通过线性变换的方式保持与上次观测数据颜色基本一致；

⑶光照一致化：将图像进行光照一致化处理，在Lambertian反射模型的基础上，将两幅图像进行光照一致化；

⑷低秩求解变化检测：通过使用低秩求解法，对两幅图像微小变化进行检测；

⑸多尺度迭代优化：进行多尺度迭代的优化算法，采用了从粗到细的多尺度优化方法,首先得到粗粒度的光流估计，然后将其上采样到更细粒度的层上，作为细粒度的初始化，经过多层的优化求解，能得到更好的光流结果；

完成检测。

2.根据权利要求1所述的基于主动视觉的高值目标细微变化检测方法，其特征在于：所述步骤⑵中，全局性的光照一致化的具体操作流程如下：

①对次图像数据x_i和当前图像数据y_i中的图像使用SIFT特征进行特征点的提取和匹配；

②对于匹配的特征点对，借助于公式求解出变换矩阵和偏移向量公式为：

$\[{\hat{A}}^i,{\hat{b}}^i\]=\arg smin\left|\right|A^i{\tilde{x}}^i+b^i-{\tilde{y}}^i|{|}_F^2$

公式中和分别表示图像x_i和y_i中对应匹配点的RGB颜色值，是在R3空间中的线性变换矩阵，在变换的基础上对结果增加一个偏移量；

③在求解出变换矩阵和偏移向量的基础上，将和作用到x_i所有的像素点上，得到全局光照一致化的结果。

3.根据权利要求2所述的基于主动视觉的高值目标细微变化检测方法，其特征在于：所述公式通过最小化来实现将当前观测的数据与上次观测数据的光照一致化。

4.根据权利要求1所述的基于主动视觉的高值目标细微变化检测方法，其特征在于：所述步骤⑶中的Lambertian反射模型的表达形式为：

I_p＝∫＜n_p,ω＞ρ_pL(ω)dω

在公式中，I_p代表图像中像素p的颜色，n_p代表像素p对应的物体中相应位置的表面法向量,ρ_p像素p对应的物体的表面反射率，L(ω)是光照球面调和函数，其将每个点的光照情况使用一个定义在半球表面的函数来表示，该点处于球的中心。

5.根据权利要求4所述的基于主动视觉的高值目标细微变化检测方法，其特征在于：对Lambertian反射模型的光照差异的矫正方法：

最小化目标函数：

$L=\arg min\mathrm{\Σ}p{(x_{Fp}^i+L_p^v-Y_p^i)}^2{e}^{\frac{C^p}{\mathrm{\σ}}}+{\mathrm{\α\Σ}}_{p~q}{\[w_{p~q}(L_p^v-L_q^v)\]}^2$

在公式中，Li表示X和Y的第i幅图像经过最小化能量求解之后得到的光照差异，表示了X为了达到和Y的颜色一致而产生的补偿增量。

6.根据权利要求1所述的基于主动视觉的高值目标细微变化检测方法，其特征在于：所述步骤⑷中，两幅图像微小变化进行检测的方法，具体为采用以下模型进行检测：

$\arg \min \left(\right|\left|Z\right|{|}_{*}+\mathrm{\λ}\left|\right|E|{|}_1+k|\left|TE\right|{|}_F^2)$

Z代表两次观测图像中未发生变化的部分，E则代表了上次观测图像和本次观测Y的稀疏变化部分；

在求解出E的情况下，通过每个光照条件下求解出的E进行加权平均的方式产生微小变化的似然估计图像C；似然估计图像C将参与下一轮迭代求解，并用于最终微小变化的分类决策。

7.根据权利要求1所述的基于主动视觉的高值目标细微变化检测方法，其特征在于：所述步骤⑸中，多尺度优化方法具体为：不同图像大小尺度上进行依次进行光照一致化因素L，基于光流的图像配准F和基于低秩分解的变化似然估计C的计算与优化，与粗粒度的尺度与细粒度的尺度在大小上的比例一般采取0.5，在l-1层的光流图像配准F通过上采样的方式被传播到更细粒度的l层，在此基础上，l层的光流图像配准将按照上文中的方法进行求解；

对于l-1层计算的变化似然估计C，其在上采样的基础上，被作为调节因子应用到l层的中光照一致化L和光流图像配准F上，通常的迭代次数为3到5轮。