移动检测的成像系统的制作方法

本发明涉及一种成像系统，特别是涉及一种移动检测(motiondetection)的成像系统。

背景技术：

由于深度学习(deep-learning)人工智能(ai)的发展，使得相机普遍使用在基于影像的分析，用以提取信息。然而，影像的传送需要大量的带宽与功耗。为了降低带宽与功耗，因此提出事件触发(event-triggered)的成像系统，其仅传送与处理有用信息的影像，而筛去冗余(redundant)影像。信息是否有用可藉由检测移动(motion)的发生来识别。

当比较不同时间所撷取帧(frame)时，比较其特征(feature)而非像素值，因而可以大量降低计算量。其中，将帧均等分割为多个区块或视窗，再提取个别的特征。比较目前帧的特征与先前帧的特征，以确定是否发生移动。然而，即使对象的大小相同，远处对象的影像会小于近处对象的影像，使得远处对象的移动经常未能成功检测到。

因此，亟需提出一种新颖的成像系统，以克服传统成像系统的缺陷。

技术实现要素：

鉴于上述，本发明实施例的目的之一在于提出一种移动检测的成像系统，可防止移动检测的漏失，且可保持成像系统的低功耗与低成本。

根据本发明的实施例，移动检测的成像系统包含影像传感器、视窗布局单元、特征提取器及区域移动检测器。视窗布局单元根据消失点或水平线以确定视窗布局，该视窗布局中的视窗的大小是不一致的。特征提取器确定目前影像的视窗的特征。区域移动检测器比较目前影像的视窗的特征与先前影像的相应视窗的特征，以确定是否发生区域移动。

附图简单说明

图1示出本发明实施例的移动检测的成像系统的方块图。

图2a示出本发明实施例的移动检测的成像方法的流程图。

图2b示出本发明另一实施例的移动检测的成像方法的流程图。

图3a至图3e是例示的视窗布局。

图4示出确定视窗的特征的另一个例子。

图5a示出图1的区域移动检测器的细部方块图。

图5b示出图1的全域移动检测器的细部方块图。

具体实施方式

图1示出本发明实施例的移动检测(motiondetection)的成像系统100的方块图。成像系统100可使用硬件(例如影像信号处理器)或/和软件(例如计算机程序)来实施。图2a示出本发明实施例的移动检测的成像方法200a的流程图。

在本实施例中，成像系统100/成像方法200a可为事件触发(event-triggered)成像系统/方法，用以大量降低功耗与带宽。本实施例的成像系统100可包含影像传感器11，例如互补式金属氧化物半导体(cmos)影像传感器。本实施例的成像系统100可包含模式选择器12，用以确定目前模式，据此影像传感器11可使用不同的分辨率、功耗量或帧速率(framerate)。在本实施例中，成像系统100可至少具有移动检测模式与影像(静态影像/动态影像)模式。

在步骤21，(影像传感器11)摄取影像，并确定所摄取影像的消失点(vanishingpoint)或水平线(horizontalline)。在影像平面上，三维空间的平行线在二维透视投影时，会收敛于消失点，该消失点则位于水平线上，该水平线一般又称为视线高度(eyelevel)。在一实施例中，所摄取影像传送至主机(host)10，其作为影像分析器，以识别所摄取影像的消失点或水平线。主机100可设于远端。在另一实施例中，消失点/水平线可由使用者设定。在又一实施例中，消失点/水平线可为预设，因此可以省略步骤21。

接着，在步骤22，视窗布局(windowslayout)单元13根据水平线或消失点以确定移动检测的视窗布局。根据本实施例的特征之一，所确定的视窗布局的视窗大小并非一致(uniform)。在本实施例中，靠近水平线/消失点的视窗小于远离水平线/消失点的视窗。图3a至图3d是例示的视窗布局。根据图示，靠近水平线31或消失点32的视窗小于远离水平线31或消失点32的视窗。值得注意的是，所摄取影像的某些区域(例如天空)并未设有视窗，如图3b与图3c所例示。

在确定了视窗布局后，模式选择器12切换成像系统100至移动检测模式(步骤23)。本实施例的成像系统100可包含特征提取器(featureextractor)14、区域移动检测器15及特征储存器16。其中，特征提取器14确定(影像传感器11所摄取的)目前影像的视窗的特征(值)。视窗的特征可储存于特征储存器16，例如静态随机存取存储器(sram)或动态随机存取存储器(dram)。在一例子中，视窗的特征为该视窗内像素的平均值。图4显示确定视窗的特征的另一个例子。将每一区块(或视窗)切割为多个子区块(例如图4当中标示a、b、c、d的2x2子区块)。对子区块a～d进行以下的计算以确定相应区块的特征：

区块特征i,j＝(abs[mean(a+b)-mean(c+d)]+

abs[mean(b+d)-mean(a+c)])/2

其中abs为绝对值函数，mean为平均值函数。

在步骤24，区域移动检测器15比较目前影像的视窗的特征与(储存在特征储存器16的)先前影像的视窗的特征，以确定是否发生(区域)移动。重复执行步骤24，直到移动被检测到。

图5a显示图1中的区域移动检测器15的细部方块图。在本实施例中，区域移动检测器15可包含差值(difference)单元151，其将先前特征与目前特征相减，因而产生差值。区域移动检测器15可包含绝对值单元152，用以产生该差值的绝对值。区域移动检测器15还可包含比较器153，其比较该绝对值与预设的临界值。根据比较器153的结果，可产生移动图(motionmap)。区域移动检测器15还可包含逻辑电路154，例如或(or)闸，用以对比较器153的结果(亦即移动图)进行逻辑运算，因而产生区域移动标记(flag)，用以表示是否发生(区域)移动。

当检测到区域移动时，则流程进入步骤25，模式选择器12切换成像系统100至影像(静态影像/动态影像)模式，以摄取静态影像或动态影像，并将其传送至主机10。传送完静态影像或动态影像后，流程回到步骤23，模式选择器12切换成像系统100至移动检测模式。

图2b显示本发明另一实施例的移动检测的成像方法200b的流程图。本实施例(图2b)的步骤21～24相同于图2a。在步骤25(亦即影像模式)，摄取静态影像或动态影像并传送至主机10后，流程进入步骤26，全域(global)移动检测器17确定是否发生全域移动。如果检测到全域移动，表示影像是不稳定的，则成像系统100等待预设期间(步骤27)；否则，流程回到步骤23(亦即移动检测模式)。重复执行步骤27，直到预设期间已达到，则流程进入步骤21，以确定新消失点或水平线。接着，在步骤22，视窗布局单元13根据新水平线或消失点以确定移动检测的新视窗布局。在另一实施例中，如图2b的虚线所示，如果步骤26检测到全域移动，重复执行步骤26直到没有全域移动被检测到。此时，流程进入步骤21，以确定新消失点或水平线。接着，在步骤22，视窗布局单元13根据新水平线或消失点以确定移动检测的新视窗布局。

图5b显示图1中的全域移动检测器17的细部方块图。在本实施例中，全域移动检测器17可包含和值单元171，其将(区域移动检测器15所产生的)移动图的元素相加，以产生和值。全域移动检测器17可包含比较器172，其比较和值与预设临界值，因而产生全域移动标记，表示是否发生全域移动。当和值大于预设临界值，则全域移动标记变为主动(asserted)，表示发生全域移动，否则全域移动标记为非主动(de-asserted)。在另一实施例中，可监督水平线(或消失点)以检测全域移动。当水平线(或消失点)偏移实质的距离时，则表示发生全域移动。

根据上述实施例，由于移动检测的视窗大小不一致，因而不会漏失掉具有小影像的远处移动对象。图3e例示本发明实施例的视窗布局。如图所示，即使远处的人与近处的人具有相同的体型，然而位于远处的人具有较小影像。由于远处的人位于小视窗，因此当该远处的人移动时(例如从一视窗移动至相邻视窗)，区域移动检测器15可藉由比较不同时间所撷取的特征，可检测到该远处的人的区域移动。另一方面，由于近处的人位于大视窗，因而可以大量降低运算量与特征的储存量。藉由水平线31，对象(例如图3e所例示的人)可前后移动，也可左右移动。当对象远离水平线时，表示为近处对象。相反的，藉由消失点，对象仅可前后移动(例如隧道中的车辆)。当对象远离消失点时，表示为近处对象。

以上所述仅为本发明的较佳实施例而已，并非用以限定本发明之专利保护范围；凡其它未脱离发明所揭示之精神下所完成的等效改变或修饰，均应包含在下述的权利要求书的范围内。