技术领域
[0001] 本发明涉及光电成像与计算机技术领域，更具体地，涉及一种场景目标自动分析检测处理方法及装置。
相关背景技术
[0002] 对于场景中目标的分析与检测是图像处理、机器视觉等领域的一个重要部分。传统的场景方法往往是在图像采集完成后对图像进行后处理，分析并检测其中的目标。但是，由于成像、采集以及处理等多个过程中不可避免的噪声的引入，这些方法所得到的结果均存在一些问题，部分算法需要庞大的先验数据作为支撑，而部分方法识别结果较差或者计算速度较慢。
[0003] 目前，常用的场景目标检测方法有：基于特征检测目标检测方法。通过图像中多种特征的检测来判断对场景进行分割及检测，通常这种方法速度较快，但是检测的效果相对较差。基于先验知识的统计检测方法。通过将场景分解为多个维度的信息，通过大量的数据训练模型并对当前场景进行目标检测。
近些年来，基于神经网络的场景目标检测方法也是基于相同的思路。但该方法不可避免的问题就是需要对场景进行大量的训练才可以得到较好的结果。基于对人眼视觉系统的研究，通过模仿视觉显著性的机制来识别场景中的目标信息。此类方法基于人眼视觉系统，相比而言最符合人眼视觉习惯，效果较好。
[0004] 需要注意的是，以上所述的多种方法几乎都是在图像采集过程结束后对图像进行后处理，耗时，并且大量的数据处理导致较为耗能。
[0005] 基于这个因素，本发明旨在提出了一种在成像过程中进行目标自动分析检测的方法及装置。通过在成像过程中进行目标检测可以有效的避免图像后处理过程中人为产生的噪声对目标检测的准确性以及可靠性的影响。使用整体光学成像链路的思路，在成像过程中进行场景目标检测，可以有效地避免后处理过程中计算时间长，计算耗能多的问题。
[0006] 名词说明：FPGA即现场可编程门阵列。
[0007] SLM即空间光调制器。
具体实施方式
[0018] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
[0019] 以下结合附图实施例对本发明的实施作进一步说明。
[0020] 如图1所示，本发明的方法包括以下步骤：1、光路搭建。面向自然景物，如图3的左图，将光路中的各个光学与成像器件包括会聚球镜、傅式透镜1、空间光调制器（SLM）、傅式透镜2、CMOS(附着于FPGA上)如图2所示依次搭建，调整光路使各器件其位于同一光轴上。整个光路可以使得自然景物在经过会聚球镜会聚于傅式透镜前焦面中，并在傅里叶系统的频谱面中直接进行控制，最后于CMOS中采集成像结果。
[0021] 2、会聚球镜调整。通过FPGA控制SLM使其处于全透光的状态。通过FPGA控制步进电机使得会聚球镜可以沿光轴方向自由移动。为了使会聚球镜成像面与傅氏透镜1的前焦面重合，在FPGA中通过梯度函数计算由CMOS得到的成像结果，判断景物是否清晰。依据此计算结果，由FPGA控制反馈信号指挥机械导轨沿着光轴前后移动会聚球镜，自适应地使成像结果最为清晰。此时，会聚球镜的成像面即与傅式透镜1的前焦面重合，使自然景物准确接入傅里叶系统。
[0022] 3、空间滤波与图像采集。通过FPGA编程控制SLM及CMOS，全自动地进行连续2次图像采集过程。第一次通过FPGA控制SLM，光轴中心附近通过，SLM小孔尺寸为直径Di=5个像素， CMOS采集图像s1; 第二次通过FPGA控制SLM构造缓变滤波器，SLM从中心像素到边缘像素，透过率从1衰减到0，即控制频谱通过的振幅的空间分布，CMOS采集图像s2。FPGA输出信号给SLM并CMOS采集图像，都是程序自动化实现。
[0023] 4、场景分析与目标检测计算。在FPGA上，计算分析图g = (s1 - s2) – min((s1 - s2),0)，并归一化g，获得图3的中图，即场景分析图，可以从视觉上获得整个目标场景的待关注程度。使用阈值处理g，即可获得目标区域，标定目标，获得最终检测结果，如图3右图。
[0024] 在本发明的图例中，所用到的需要指明的设备或相关参数如下：傅氏透镜焦距为f=250mm，直径为D=50mm。
