CN101304488A - 一种图象采集的方法和装置 - Google Patents

Abstract

本发明公开一种图象采集的方法与装置，采集场景图象得到帧序列并根据该帧序列得到背景图象，根据采集所得当前帧和所述背景图象检测当前帧是否包含目标物图象，若是，则在采集当前帧的后续帧之前，根据帧序列和当前帧得到后续帧中目标物图象的预期位置，并根据背景图象、当前帧中目标物图象和预期位置调整曝光参数，以及在采集所述后续帧时应用调整后的曝光参数。采用本发明实施例中的方法和装置，当场景中存在运动状态的目标物时能够根据运动状态的目标物的位置调节采集图象时的曝光参数，这样，在采集到的图象中，运动状态的目标物图象有着良好的视觉效果。

Description

一种图象采集的方法和装置

技术领域

本发明涉及计算机技术领域，特别地涉及一种图象采集的方法和装置。

背景技术

目前图象采集设备的应用场合日益广泛，包括对公共场所目标物的监视、工业生产现场目标物的监控以及个人信息沟通等多种方面。在应用中，图象采集设备直接根据镜头获取到的光线的亮度平均值来决定曝光的等级。通常，在许多实际拍摄中，目标物附近存在非常亮的背景或一个点光源是不可避免的，例如在户外摄影中，目标的背景可能是晴朗的天空、反光耀眼的雪地，或者室内情况下，面对镜头的目标物附近可能有明亮的窗户或者灯。当这些情况下，快门速度增加的时候，光圈会被关闭导致主要目标变得太黑而难以辨认。因此，就需要调节曝光参数来获得合适的光圈大小，使得图象采集设备采集到的帧中目标物图象区域的亮度得到提升。

现有的图象采集设备大多备有曝光调节功能，通过对所采集的视频帧固定区域进行加权的方式计算全帧的亮度值，然后进行曝光调节，这种做法并没有突出目标区域的视觉效果。并且，在图象采集设备的实际应用中，若场景中存在运动状态的目标物，由于调整自动曝光参数需要一定的计算时间，这样，在对场景的曝光参数进行调节之后，场景已发生变化，得到的曝光参数不再适用于变化后的场景。

发明内容

本发明实施例给出一种图象采集的方法与装置，以解决现有技术中对于存在运动状态的目标物的场景，在对场景的曝光参数进行调节之后，由于场景已发生变化，得到的曝光参数不再适用于变化后的场景的问题。

本发明实施例给出的一种图象采集方法，包括：

采集场景图象得到帧序列并根据该帧序列得到背景图象；

根据采集所得当前帧和所述背景图象检测所述当前帧是否包含目标物图象，若是，则：

在采集当前帧的后续帧之前，根据所述帧序列和当前帧得到所述后续帧中目标物图象的预期位置，

根据背景图象、当前帧中目标物图象和所述预期位置调整曝光参数，

在采集所述后续帧时应用调整后的曝光参数。

本发明实施例给出的一种图象采集装置包括采集模块、背景模块、检测模块、位置预测模块和曝光参数模块，其中：

采集模块，用于采集场景图象得到帧序列以及根据所述曝光参数模块给出的曝光参数采集场景图象；

背景模块，用于根据所述帧序列得出背景图象；

检测模块，用于根据采集所得当前帧和所述背景图象检测所述当前帧是否包含目标物图象；

位置预测模块，用于若所述当前帧包含目标物图象，则在采集当前帧的后续帧之前，根据所述帧序列和当前帧得到所述后续帧中目标物图象的预期位置；

曝光参数模块，用于根据背景图象、当前帧中目标物图象和所述预期位置调整曝光参数。

采用本发明实施例中的方法和装置，当场景中存在运动状态的目标物时能够根据运动状态的目标物的位置调节采集图象时的曝光参数，这样，在采集到的图象中，运动状态的目标物图象有着良好的视觉效果。

附图说明

图1为本发明实施例的方法流程图；

图2为边缘检测模板示意图；

图3为层次型Adaboost分类器示意图；

图4为本发明实施例给出的图象采集装置示意图；

图5为本发明实施例给出的图象采集装置中检测模块的一种结构示意图；

图6为本发明实施例给出的图象采集装置中动态区域检测单元的一种结构示意图；

图7为本发明实施例给出的图象采集装置中曝光参数模块的一种结构示意图。

具体实施方式

本发明实施例给出一种图象采集方法，如图1所示，包括如下步骤：

步骤1：采集场景图象得到帧序列并根据该帧序列得到背景图象。

步骤2：根据采集所得当前帧和背景图象检测当前帧是否包含目标物图象，若是，进入步骤3，否则进入步骤5。

步骤3：在采集当前帧的后续帧之前，根据帧序列和当前帧得到后续帧中目标物图象的预期位置。

步骤4：根据背景图象、当前帧中目标物图象和预期位置得到曝光参数。

步骤5：设置后续帧的预期平均亮度为当前帧像素点的平均亮度并根据该预期平均亮度调整曝光参数。

步骤6：在采集后续帧时应用步骤4或步骤5中得到的曝光参数。

下面对上述各步骤进行详细说明。

在本发明实施例中，对当前时刻采集到的当前帧作一系列分析并根据分析结果确定曝光参数。本发明实施例中假设在当前时刻之前已采集了n帧图象来用于得到步骤1中背景图象，即上述步骤1中的帧序列，这通常只需很短的时间例如1秒即可完成。在当前时刻，场景中可能包含运动状态的目标物。目标物是需要关注其状态或运动情况的物体，其中包括人体。在步骤1中不论当前场景中是否包含运动目标物，得到的背景图象内都不存在运动目标物的图象。也就是说步骤1的目的在于得到一个只显示静态物体的背景图象，一般情形下的图象则是在该背景图象上叠加运动目标物的图象。背景图象根据已采集的包含了n帧图象的帧序列而得出。首先设置一个条件公式：

|f(x，y)-μ_n(x，y)|≤βσ_n(x，y)                 (1)

其中f(x，y)是坐标为(x，y)的像素灰度值，μ_n(x，y)和σ_n(x，y)分别是n帧图象坐标为(x，y)的位置的像素灰度值的平均值和均方差，β是设定的参数，当n较大，例如大于20时，β可取为1。构建背景图象，是确定背景图象每一像素点的灰度值。令B(x，y)为背景图象中坐标为(x，y)的像素点灰度值，当前采集的n帧图象中坐标为(x，y)的像素满足式(1)的帧共有m帧，则有如下公式得到背景图象每一像素点的灰度值：

$B(x,y)=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{f}_i(x,y)---\left(2\right)$

式中f_i(x，y)是满足式(1)的m帧中第i帧的坐标为(x，y)的像素的灰度值。

此外，因为在视频序列图象中，每个像素点的灰度值是符合高斯分布的，因此(1)式中：

${\mathrm{\μ}}_n(x,y)=\frac{n-1}{n}{\mathrm{\μ}}_{n-1}(x,y)+\frac{1}{n}{f}_n(x,y),$

${\mathrm{\σ}}_n^2(x,y)=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(f_n(x,y)-{\mathrm{\μ}}_{n-1}(x,y))}^2,$

式中n＞1。

因为随着时间的推移，当前场景会发生变化，所以对于从(2)式得到的背景图象，较佳的做法还可以包括背景更新，即利用当前帧对该背景图象作出修正。随着时间推移，不断有当前帧被采集，可以利用每次采集所得当前帧不断地对背景图象作出修正，即不断地进行背景更新。背景更新的具体作法是判断当前帧与当前帧的前一帧中坐标相同的像素点灰度值的差值绝对值是否大于设定值，若是，则令B(x，y)＝αB₁(x，y)，若否，则令B(x，y)＝αB₁(x，y)+(1-α)f(x，y)，其中B(x，y)为修正后的背景图象中坐标为(x，y)的像素点灰度值，B₁(x，y)为修正前的背景图象中坐标为(x，y)的像素点灰度值，f(x，y)是当前帧中坐标为(x，y)的像素点灰度值，α取值满足0≤α≤1。

在背景图象得到确定之后，接下来对当前帧进行检测，以确定当前帧是否包含目标物图象，即上述步骤2。在步骤1之后的各步骤中，优选地应当使用经过上述方法修正得到的背景图象。步骤2具体又分为如下2步：

步骤21：根据当前帧和背景图象确定当前帧中动态区域。具体说明如下。

判断当前帧中坐标为(x，y)的像素点灰度值与背景图象中坐标为(x，y)的像素点灰度值之差的绝对值是否大于设定值，若是，则令M(x，y)＝1，若否，则令M(x，y)＝0，其中M(x，y)是当前帧的二值图矩阵中第x行第y列的元素。即有如下公式：

$M(x,y)=\left\{\begin{array}{c}1,|B_{k-1}(x,y)-f_k(x,y)|>T\\ 0,|B_{k-1}(x,y)-f_k(x,y)|\≤T\end{array}\right.$

其中f_k(x，y)是背景图象中坐标为(x，y)的像素点灰度值，B_k-1(x，y)是背景图象中坐标为(x，y)的像素点灰度值，T是设定值。M是运动区域分割的二值图矩阵，M(x，y)＝1表示目标物图象区域，M(x，y)＝0表示背景区域。对应的二值图中像素灰度值为1的区域即为运动目标图象区域，随着目标的运动，运动目标图象在不断地发生变化，所以运动目标图象区域为动态区域。这里并不是直接获取运动目标图象本身，而是其形状和在帧中的位置，即当前帧中的动态区域。

步骤22：根据当前帧中动态区域检测当前帧是否包含目标物图象。具体包括下述的步骤221-224。

步骤221：使用边缘检测算子求取当前帧中动态区域图象的水平和垂直方向边缘。该步骤具体说明如下：

对当前帧中动态区域图象的每一个像素，分别使用边缘检测算子进行检验，例如Sobel算子，它的水平方向检测模板和垂直方向检测模板S₁和S₂分别为：

$S_1=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$ $S_2=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$

使用Sobel算子时，可以把检测模板S₁和S₂看作是一个“框架”，套在每一个待检测像素上。如图2所示，矩形ABCD是图象中的一个区域，其中每一小格是1个像素。例如图中像素21的灰度值为a₅，它周围像素的灰度值如图中所示，计算像素21水平边缘值EH(21)如下：

EH(21)＝(-1)×a₁+0×a₂+1×a₃+(-2)×a₄+0×a₅+2×a₆+(-1)×a₇+0×a₈+1×a₉

同样可计算像素21的垂直边缘值EV(21)。

步骤222：对水平和垂直方向边缘进行离散化并求取离散化的边缘方向和强度。在该步骤中具体根据如下公式进行计算：

离散化的边缘强度EI的计算公式为： $\mathrm{EI}=\sqrt{{\mathrm{EH}}^2+{\mathrm{EV}}^2}.$

无符号边缘方向ED的计算公式为： $\mathrm{ED}=\mathrm{arccot}\left(\frac{\mathrm{EH}}{\mathrm{EV}}\right).$

接下来计算像素点离散化的边缘方向，计算公式为：

$\mathrm{NED}=\left\{i\right|\frac{180\&times;i}{N}\&le;\mathrm{ED}<\frac{180\&times;(i+1)}{N},N=\mathrm{0,1,2}\&CenterDot;\&CenterDot;\&CenterDot;\}.$

步骤223：根据离散化的边缘方向和强度计算边缘直方图。具体说明如下：

边缘方向直方图HOG定义为区域内所有离散化边缘方向取值为i的像素点边缘强度的累积和，计算公式为：

$\mathrm{Hist}\left(i\right)=\underset{P(x,y)\&Element;R,\mathrm{ED}\left(P(x,y)\right)=i}{\mathrm{\&Sigma;}}\mathrm{EI}\left(P(x,y)\right)$

式中EI(P(x，y))为坐标为(x，y)的像素点的EI值。

步骤224：根据边缘直方图，使用模式识别的方法检测当前帧是否包含目标物图象。因为动态区域中既包含了需要监视的运动目标例如车辆或人体，也包含了其他不需关心的运动目标例如摇摆的树木，所以使用模式识别，将需要监视的运动目标识别出来。下面对该步骤进行详细说明。

图象区域内包含的任意矩形区域称为子矩形，子矩形所包含的区域可以互相重叠。同时，为了减少运算量，提高下一步将要进行的Adaboost分类器训练速度，可以限定子矩形的宽度和高度范围，以及各个子矩形边沿之间的间距。当采用上述图象对Adaboost分类器进行训练时，对于每个子矩形范围内的图象，都存在一个计算边缘直方图Hist，根据Hist的计算方法，可知Hist是一个N维向量，其中包含N个元素，每个元素为一个离散化边缘方向上的边缘强度的累积和。设训练共选定R个子矩形，则这R个子矩形共包含N×R个Hist元素。本发明实施例采用Adaboost分类器进行目标物图象识别，此时需要构造候选弱特征集，为了提高目标物图象检测的速度，采用层次型Adaboost，其组成结构如图3所示，每层分类器(称作强分类器)是由多个弱分类器组成，每个弱分类器由一个弱特征值和查找表构成，本发明实施例中采用上述N×R个Hist元素作为弱特征，每个弱特征值对应一个弱分类器，若某矩形区域符合所有设定的弱特征，则认为该区域检测通过，即该区域中包含目标物图象的一部分。当所有子矩形完成识别后，即完成了全帧区域的模式识别，此时就确定了当前帧中是否存在目标物图象，当存在目标物图象时，在本步骤中也得到了目标物图象。

接下来进行步骤3，即在采集当前帧的后续帧之前，根据帧序列和当前帧得到后续帧中目标物图象的预期位置。该步骤的工作又可称为位置预测，即预测当前帧的后续帧中目标物图象区域的预期位置，可以是当前帧的下一帧，也可以是在当前帧之后的其他帧。常用的方法有卡尔曼预测和α-β滤波器等。下面以α-β滤波器为例进行说明。

因为对图象的采样间隔很短，在该短时间间隔中可近似认为运动物体为匀速运动状态。所以在本发明实施例中考虑目标匀速运动的情况下α-β滤波器，目标的状态方程和测量方程分别为：

X(k+1)＝FX(k)+GV(k)，Z(k)＝HX(k)+W(k)。

其中x、y分别表示目标物图象区域图象外接矩形中心的列坐标和行坐标，

表示两个坐标方向上的速度，式中，

$X={[x,\stackrel{\&CenterDot;}{x},y,\stackrel{\&CenterDot;}{y}]}^T;$ H＝[1 0 1 0]； $F=\left[\begin{array}{cc}\begin{array}{cc}1& T\\ 0& 1\end{array}& 0\\ 0& \begin{array}{cc}1& T\\ 0& 1\end{array}\end{array}\right];$ $G=\left[\begin{array}{cc}\begin{array}{cc}\frac{T^2}{2}& 0\\ 0& T\end{array}& 0\\ 0& \begin{array}{cc}\frac{T^2}{2}& 0\\ 0& T\end{array}\end{array}\right];$

V(k)为零均值系统噪声，满足 $E\left[V\left(k\right)V^T\left(j\right)\right]={\mathrm{\&sigma;}}_v^2{\mathrm{\&delta;}}_k;$

W(k)为零均值观测噪声，满足 $E\left[W\left(k\right)W^T\left(j\right)\right]={\mathrm{\&sigma;}}_w^2{\mathrm{\&delta;}}_k;$

T为采样间隔。

则α-β状态估计方程为：

$\left\{\begin{array}{c}\hat{X}(k+1|k+1)=\hat{X}(k+1|k)+\mathrm{\&alpha;}[Z(k+1)-\hat{X}(k+1|k)]\\ \stackrel{\widehat{\&CenterDot;}}{X}(k+1|k+1)=\stackrel{\widehat{\&CenterDot;}}{X}(k+1|k)+\frac{\mathrm{\&beta;}}{T}[Z(k+1)-\hat{X}(k+1|k)]\end{array}\right.\mathrm{\&alpha;},\mathrm{\&beta;}\&Element;\left[\mathrm{0,1}\right];$

状态预测方程为： $\left\{\begin{array}{c}\hat{X}(k+1|k)=\hat{X}\left(k\right|k)+T\stackrel{\widehat{\&CenterDot;}}{X}\left(k\right|k)\\ \stackrel{\widehat{\&CenterDot;}}{X}(k+1|k)=\stackrel{\widehat{\&CenterDot;}}{X}\left(k\right|k)\end{array}\right..$

从式中

即可得出当前帧的下一帧中目标物图象区域图象外接矩形中心的列坐标和行坐标，即确定了当前帧中目标物图象区域的位置。如果预测当前帧的下一帧中目标物图象区域图象外接矩形中心的列坐标和行坐标，则使用上述方法，对于当前帧的其他后续帧，则将上述各式中T改为其整数倍。

在得到当前帧的后续帧中目标物图象的预期位置之后，进行步骤4，即根据背景图象、当前帧中目标物图象和预期位置得到曝光参数。步骤4又可分为场景拟合的步骤41和计算步骤42。

步骤41：场景拟合，是将当前帧中目标物图象在背景图象的预期位置所占区域作为前景区域，将背景图象中前景区域之外的区域作为背景区域。经过步骤1-3，已经得到了背景图象、目标物图象，并且通过计算得出了目标物图象在后续帧中的预期位置。所以接下来将目标物图象置于背景图象中目标物图象在后续帧中的预期位置，将此时目标物图象在背景图象所占区域作为前景区域，同时背景图象中前景区域之外的区域即为背景区域。对于同一运动的目标物，在不同的帧中其图象不同，从而所占区域也有所不同，但因间隔1个或几个采样间隔的帧的图象内容差别很小，所以上述的近似作法带来的误差也很小。这里的后续帧具体应当是上述步骤3中的后续帧。从这里可以看出步骤3中优选地应当预测目标物图象在当前帧的下一帧中的位置，这样上述误差达到最小。

步骤42：计算后续帧的预期平均亮度。通过预期的目标物图象亮度设定参数并计算后续帧的预期平均亮度，在该亮度下采集的后续帧中运动目标物图象有较好的视觉效果。具体地根据uY₁+(1-u)Y₂计算，其中Y₁和Y₂分别是前景区域像素点的平均亮度值和背景区域像素点的平均亮度值，u是设定的参数，取值满足0.5≤u≤1，使用该取值范围，使得前景区域亮度大于背景区域，从而使运动目标物图象得到突出。根据计算所得预期平均亮度调整曝光参数。

另一方面若步骤2中未检测到目标物图象，则不调整曝光参数，这样设置后续帧的预期平均亮度为当前帧像素点的平均亮度并根据该预期平均亮度调整曝光参数，即上述的步骤5。

在采集后续帧时应用步骤4或步骤5中调整的曝光参数，能够使后续帧的平均亮度达到预期平均亮度，从而若后续帧中存在运动目标物图象，其视觉效果也达到了预期的效果。

根据本发明实施例给出的方法，本发明实施例给出相应的图象处理装置。如图4所示，图象采集装置4包括采集模块、背景模块、检测模块41、位置预测模块和曝光参数模块42。采集模块用于采集场景图象得到帧序列以及根据曝光参数模块给出的曝光参数采集场景图象。背景模块用于根据帧序列得出背景图象。检测模块41用于根据采集所得当前帧和背景图象检测当前帧是否包含目标物图象。位置预测模块，用于若当前帧包含目标物图象，则在采集当前帧的后续帧之前，根据帧序列和当前帧得到后续帧中目标物图象的预期位置。曝光参数模块42用于根据背景图象、当前帧中目标物图象和后续帧中目标物图象的预期位置调整曝光参数。

检测模块41的一种结构如图5所示，包括动态区域确定单元和动态区域检测单元51。动态区域确定单元用于根据当前帧和背景图象确定当前帧中动态区域。动态区域检测单元51用于根据当前帧中动态区域检测当前帧是否包含目标物图象。

动态区域检测单元51的一种结构如图6所示，包括边缘检测单元、离散化单元、直方图计算单元和识别单元。边缘检测单元用于使用边缘检测算子求取当前帧中存在的各个水平和垂直方向边缘。离散化单元用于对水平和垂直方向边缘进行离散化并求取离散化的边缘方向和强度。直方图计算单元用于根据离散化的边缘方向和强度计算边缘直方图。识别单元用于根据边缘直方图，使用模式识别的方法确定当前帧是否包含目标物图象。

曝光参数模块42的一种结构如图7所示，包括区域划分单元、计算单元和参数单元。区域划分单元用于将当前帧中目标物图象在背景图象的预期位置所占区域作为前景区域，将背景图象中前景区域之外的区域作为背景区域。计算单元用于根据uY₁+(1-u)Y₂计算后续帧的预期平均亮度，其中Y₁和Y₂分别是前景区域像素点的平均亮度值和背景区域像素点的平均亮度，u是设定的参数，取值满足0.5≤u≤1。参数单元用于根据预期平均亮度调整曝光参数。

如果当前帧没有包含目标物图象，则计算单元还用于设置后续帧的预期平均亮度为当前帧像素点的平均亮度。

采用本发明实施例中的方法和装置，当场景中存在运动状态的目标物时能够根据运动状态的目标物的位置调节采集图象时的曝光参数，这样，在采集到的图象中，运动状态的目标物图象有着良好的视觉效果。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (11)

1、一种图象采集方法，其特征在于，包括：

采集场景图象得到帧序列并根据该帧序列得到背景图象；

根据采集所得当前帧和所述背景图象检测所述当前帧是否包含目标物图象，若是，则：

在采集当前帧的后续帧之前，根据所述帧序列和当前帧得到所述后续帧中目标物图象的预期位置，

根据背景图象、当前帧中目标物图象和所述预期位置调整曝光参数，

在采集所述后续帧时应用调整后的曝光参数。

2、如权利要求1所述方法，其特征在于，所述后续帧为所述当前帧的下一帧。

3、如权利要求1所述方法，其特征在于，所述根据采集所得当前帧和所述背景图象检测所述当前帧是否包含目标物图象包括：

根据当前帧和背景图象确定当前帧中动态区域；

根据当前帧中动态区域检测当前帧是否包含目标物图象。

4、如权利要求3所述方法，其特征在于，所述根据当前帧中动态区域检测所述当前帧是否包含目标物图象包括：

使用边缘检测算子求取当前帧中动态区域图象的水平和垂直方向边缘；

对所述水平和垂直方向边缘进行离散化并求取离散化的边缘方向和强度；

根据离散化的边缘方向和强度计算边缘直方图；

根据边缘直方图，使用模式识别的方法检测当前帧是否包含目标物图象。

5、如权利要求1所述方法，其特征在于，所述根据背景图象、当前帧中目标物图象和所述预期位置调整曝光参数包括：

将当前帧中目标物图象在所述背景图象的预期位置所占区域作为前景区域，将背景图象中所述前景区域之外的区域作为背景区域；

根据uY₁+(1-u)Y₂计算所述后续帧的预期平均亮度，其中Y₁和Y₂分别是所述前景区域像素点的平均亮度值和所述背景区域像素点的平均亮度值，u是设定的参数，取值满足0.5≤u≤1；

根据所述预期平均亮度调整曝光参数。

6、如权利要求1所述方法，其特征在于，所述方法进一步包括：若所述当前帧不包含目标物图象，则设置所述后续帧的预期平均亮度为当前帧像素点的平均亮度并根据该预期平均亮度调整曝光参数。

7、一种图象采集装置，其特征在于，包括采集模块、背景模块、检测模块、位置预测模块和曝光参数模块，其中：

所述采集模块，用于采集场景图象得到帧序列以及根据所述曝光参数模块给出的曝光参数采集场景图象；

所述背景模块，用于根据所述帧序列得出背景图象；

所述检测模块，用于根据采集所得当前帧和所述背景图象检测所述当前帧是否包含目标物图象；

所述位置预测模块，用于若所述当前帧包含目标物图象，则在采集当前帧的后续帧之前，根据所述帧序列和当前帧得到所述后续帧中目标物图象的预期位置；

所述曝光参数模块，用于根据背景图象、当前帧中目标物图象和所述预期位置调整曝光参数。

8、如权利要求7所述装置，其特征在于，所述检测模块包括动态区域确定单元和动态区域检测单元，其中：

所述动态区域确定单元，用于根据当前帧和背景图象确定当前帧中动态区域；

所述动态区域检测单元，用于根据当前帧中动态区域检测当前帧是否包含目标物图象。

9、如权利要求7所述装置，其特征在于，所述动态区域检测单元包括边缘检测单元、离散化单元、直方图计算单元和识别单元，其中：

所述边缘检测单元，用于使用边缘检测算子求取当前帧中存在的各个水平和垂直方向边缘；

所述离散化单元，用于对水平和垂直方向边缘进行离散化并求取离散化的边缘方向和强度；

所述直方图计算单元，用于根据离散化的边缘方向和强度计算边缘直方图；

所述识别单元，用于根据边缘直方图，使用模式识别的方法确定当前帧是否包含目标物图象。

10、如权利要求8所述装置，其特征在于，所述曝光参数模块包括区域划分单元、计算单元和参数单元，其中：

所述区域划分单元，用于将当前帧中目标物图象在所述背景图象的预期位置所占区域作为前景区域，将背景图象中所述前景区域之外的区域作为背景区域；

所述计算单元，用于根据uY₁+(1-u)Y₂计算所述后续帧的预期平均亮度，其中Y₁和Y₂分别是所述前景区域像素点的平均亮度值和所述背景区域像素点的平均亮度，u是设定的参数，取值满足0.5≤u≤1；

所述参数单元，用于根据预期平均亮度调整曝光参数。

11、如权利要求10所述装置，其特征在于，所述计算单元进一步用于若所述当前帧不包含目标物图象，则设置所述后续帧的预期平均亮度为当前帧像素点的平均亮度。

Images