[發明專利]一種基于深度學習的運動目標檢測方法

有效

• 申請號: 201710226749.1
• 申請日: 2017-04-10
• 公開（公告）號: CN107123131B
• 公開（公告）日: 2020-04-17
• 發明（設計）人: 張卡;何佳;尼秀明
• 申請（專利權）人: 安徽清新互聯信息科技有限公司
• 主分類號: G06T7/292
• 分類號: G06T7/292;G06T7/246;G06N3/04
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 金凱

本發明公開了一種基于深度學習的運動目標檢測方法，屬于視頻圖像處理技術領域，方法包括：對構建的深度神經網絡模型進行訓練，得到具有分辨有意義運動目標能力的目標神經網絡模型；利用目標神經網絡模型，從當前采集的場景圖像中檢測運動目標。本發明利用深度學習技術和幀間相關性信息，使得方法消耗較小的內存空間，以較小的運算代價準確的檢測出運動目標。

技術領域

本發明涉及視頻圖像處理技術領域，特別涉及一種基于深度學習的運動目標檢測方法。

背景技術

隨著社會的發展進步，智能視頻監控設備越來越多的進入到人們的生活中，其中運動目標檢測是智能視頻分析算法中最重要的技術，同時也是進行目標跟蹤和目標識別的基礎技術。

目前，常用的運動目標檢測方法是基于背景建模的基礎上完成的，其檢測運動目標的效果很大程度上取決于背景模型獲得的好壞。而構建一個好的背景模型是當前的一個技術難題，其原因是由于實際環境中存在著光線變化、相機抖動、復雜背景以及目標運動速度等干擾，目前已有的背景建模算法無法進行有效及時的背景模型更新，導致運動目標檢測結果經常出現錯誤，準確率較低。

近年來，深度學習技術憑借著可以模擬人類大腦神經網絡，能夠進行精確的非線性預測，在各個領域都得到了廣泛的關注和應用。但是深度學習技術卻無法在視頻環境中做到實時檢測，其原因是深度學習技術存在著模型消耗內存大、運算量大的缺點。比如當前在目標檢測領域公知的檢測效果和速度都較好的SSD算法，該算法在論文“SSD:SingleShot MultiBox Detector,Wei Liu,Dragomir Anguelov,Dumitru Erhan,ComputerVision and Pattern Recognition(CVPR2016)”中提出。以SSD300模型為例，進行目標檢測時需要消耗1.2GB左右的內存，同時在Intel i7CPU環境下的檢測時間至少1秒以上。究其原因，是因為SSD算法沒有充分利用幀間相關性信息，因此需要消耗大量的內存和運算能力。

因此，如何在保證較少的漏檢和誤檢的前提下，能夠以較小的運算代價實時檢測運動目標，是技術人員需要攻克的一個難題。

發明內容

本發明的目的在于提供一種基于深度學習的運動目標檢測方法，以在保證較少的漏檢和誤檢的前提下，能夠以較小的運算代價實時檢測運動目標。

為實現以上目的，本發明提供一種基于深度學習的運動目標檢測方法，該方法包括：

對構建的深度神經網絡模型進行訓練，得到具有分辨有意義運動目標能力的目標神經網絡模型，具體包括如下步驟：

基于LeNet-5卷積神經網絡模型進行改進，構建深度神經網絡模型；

根據不同攝像機應用場景下的鄰近兩幀圖像中對應位置的子區域圖像對，收集訓練樣本數據；

基于caffe深度學習框架，利用訓練樣本數據對深度神經網絡模型進行訓練，得到目標神經網絡模型；

利用目標神經網絡模型，從當前采集的當前場景圖像中檢測運動目標，具體包括如下步驟：

加載目標神經網絡模型，以及獲取當前攝像機場景下的初始背景圖像；

采集當前攝像機場景下的實時幀圖像；

檢測當前攝像機場景下的實時幀圖像是否存在可疑運動目標

如果存在可疑運動目標，獲取可疑運動目標的位置矩形作為候選運動目標；

利用目標神經網絡模型，在所有候選運動目標內篩選真實的運動目標。

如果不存在可疑運動目標，將采集的攝像機場景下的當前幀圖像作為新的背景圖像。