[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)背景建模物體檢測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710379934.4
• 申請(qǐng)日: 2017-05-25
• 公開（公告）號(hào): CN107230221B
• 公開（公告）日: 2019-07-09
• 發(fā)明（設(shè)計(jì)）人: 黃靖;孫毅;姜文;周高景
• 申請(qǐng)（專利權(quán)）人: 武漢理工大學(xué)
• 主分類號(hào): G06T7/262
• 分類號(hào): G06T7/262;G06T7/277;G06T7/254
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 魏波

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)背景建模物體檢測方法，其特征在于，包括以下步驟：

步驟1：利用第一幀圖像初始化混合高斯背景模型；

步驟2：讀取視頻中圖像序列，獲取當(dāng)前視頻幀；

步驟3：將視頻幀劃分為若干區(qū)域；

步驟4：將各區(qū)域塊送入到自編碼卷積神經(jīng)網(wǎng)絡(luò)中獲取對(duì)應(yīng)的卷積特征；

步驟5：對(duì)得到的卷積特征進(jìn)行池化操作，得到圖像最后的特征表示；

步驟6：利用自適應(yīng)區(qū)域判斷法判斷區(qū)域類型；

若區(qū)域類型為背景區(qū)域，則標(biāo)記區(qū)域中心像素為背景像素，更新該中心像素對(duì)應(yīng)的混合高斯背景模型中的各個(gè)高斯模型參數(shù)；并執(zhí)行下述步驟7；

若區(qū)域類型為前景區(qū)域，則標(biāo)記區(qū)域中心像素為前景像素，添加新的高斯背景模型到混合高斯背景模型中，并執(zhí)行下述步驟7；

若區(qū)域類型為邊緣區(qū)域，則利用邊緣區(qū)域中心像素判斷法進(jìn)行判斷，若屬于背景像素，則標(biāo)記為背景像素；若屬于前景像素，則標(biāo)記為前景像素；并執(zhí)行下述步驟7；

步驟7：通過各像素的判斷結(jié)果，得到視頻幀中的運(yùn)動(dòng)目標(biāo)檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)背景建模物體檢測方法，其特征在于：步驟3中，將分辨率為M*N大小的視頻幀劃分成若干個(gè)areasize*areasize小的區(qū)域。

3.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)背景建模物體檢測方法，其特征在于：步驟4中，在各區(qū)域塊送到自編碼卷積神經(jīng)網(wǎng)絡(luò)中之前，需要訓(xùn)練好自編碼卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，自編碼卷積神經(jīng)網(wǎng)絡(luò)輸入大小與所選擇的卷積大小是一致的；areasize*areasize為自編碼卷積神經(jīng)網(wǎng)絡(luò)輸入?yún)^(qū)域大小，采用卷積大小為convolvedsize*convolvedsize，池化大小為pooledsize*pooledsize。

4.根據(jù)權(quán)利要求3所述的基于卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)背景建模物體檢測方法，其特征在于：采用無監(jiān)督學(xué)習(xí)方法進(jìn)行自編碼卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)訓(xùn)練，具體實(shí)現(xiàn)過程是對(duì)于取出的圖像集，從中取出若干個(gè)大小為convolvedsize*convolvedsize的不重疊圖像樣本塊作為訓(xùn)練樣本，既可訓(xùn)練好網(wǎng)絡(luò)的參數(shù)。

5.根據(jù)權(quán)利要求4所述的基于卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)背景建模物體檢測方法，其特征在于：所述圖像集，假如目標(biāo)視頻有N幀，每隔k幀取一張圖像作為訓(xùn)練樣本來源，組成圖像集。