[發明專利]一種基于卷積神經網絡自適應背景建模物體檢測方法

有效

• 申請號: 201710379934.4
• 申請日: 2017-05-25
• 公開（公告）號: CN107230221B
• 公開（公告）日: 2019-07-09
• 發明（設計）人: 黃靖;孫毅;姜文;周高景
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06T7/262
• 分類號: G06T7/262;G06T7/277;G06T7/254
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魏波

本發明公開了一種基于卷積神經網絡自適應背景建模物體檢測方法。本發明對現有的基于區域塊背景建模方法做出了以下兩點改進。第一點針對現有的基于區域塊背景建模方法以離散余弦變換系數描述作為區域特性表示方面的不足，提出一種基于卷積神經網絡區域特征提取的方法，來改善其特征表示能力。第二點提出了一種邊緣區域中心像素類型判斷方法，通過考慮邊緣區域中心像素與其臨近像素的關系判斷中心像素是前景像素還是背景像素類型。本發明結合了相應實驗驗證了，相比已有的基于區域塊背景建模方法，本方法提出的兩種改進能夠帶來更好的效果。

技術領域

本發明屬于背景建模技術領域，涉及一種基于區域塊的背景建模物體檢測方法，具體涉及一種基于卷積神經網絡自適應背景建模物體檢測方法。

背景技術

在背景建模技術領域，基于區域塊的背景建模方法流程一般主要分為兩部分：(1)將每一幀圖像劃分成若干個區域塊(小的樣本區域)；(2)在區域塊的級別上建立背景模型(這樣的方法可以有效利用圖像的上下文信息)。

在基于區域塊的背景建模方法研究中，H.Grabner提出了針對每一個背景區域塊，利用在線學習的優勢訓練一系列相同的分類器，而分類器中置信度低的樣本區域塊被判斷為前景。M.Seki提出了出一種基于圖像在空間上變化一致的背景建模方法，認為相鄰區域塊之間的變化有很強的相關性；方法在不要求背景圖像在時間上連續的前提下，動態縮小每個輸入圖像背景的變化范圍，提高算法的檢測率。Reddy V提出一種基于概率決策級聯分類器的前景檢測方法，該方法獲取樣本區域的DCT系數作為區域的特征表示，在此特征上建立一個單高斯背景模型，最后通過多個概率決策級聯分類器確定該區域的類型。

針對以上的研究現狀，目前基于區域塊的背景建模方法存在的問題是：

(1)基于區域塊的方法在區域的特征提取方面不夠完善；

(2)沒有詳細對區域塊內的中心像素進行分析，在檢測率和正確率方面并沒有到達很好的結果。

發明內容

為了解決上述技術問題，本發明提供了一種基于卷積神經網絡自適應背景建模物體檢測方法。

本發明所采用的技術方案是：一種基于卷積神經網絡自適應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，獲取當前視頻幀；

步驟3：將視頻幀劃分為若干區域；

步驟4：將各區域塊送入到自編碼卷積神經網絡中獲取對應的卷積特征；

步驟5：對得到的卷積特征進行池化操作，得到圖像最后的特征表示；

步驟6：利用自適應區域判斷法判斷區域類型；

若區域類型為背景區域，則標記區域中心像素為背景像素，更新該中心像素對應的混合高斯背景模型中的各個高斯模型參數；并執行下述步驟7；

若區域類型為前景區域，則標記區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，并執行下述步驟7；

若區域類型為邊緣區域，則利用邊緣區域中心像素判斷法進行判斷，若屬于背景像素，則標記為背景像素；若屬于前景像素，則標記為前景像素；并執行下述步驟7；

步驟7：通過各像素的判斷結果，得到視頻幀中的運動目標檢測結果。

本發明相比已有基于區域塊的背景建模方法的不足做出以下改進：