[發(fā)明專利]夜視環(huán)境下活物檢測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202011066129.4
• 申請(qǐng)日: 2020-09-30
• 公開（公告）號(hào): CN112149683A
• 公開（公告）日: 2020-12-29
• 發(fā)明（設(shè)計(jì)）人: 陳坤;邸建;張欣;楊瀾
• 申請(qǐng)（專利權(quán)）人: 華宇金信（北京）軟件有限公司
• 主分類號(hào): G06K9/34
• 分類號(hào): G06K9/34;G06K9/62;G06K9/00
• 代理公司: 北京三友知識(shí)產(chǎn)權(quán)代理有限公司 11127
• 代理人: 谷敬麗;周曉飛

1.一種夜視環(huán)境下活物檢測(cè)方法，其特征在于，包括：

獲得夜視環(huán)境下的視頻，對(duì)夜視環(huán)境下的視頻進(jìn)行切幀處理，獲得視頻幀；

對(duì)所述視頻幀進(jìn)行動(dòng)態(tài)區(qū)域檢測(cè)，得到動(dòng)態(tài)變化的區(qū)域結(jié)果；

構(gòu)建動(dòng)態(tài)區(qū)域分類模型和實(shí)例分割模型；

基于動(dòng)態(tài)區(qū)域分類模型，對(duì)所述動(dòng)態(tài)變化的區(qū)域結(jié)果進(jìn)行分類，得到分類結(jié)果；

基于實(shí)例分割模型，對(duì)所述視頻幀進(jìn)行實(shí)例分割，得到實(shí)例分割結(jié)果；

將分類結(jié)果和實(shí)例分割結(jié)果進(jìn)行交并比計(jì)算，得到最終檢測(cè)結(jié)果。

2.如權(quán)利要求1所述的夜視環(huán)境下活物檢測(cè)方法，其特征在于，對(duì)夜視環(huán)境下的視頻進(jìn)行切幀處理，獲得視頻幀，包括：

將視頻圖像序列分解為靜態(tài)圖像序列；

基于設(shè)置的采樣步長(zhǎng)采用跳幀切幀方式來(lái)進(jìn)行視頻切幀處理，獲取靜態(tài)RGB圖像序列。

3.如權(quán)利要求2所述的夜視環(huán)境下活物檢測(cè)方法，其特征在于，對(duì)所述視頻幀進(jìn)行動(dòng)態(tài)區(qū)域檢測(cè)，得到動(dòng)態(tài)變化的區(qū)域結(jié)果，包括：

將靜態(tài)RGB圖像序列通過(guò)色彩空間轉(zhuǎn)換轉(zhuǎn)化為靜態(tài)灰度圖像序列；

將靜態(tài)灰度圖像序列進(jìn)行高斯噪聲濾波，生成濾波后的靜態(tài)灰度圖像序列；

將濾波后的靜態(tài)灰度圖像序列進(jìn)行標(biāo)準(zhǔn)化處理，使得每一個(gè)像素點(diǎn)的灰度值都處于0-255之間；

基于每一個(gè)像素點(diǎn)的灰度值都處于0-255之間的濾波后的靜態(tài)灰度圖像序列，通過(guò)幀差法計(jì)算得到二值化運(yùn)動(dòng)幀差圖序列；

基于幀間差分法，根據(jù)二值化運(yùn)動(dòng)幀差圖序列確定運(yùn)動(dòng)目標(biāo)主體。

4.如權(quán)利要求1所述的夜視環(huán)境下活物檢測(cè)方法，其特征在于，構(gòu)建動(dòng)態(tài)區(qū)域分類模型，包括：

建立分類訓(xùn)練集，基于分類訓(xùn)練集對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得動(dòng)態(tài)區(qū)域分類模型；

構(gòu)建實(shí)例分割模型，包括：

建立實(shí)例分割訓(xùn)練集，對(duì)實(shí)例分割訓(xùn)練集進(jìn)行掩膜基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲得實(shí)例分割模型。

5.一種夜視環(huán)境下活物檢測(cè)裝置，其特征在于，包括：

視頻切幀處理模塊，用于獲得夜視環(huán)境下的視頻，對(duì)夜視環(huán)境下的視頻進(jìn)行切幀處理，獲得視頻幀；

動(dòng)態(tài)區(qū)域檢測(cè)模塊，用于對(duì)所述視頻幀進(jìn)行動(dòng)態(tài)區(qū)域檢測(cè)，得到動(dòng)態(tài)變化的區(qū)域結(jié)果；

模型構(gòu)建模塊，用于構(gòu)建動(dòng)態(tài)區(qū)域分類模型和實(shí)例分割模型；

分類識(shí)別模塊，用于基于動(dòng)態(tài)區(qū)域分類模型，對(duì)所述動(dòng)態(tài)變化的區(qū)域結(jié)果進(jìn)行分類，得到分類結(jié)果；

實(shí)例分割模型，用于基于實(shí)例分割模型，對(duì)所述視頻幀進(jìn)行實(shí)例分割，得到實(shí)例分割結(jié)果；

交并比計(jì)算模塊，用于將分類結(jié)果和實(shí)例分割結(jié)果進(jìn)行交并比計(jì)算，得到最終檢測(cè)結(jié)果。

6.如權(quán)利要求5所述的夜視環(huán)境下活物檢測(cè)裝置，其特征在于，視頻切幀處理模具體用于：

將視頻圖像序列分解為靜態(tài)圖像序列；

基于設(shè)置的采樣步長(zhǎng)采用跳幀切幀方式來(lái)進(jìn)行視頻切幀處理，獲取靜態(tài)RGB圖像序列。

7.如權(quán)利要求6所述的夜視環(huán)境下活物檢測(cè)裝置，其特征在于，動(dòng)態(tài)區(qū)域檢測(cè)模塊具體用于：

將靜態(tài)RGB圖像序列通過(guò)色彩空間轉(zhuǎn)換轉(zhuǎn)化為靜態(tài)灰度圖像序列；

將靜態(tài)灰度圖像序列進(jìn)行高斯噪聲濾波，生成濾波后的靜態(tài)灰度圖像序列；

將濾波后的靜態(tài)灰度圖像序列進(jìn)行標(biāo)準(zhǔn)化處理，使得每一個(gè)像素點(diǎn)的灰度值都處于0-255之間；

基于每一個(gè)像素點(diǎn)的灰度值都處于0-255之間的濾波后的靜態(tài)灰度圖像序列，通過(guò)幀差法計(jì)算得到二值化運(yùn)動(dòng)幀差圖序列；

基于幀間差分法，根據(jù)二值化運(yùn)動(dòng)幀差圖序列確定運(yùn)動(dòng)目標(biāo)主體。

8.如權(quán)利要求5所述的夜視環(huán)境下活物檢測(cè)裝置，其特征在于，模型構(gòu)建模塊具體用于：

建立分類訓(xùn)練集，基于分類訓(xùn)練集對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得動(dòng)態(tài)區(qū)域分類模型；

建立實(shí)例分割訓(xùn)練集，對(duì)實(shí)例分割訓(xùn)練集進(jìn)行掩膜基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲得實(shí)例分割模型。