[發明專利]基于復雜背景下的移動目標檢測方法和系統

有效

• 申請號: 202210371385.7
• 申請日: 2022-04-11
• 公開（公告）號: CN114463686B
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 孫自偉;華澤璽
• 申請（專利權）人: 西南交通大學;四川都睿感控科技有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06N3/04;G06N3/08;G06T7/20;G06T7/60
• 代理公司: 北京市領專知識產權代理有限公司 11590
• 代理人: 潘鏡如

本發明涉及基于復雜背景下的移動目標檢測方法和系統，包括步驟：粗檢階段：將連續5幀視頻圖像輸入由ConvLSTM網絡和YOLO4網絡組成的粗檢模型中，其中ConvLSTM網絡捕獲運動信息，YOLO4網絡利用含有運動信息的特征圖定位目標在每一幀中的空間維度位置；細檢階段：利用目標跟蹤法跟蹤粗檢階段得到的目標在連接5幀圖像上的空間維度位置，并獲取最小外切矩形后裁剪得到5張圖像，將5張圖像融合構成一個15通道的圖像后輸入細檢模型中，經過細檢得到最終檢測結果。本發明分為粗檢階段和細檢階段，兩階段充分利用了移動小目標的運動信息，來提高復雜背景下移動小目標檢測的精度，減少了誤報漏報，減輕了人工介入的程度。

技術領域

本發明涉及移動小目標檢測技術領域，特別涉及一種基于復雜背景下的移動目標檢測方法和系統。

背景技術

對于復雜背景下的移動小目標的檢測，目前的方法概括起來主要有三種：

第一種可以歸為基于背景的方法。這一類主要有直接對背景建模的，運用背景差的方法得到運動目標前景，但是背景隨光強和其他擾動變化復雜，提取到的運動目標前景效果不好。還有運用魯棒性主成分分析法(RPCA)，直接分理處低秩矩陣（背景）和稀疏矩陣（噪聲前景），但是在實際情況下，圖像會受到一定程度的光強變化、遮擋、平移等干擾，這些因素也可以看做是一個噪聲矩陣，從而影響運動目標的精度。實際上這類方法無法檢測靜止的目標。

第二種可以歸為基于單幀圖片的檢測方法。這種方法是通用的目標檢測方法，對于復雜環境下的小目標，其目標特征信息少，一般情況下與環境較為相似，因此基于單幀圖片的檢測方法效果較差。

第三種可以歸為傳統的基于運動信息的檢測方法。這類方法主要是使用一個循環神經網絡后接一個目標檢測網絡來檢測，但是這類方法在處理較多運動小目標時，顧此失彼，顯得無法集中注意力，要么出現很多漏檢，要么出現很多誤檢的情況。

因此，基于運動信息對于復雜背景下的移動小目標檢測（如老鼠、飛鳥等），一般監控區域面積較大，入侵異物較小，使用人工方式進行排查時，不僅成本高，而且人的精力有限很難保證排查精度。如果使用現有的檢測算法，要么精度低，要么效率低。

發明內容

本發明的目的在于改善復雜背景下小目標檢測的精度和效率，提供一種基于復雜背景下的移動目標檢測方法和系統。

為了實現上述發明目的，本發明實施例提供了以下技術方案：

基于復雜背景下的移動目標檢測方法，包括以下步驟：

步驟S1，粗檢階段：將連續5幀視頻圖像依次輸入由ConvLSTM網絡和YOLO4網絡組成的粗檢模型中，其中ConvLSTM網絡捕獲運動信息，YOLO4網絡利用含有運動信息的特征圖定位目標在每一幀中的空間維度位置；

步驟S2，細檢階段：利用目標跟蹤法跟蹤粗檢階段得到的目標在連續5幀圖像上的空間維度位置，獲取5個空間維度位置的最小外切矩形并裁剪得到5張圖像，將5張圖像融合構成一個15通道的圖像后輸入細檢模型中，經過細檢得到最終檢測結果。

所述粗檢模型中的ConvLSTM網絡，其融合歷史狀態和當前輸入狀態的方式為先將歷史狀態和當前輸入狀態進行連接操作，再進行卷積：

式中，為t時刻的細胞狀態，細胞狀態中存儲了與運動信息相關的信息；為t時刻輸入層狀態，表示某一幀視頻圖像經過卷積后的狀態；表示t時刻輸入門控制信號，表示t時刻遺忘門控制信號；為融合輸入信息和上一時刻細胞狀態信息的卷積權重，卷積權重是可學習的。

所述ConvLSTM網絡嵌入YOLO4網絡的主干網絡CSPDark53的第二層與第三層之間；且將YOLO4網絡的每個輸出尺寸擴大一倍。

所述粗檢階段具體包括以下步驟：