[发明专利]一种基于深度光流和形态学方法的运动目标检测方法

权利要求书

1.一种基于深度光流和形态学方法的运动目标检测方法，其特征在于：步骤如下：

(1)将标注好的视频图像帧序列，划分训练集和测试集，并对训练集和测试集进行预处理；

(2)构建卷积神经网络，利用训练集处理得到的深度光流图，通过自适应学习率调整算法对所述卷积神经网络进行训练，得到训练好的卷积神经网络的模型参数；

(3)将待检测的视频图像输入到训练好的卷积神经网络中，得到深度光流图；

(4)采用自适应阈值分割方法处理深度光流图，得到处理后的深度光流图；

(5)对处理后的深度光流图进行形态学处理，检测得到运动目标区域；

所述步骤(2)中，卷积神经网络由20层构成，分为编码和解码两部分，其中编码部分由第1～11层组成，负责提取深层光流图的特征，解码部分由第12～20层组成，负责对提取的特征进一步细化提高空间精度，得到鲁棒的并且精细的深度光流图，提高运动目标检测的精度；

所述卷积神经网络的编码部分具体包括如下：

(101)第一层为输入层，负责对输入图像去均值，送入第二层；

(102)第二层为卷积层，使用卷积核，激活函数为Relu函数，输出多个特征图，送入第三层；

(103)第三层为下采样层，将上一层输出的每个特征图经过一个下采样进行降维，之后输入到第四层；

(104)第四层为卷积层，使用与第二层双倍的卷积核，激活函数为Relu函数，输出特征图，送入第五层；

(105)第五层为下采样层，将上一层输出的每个特征图经过下采样进行降维，之后输入到第六层；

(106)第六层为卷积层，使用与第四层双倍个卷积核，激活函数为Relu函数，输出特征图，送入第七层；

(107)第七层为下采样层，将上一层输出的每个特征图经过下采样进行降维，之后输入到第八层；

(108)第八层为卷积层，使用与第六层相同个卷积核，激活函数为Relu函数，输出特征图，送入第九层；

(109)第九层为下采样层，将上一层输出的每个特征图经过下采样进行降维，之后输入到第十层；

(110)第十层为卷积层，使用与第八层相同个卷积核，激活函数为Relu函数，输出特征图，送入第十一层；

(111)第十一层为下采样层，将上一层输出的每个特征图经过下采样进行降维，之后输入到第十二层；

卷积神经网络的解码部分具体包括如下：

(201)第十二层为卷积层，使用与所述第八层相同的卷积核，激活函数为Relu函数，输出特征图，送入第十三层；

(202)第十三层为上采样层，将上一层输出的每个特征图经过一个上采样进行升维，将升维后的特征图输入到第十四层；

(203)第十四层为卷积层，使用与第十二层相同的卷积核，激活函数为Relu函数，输出特征图，送入第十五层；

(204)第十五层为上采样层，将上一层输出的每个特征图经过一个上采样进行升维，将升维后的特征图输入到第十六层；

(205)第十六层为卷积层，使用与第十四层双倍的卷积核，激活函数为Relu函数，输出特征图，送入第十七层；

(206)第十七层为上采样层，将上一层输出的每个特征图经过一个上采样进行升维，将升维后的特征图输入到第十八层；

(207)第十八层为卷积层，使用2个卷积核，激活函数为Relu函数，输出2个特征图，送入第十九层；

(208)第十九层为输出尺寸调整层，将根据输入图像尺寸对上一层输出的分辨率进行调整；

(209)第二十层为输出光流调整层，将根据输入图像尺寸对光流的数据进行一定的比例调整。

2.根据权利要求1所述的基于深度光流和形态学方法的运动目标检测方法，其特征在于：所述步骤(2)中，构建卷积神经网络时，把卷积训练网络看作最优化求解问题，得到损失函数最小的一组作为模型参数，所述损失函数为二阶均方差函数：

其中，M和N分别为输入图像的长和宽，代表计算得出的光流值，表示光流的真值，||·||₂表示二范数，求解的方法为随机梯度下降法。