[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

说明书

本发明公开了一种基于深度光流和形态学方法的运动目标检测方法，包括以下步骤：(1)收集视频数据，标注样本视频，并随机分成训练集和测试集，对已经处理好的训练集和测试集在做均值计算，形成训练集均值文件和测试集均值文件，完成对训练集和测试集的预处理；(2)构建全卷积神经网络架构，由编码和解码两部分构成，利用训练集和测试集，通过自适应学习率调整算法进行训练，得到训练好的模型参数；(3)将需要进行检测的图像数据输入到训练好的全卷积神经网络中，得到对应的深度光流图；(4)运用大津阈值自适应阈值分割方法处理得到的深度光流图；(5)对阈值分割后的数据进行形态学处理，去除孤立点和缝隙，最终得到检测到的运动目标区域。

技术领域

本发明涉及视频图像处理领域，具体涉及一种运动目标检测的方法。

背景技术

运动目标检测是视频图像处理领域的关键技术。运动目标检测就是通过一定的方法将视频或图像序列中的运动目标和背景区分开，从而达到从视频或图像序列中提取出运动目标的目的。运动目标检测在军事目标检测跟踪、智能人机交互、智能交通以及机器人中得到了广泛地应用。

根据相机的运动与否，可以将运动目标检测的情景分成：相机静止的情况和相机是运动的情况两种。相机静止的情况，即在图像的背景是不运动的；而在相机运动的情况中，一般相机是固定在伺服系统中或者某些运动的，如汽车或飞机等工具上，此时图像的背景会发生运动。目前常用的运动目标检测有三种方法：帧差法、背景相减法以及光流法。帧差法是指将相邻的几帧的图像相减，从而得到运动区域。此算法简单，实时性强，自适应性强，但易出现“双影”和“空洞”，并且对于相机快速运动的场景或出现运动模糊的场景，效果很差。背景相减法是将当前帧图像与一帧没有移动目标的背景相减，从而得到运动目标区域，此种情况下，没有移动目标的背景图像是预先存储好的。这种算法简单，实时性强，尤其适用于背景固定的场景，能获得较完整的特征数据，但易受光线、天气等外界条件变化的影响。帧差法和背景相减法被广泛应用于相机是静止的情况中，尤其是监控系统等。但是对于相机是运动的情况下，此两种方法的效果很难令人满意。光流法主要通过对序列图像光流场的分析，计算出运动场后，对场景进行分割，从而检测出运动目标。简单来说，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。传统的光流法通过搜索相邻帧中和当前像素的匹配点进行匹配，有一定的计算量。由于背景的运动场和运动目标的运动场有所区别，从而根据这种差异把运动目标提取出来。该方法的检测精度相对较高，并且也试用于相机运动的情况。但此种方法对噪声比较敏感、抗噪声性能差并且提取的运动目标边缘也极容易模糊不清或不完整。

近些年来，一些研究人员将深度学习应用到静态图像的目标检测上，得到了较好的效果。例如2016年被提出的SSD算法和Faster-RCNN算法，分别大大提高了静态图像的目标的检测的速度和精度。此类方法一般先选出可能是目标的区域，然后依次对其分类。虽然此类方法对静态图像的目标精度较高，但是忽略了目标与背景的运动信息，无法保持目标运动的一致性，并不适合直接应用于运动目标检测的应用场景中。

专利《一种基于深度学习的运动目标检测方法》(公开号：CN107123131)也提出了一种基于深度学习的方法。然而该方法中，需要实现存储应用场景的背景图片，这就限制了其应用场景。并且其运动区域提取部分仍应用直方图等低级特征，如果运动区域提取的并不可靠，则会直接限制了算法的表现性能。最终的判断是否为目标的部分应用了深度学习的方法，而此时的目标检测已经完全忽略了目标与背景的运动信息，同样也无法保持目标运动的一致性。

发明内容

本发明要解决的技术问题：克服现有技术的检测精度低，检测目标形状不完整的问题，提供一种基于深度光流的运动目标检测方法，采用深度学习的方法学习得出运动光流，然后用形态学方法优化检测结果，从而提高运动目标检测的精度和鲁棒性。