[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

摘要

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。

主权项

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。