[发明专利]一种复杂场景中运动小目标的检测方法

说明书

本发明公开了一种复杂场景中运动小目标的检测方法，包括运动检测，目标检测与目标匹配三个模块；运动检测模块主要基于背景补偿的方法，首先检测图像中的SIFT特征点，采用空间分布约束筛选特征点，并根据帧间目标匹配的结果区分内点与外点，使用RANSAC算法求出透射变换矩阵，对背景进行补偿，最后基于帧间差分法求出具有运动属性的区域；目标检测模块使用YOLOV3‑SOD网络对当前帧图像进行检测，通过匹配运动检测与目标检测的结果确定运动目标；最后利用运动目标在图像序列中存在的时间和空间上的连续性，设计帧间目标匹配模块，进一步提高检测的准确性，本发明能在多种场景中通用，准确性高，实时性好。

技术领域

本发明涉及视频图像检测与计算机视觉领域，具体涉及一种复杂场景中运动小目标的检测方法。

背景技术

运动目标检测在计算机视觉研究中日益备受重视，根据摄像机的运动状态，可以分为静态运动目标检测和动态运动目标检测，静态检测由于背景图像是静止的，进行运动目标的检测比较容易，动态检测时由于摄像机的运动，拍摄的视频往往发生全局运动，所以在动态检测时主要涉及全局运动参量估计、背景匹配和运动目标检测。

现有的运动目标检测方法有：光流法，背景减除法和背景补偿法，光流法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与当前帧存在的对应关系，从而计算出相邻帧之间的运动信息，光流法用于运动目标检测时存在着计算量大、耗时长的问题，不适于对实时性要求较高的场景，且光流法基于亮度恒常性的假设，在实际场景中不符合；背景减除法首先通过某种方式对背景进行建模，可分为静态建模和动态建模，常用的建模方法有ViBe算法、GMM背景建模等，应用时将视频序列减去背景模型从而得到运动目标，但当背景复杂或背景运动范围较大时，背景模型往往不能有效建立，导致检测效果太差；背景补偿法首先进行特征检测及匹配，计算出全局运动参量，然后进行背景补偿，最后利用帧间差分法得出运动像素。

基于背景补偿的运动目标检测的难点在于全局运动参量的估计，常见的运动参数模型有仿射运动参数模型、透射运动参数模型和双线性运动参数模型等，其中仿射参数模型能很好的表示背景图像的平移、旋转和缩放运动，且运动参数少，计算量小，常用于运动视频的背景匹配。要获取运动参数模型中的参数，一般采用特征匹配的方法，通过匹配特征的坐标位置计算模型参数，常用于匹配的特征有特征点、纹理、边缘、矩形块等，特征点检测因为精度高、数量多和计算量小的特点被广泛应用，特征点检测算法有：SUSAN角点检测算子、SIFT算子、Harris算子和SURF算子等；特诊点检测及匹配的结果是得到N对匹配的特征点，在匹配的特征点对中,在运动目标上的、被遮挡的、误匹配的和移出视场的特征点,称之为外点,而那些位于背景区域且正确匹配的点称之为内点，仿射变换矩阵的计算需要使用鲁棒估计法消除外点的影响，一般为最小二乘法、M估计法、RANSAC法等。目前，背景补偿的方法大致如上，如何准确的检测特征点，正确的进行特征匹配和消除外点的影响是背景补偿法的难点所在。

运动目标的检测与识别在智能监控领域、无人机跟踪系统、军事侦查方面具有重要的作用，但现有算法只有对运动目标的检测，没有识别。卷积神经网络在图像分析和处理领域取得了众多突破的进展，包括图像特征提取分类、目标识别、目标检测和语义分割等等，典型的目标识别网络有AlexNet、VGG、ResNet和Inception等，这些网络在目标识别任务上表现出色，但由于运动目标的特殊性，大多运动目标都是小像素区域，分辨率低、特征不明显等问题制约着目标识别网络的性能。针对运动小目标的特点，如何设计神经网络也是运动目标检测与识别的难点所在。

发明内容