[发明专利]一种基于卷积神经网络自适应背景建模物体检测方法

说明书

本发明公开了一种基于卷积神经网络自适应背景建模物体检测方法。本发明对现有的基于区域块背景建模方法做出了以下两点改进。第一点针对现有的基于区域块背景建模方法以离散余弦变换系数描述作为区域特性表示方面的不足，提出一种基于卷积神经网络区域特征提取的方法，来改善其特征表示能力。第二点提出了一种边缘区域中心像素类型判断方法，通过考虑边缘区域中心像素与其临近像素的关系判断中心像素是前景像素还是背景像素类型。本发明结合了相应实验验证了，相比已有的基于区域块背景建模方法，本方法提出的两种改进能够带来更好的效果。

技术领域

本发明属于背景建模技术领域，涉及一种基于区域块的背景建模物体检测方法，具体涉及一种基于卷积神经网络自适应背景建模物体检测方法。

背景技术

在背景建模技术领域，基于区域块的背景建模方法流程一般主要分为两部分：(1)将每一帧图像划分成若干个区域块(小的样本区域)；(2)在区域块的级别上建立背景模型(这样的方法可以有效利用图像的上下文信息)。

在基于区域块的背景建模方法研究中，H.Grabner提出了针对每一个背景区域块，利用在线学习的优势训练一系列相同的分类器，而分类器中置信度低的样本区域块被判断为前景。M.Seki提出了出一种基于图像在空间上变化一致的背景建模方法，认为相邻区域块之间的变化有很强的相关性；方法在不要求背景图像在时间上连续的前提下，动态缩小每个输入图像背景的变化范围，提高算法的检测率。Reddy V提出一种基于概率决策级联分类器的前景检测方法，该方法获取样本区域的DCT系数作为区域的特征表示，在此特征上建立一个单高斯背景模型，最后通过多个概率决策级联分类器确定该区域的类型。

针对以上的研究现状，目前基于区域块的背景建模方法存在的问题是：

(1)基于区域块的方法在区域的特征提取方面不够完善；

(2)没有详细对区域块内的中心像素进行分析，在检测率和正确率方面并没有到达很好的结果。

发明内容

为了解决上述技术问题，本发明提供了一种基于卷积神经网络自适应背景建模物体检测方法。

本发明所采用的技术方案是：一种基于卷积神经网络自适应背景建模物体检测方法，其特征在于，包括以下步骤：

步骤1：利用第一帧图像初始化混合高斯背景模型；

步骤2：读取视频中图像序列，获取当前视频帧；

步骤3：将视频帧划分为若干区域；

步骤4：将各区域块送入到自编码卷积神经网络中获取对应的卷积特征；

步骤5：对得到的卷积特征进行池化操作，得到图像最后的特征表示；

步骤6：利用自适应区域判断法判断区域类型；

若区域类型为背景区域，则标记区域中心像素为背景像素，更新该中心像素对应的混合高斯背景模型中的各个高斯模型参数；并执行下述步骤7；

若区域类型为前景区域，则标记区域中心像素为前景像素，添加新的高斯背景模型到混合高斯背景模型中，并执行下述步骤7；

若区域类型为边缘区域，则利用边缘区域中心像素判断法进行判断，若属于背景像素，则标记为背景像素；若属于前景像素，则标记为前景像素；并执行下述步骤7；

步骤7：通过各像素的判断结果，得到视频帧中的运动目标检测结果。

本发明相比已有基于区域块的背景建模方法的不足做出以下改进：