[发明专利]一种视频运动目标高效检测方法

说明书

本发明公布了一种视频运动目标高效检测方法，包括有以下步骤：1)卷积神经网络模型初始化以及预热；2)获取道路监控视频，并将该道路监控视频截成帧图像；3)使用RPN网络获取前景候选区域；4)使用基于改进的ViBe建模背景差分法获取过滤参考区域；5)计算候选区域与所有前景参考区域的交集比；6)根据交集比选择存在运动目标的候选区域，并将其特征区域送入RCNN进行检测；7)根据RCNN检测结果与所有前景参考区域的交集比过滤RCNN检测结果；8)将检测结果绘制在视频帧上，并播放。

技术领域

本发明涉及图像处理技术领域，具体涉及一种视频运动目标高效检测方法。

背景技术

随着计算机技术的发展和计算机视觉原理的广泛应用，运动目标检测越来越成为计算机视觉领域中研究的热点问题。通常运动目标检测目的是在序列图像中检测出目标的变化区域并将运动目标从背景图像中提取出来。

传统的运动目标检测算法包括帧差法、光流法和背景减除法。根据不同的背景建模方式，背景差分法又衍生出混合高斯背景建模差分、ViBe(visual backgroundextractor)算法等方法。ViBe算法是一种基于随机像素替换的背景建模、前景差分算法，其拥有算法简单、运算速度快、鬼影区域消除效果较好等优点。但ViBe算法无法进行得到完整的运动目标区域。而目前常见的目标检测方法都基于深度学习技术，有Faster R-CNN(快速候选区域卷积神经网络)、YOLO、SSD等方法。FasterR-CNN是一种用于目标检测的主流深度学习网络框架，它的优点在于具有比别的方法更高的识别精度，缺点是无法区分运动目标与静止目标，且识别速度相对较慢。

而当前与本发明类似的运动目标检测方法有：发明专利(公开号：CN108985169A，名称：基于深度学习目标检测与动态背景建模的商店跨门经营检测方法)利用深度学习与背景建模进行商店跨门经营检测，先使用ViBe算法获取店外物体，再用卷积神经网络对店外物体进行分类或者定位，该发明专利的ViBe算法与卷积神经网络算法是前后顺序应用关系，因而检测速度慢，不能达到期望的要求。

发明内容

为克服现有技术上的不足，本发明的目的是提供一种视频运动目标高效检测方法，将ViBe算法融入到Faster R-CNN算法中，通过ViBe算法来提高FasterR-CNN算法的识别精度以及识别速度，并检测运动目标。

为实现上述发明，采用的技术方案如下：

一种视频运动目标高效检测方法，其特征在于，包括如下步骤：

1)卷积神经网络模型初始化以及预热；

2)将待检测视频截成帧图像；

3)使用RPN网络获取前景候选区域；

4)使用ViBe建模背景差分法获取前景参考区域；

5)计算候选区域与所有过滤参考区域的交集比；

6)根据交集比选择存在运动目标的候选区域，并将其特征区域送入RCNN进行检测；

7)根据RCNN检测结果与所有前景参考区域的交集比过滤RCNN检测结果；

8)将检测结果显示在视频帧上，并播放。

所述的一种视频运动目标高效检测方法，其特征在于，步骤1)中，所述的神经网络模型为FasterR-CNN模型，包括特征提取网络VGG16，RPN网络以及RCNN网络。

所述的一种视频运动目标高效检测方法，其特征在于，步骤1)中，所述的卷积神经网络模型初始化为卷积网络模型加载以及权重参数恢复。

所述的一种视频运动目标高效检测方法，其特征在于，步骤1)中，所述的神经网络模型预热为将卷积网络前向传播3～5次。