[发明专利]基于双流法的复杂背景运动小目标检测方法

权利要求书

1.一种基于双流法的复杂背景运动小目标检测方法，其特征在于，包括以下步骤：

步骤一：使用深度学习目标检测方法，对单独视频帧图像进行处理，获取空间上的外观特征流，并在此基础上进行目标检测；对于单帧目标的检测，检测过程由公式(1)表示：

A-Locs,A-Confs＝A-Detector(Image) (1)

其中，A-Detector表示基于外观特征的目标检测器(Appearance-Detector)；A-Locs＝{a-loc1,a-loc2,……a-locn}，表示n个基于外观特征流检出的目标位置(Appearance-Locations)；A-Confs＝{a-conf1,a-conf2,……a-confn}，表示这n个目标的外观检测置信度(Appearance-Confidences)；

步骤二：使用帧间差分法，对连续视频帧图像进行处理，获取时间上的运动特征流，并在此基础上进行运动目标检测，具体为：

对连续两帧使用帧间差分方法，提取运动区域，得到二值图，使用形态学滤波进行去噪，最后使用连通度分析获取目标轮廓；这一基于时间上的运动特征流的运动目标检测过程，由公式(2)表示：

M-Locs＝M-Detector(Image,pre_Image) (2)

其中，M-Detector表示基于运动信息的目标检测器(Motion-Detector)；M-Locs＝{m-loc1,m-loc2,……m-locm}，表示m个基于运动特征流检出的目标位置(Motion-Locations)；

步骤三：对步骤一和步骤二在整幅画面中的若干检测结果进行双流融合，通过计算交并比的方法，获取时空融合置信度，具体为：

将步骤一得到的n个目标依次与步骤二得到的m个目标比较，获取步骤一得到的n个目标的时空融合置信度F-Confs(Fusion-Confidences)，其中F-Confs＝{f-conf1,f-conf2,……f-confn}，f-confk,k＝1，2……n的计算由公式(3)表示：

f-confk＝max(IoU(a-lock,m-loc1),IoU(a-lock,m-loc2),……IoU(a-lock,m-locm)) (3)

其中，IoU为交并比(Intersection over Union)，IoU(A,B)表示A、B的重合程度；

步骤四：结合步骤一中深度学习的外观检测置信度A-Confs，与步骤三中时空融合置信度F-Confs，给出最终的检测结果，具体为：

根据选取的阈值conf_thresh，对基于外观特征检测到的目标进行重确认，得到最终的检测结果Class＝{class1,class2,……classn}，分别对应A-Locs中位置目标的类别，其中，classk,k＝1，2……n由公式(4)计算：

其中，类别为1表示这一目标是需检出目标，类别为0表示这一目标是误检为需检出目标的背景。

2.根据权利要求1所述的基于双流法的复杂背景运动小目标检测方法，其特征在于，所述的步骤一中，使用YOLO目标检测器，将目标检测作为回归问题进行建模；所述YOLO目标检测器使用神经网络提取三个尺度的特征，在每一尺度特征上预测目标的边界框位置和类别置信度，实现端到端的检测。