[发明专利]基于传统和深度学习结合的运动目标检测方法

权利要求书

1.一种基于传统和深度学习结合的运动目标检测方法，其特征在于，包括：步骤一，采用实例分割算法对双目相机采集的道路图像相邻帧进行检测，以将各图像划分为潜在运动目标区域和静止区域；

步骤二，分别对各图像中的潜在运动目标区域、静止区域进行特征点提取与匹配；

步骤三，基于相机自运动参数确定运动补偿，通过计算重投影误差以对运动状态判断，以基于判断结果完成对图像中运动目标进行标记。

2.如权利要求1所述的基于传统和深度学习结合的运动目标检测方法，其特征在于，在步骤一中，所述双目相机被配置为采用安装在车辆上的双目相机；

在步骤二中，采用实例分割算法SOLOv2，将道路环境数据图像中的背景像素值标记为0，其余每个潜在运动目标的像素值从1，2开始按顺序标记，以将双目相机获取的每幅图像中对应不同潜在运动目标设置为带有不同标签信息的mask图像，以将道路环境数据图像划分为潜在运动目标区域和静止区域。

3.如权利要求1所述的基于传统和深度学习结合的运动目标检测方法，其特征在于，在步骤三中，对于潜在运动目标区域和静止区域的特征点提取方式被配置为包括：

对于静止区域的特征点被配置为采用ORB特征点提取方法以得到，并通过特征点均匀化提取策略获取相机自运动参数；

对于潜在运动目标区域的特征点被配置为采用Shi Tomasi特征点提取方法以获得。

4.如权利要求1所述的基于传统和深度学习结合的运动目标检测方法，其特征在于，在步骤四中，所述运动补偿被配置为包括：

基于静止区域提取和匹配的特征点，在前后帧图像使用PnP方法计算每两帧间的相机自运动参数；

通过相机自运动参数对每两帧中的前一帧图像进行运动补偿，进而使图像等效于相机静止的情况。

5.如权利要求1所述的基于传统和深度学习结合的运动目标检测方法，其特征在于，在步骤四中，所述重投影误差是对当前帧上的特征点投影上的特征点投影到前一帧上以获取相邻帧的重投影残差图像。

6.如权利要求1所述的基于传统和深度学习结合的运动目标检测方法，其特征在于，在步骤四中，所述运动状态决断的方法被配置为：

通过潜在运动目标区域上的重投影残差所表示的特征点对应的长度F_L，与特征点运动状态判断阈值T_h进行比较，在F_L＞T_h时将该特征点进行颜色标记，表明其为运动的点；

利用标签遍历每个潜在运动目标，统计落在每个潜在运动目标区域的运动的点的数量，设置一个运动点的数量的阈值Ф，如果某个潜在运动目标区域的运动的点的数量大于这个阈值，则将这个潜在运动目标区域标记为红色，表示运动目标；否则则将这个潜在运动目标区域标记为绿色，表示静止目标；

其中，所述T_h的公式被配置为：

T_h＝ρF_avg；

F_avg表示静止区域的重投影残差长度的均值，ρ表示大于1的数值。