[发明专利]基于数据分布差异与多尺度特征融合的运动目标检测方法

说明书

本发明是基于数据分布差异与多尺度特征融合的运动目标检测方法，将快速背景减除算法与前景分割算法相结合进行运动目标检测，以达到既能找到运动目标，又能精准分割的效果。本发明首先使用帧差法和背景减法进行运动目标检测，初步提取运动特征，再使用多尺度前景提取网络得进行前景提取，最后将二者特征结果进行IOU计算，得到运动目标的二值掩膜。其次，本发明对多尺度前景提取网络进行改进，在其解码器中加入通道注意力机制，令其赋予特征图不同通道以不同权重，去除融入特征和噪声，以得到更干净的前景。本发明方法在运动目标检测主流数据集CDNet2014上进行实验，结果表明，该算法能够准确地检测出各种场景下的运动目标，且具有良好的综合性能。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于数据分布差异与多尺度特征融合的运动目标检测方法。

背景技术

计算机视觉研究的最终目的是使用计算机等智能设备来代替人去对周围环境进行感知、解释及应答。随着科学技术的发展，计算机视觉中的运动目标检测在越来越多的领域内得到使用，其中，在智能视频监控、机器人视觉导航、虚拟现实、医学诊断(细胞状态跟踪)等方面起着基础性的作用，是一项至关重要且具有挑战性的任务。

运动目标检测是寻找存在运动的区域，检测到的运动区域可以为后续的目标识别和跟踪，行为分析等任务提供可参考的区域。一般假设静止摄像机捕捉到的视频背景是静止的，前景是移动的，但在实际场景中，前景物体可能会出现间歇性的运动，背景可能包含局部运动，如摇曳的树叶、波动的水面等。因此，在复杂背景、光照变化、噪声干扰、间歇性运动和伪装的情况下检测运动目标是一项非常具有挑战性的任务。运动目标检测旨在为前景对象自动生成精确和一致的像素掩膜。

近年来，关于运动目标检测算法的研究取得了很大的进展，但是在不受控制的天气、不同光照条件或动态背景下拍摄视频的运动目标检测是一项具有挑战性的任务。因此，科研人员对这一问题进行了大量的研究。这些研究大致可分为基于机器学习的方法以及基于深度学习的方法。

基于机器学习的方法为许多计算机视觉应用程序提供了显著的性能改进，目前最常用的基于机器学习的运动目标检测方法大致可分为五类方法：帧差法、光流法、背景减法、概率模型的方法以及时间空间信息结合的方法。

尽管这些方法取得了一定的效果，但它们的适用性有限。这些方法在室外条件下，由于光照、遮挡和阴影等原因的影响，检测到的运动物体的外观会发生变化，从而影响运动物体检测的精度。

基于深度学习的方法是近年来运动目标检测研究的热点，在多个图像和视频分割应用中取得了较好的效果，它们达到了较好的检测精度，并克服了物体间歇性运动、光照变化、阴影、伪装等实际问题。其中，基于深度学习的算法融合光流法、帧差法、背景减法和各种其他方法，也达到较高的准确率。将基于机器学习的数据分布差异算法与基于深度卷积神经网络的运动目标检测方法进行融合，探索出一个在动态背景下仍表现良好的运动目标检测模型，对计算机视觉应用领域具有重要意义，但是这些方法不能完全做到既可以完整精准地分割出前景目标的同时，又能排除掉静止的前景目标。

在现有的研究成果中，大多数准确度较高的深度学习算法是对所有的前景目标进行分割，并没有添加运动信息，其检测结果不仅仅是运动目标，还有静止目标，少数添加了运动信息的算法分割的准确率又会下降。因此，本发明的目标是提出一种稳健的运动目标检测网络，使该网络能够准确标出前景目标中的运动目标，排除静止前景，并且可以适应不同天气、光照条件，同时在动态背景、相机抖动等环境中也具有较好的效果。

发明内容

本发明针对传统运动目标检测方法的不足，结合机器学习可解释强以及深度学习分割结果高效精准的优点，提出了一种基于数据分布差异与多尺度特征融合的运动目标检测方法，提高运动目标检测精度。