视交叉仿真的视频前景分割方法及装置制造方法及图纸

本发明专利技术涉及视频处理技术领域，特别涉及一种视交叉仿真的视频前景分割方法及装置。一种视交叉仿真的视频前景分割方法，包括如下步骤：S1，构建编码网络，两条收缩路径模拟人眼的双目视神经功能，从两个相似帧中进行信息感知和特征提取；S2，构建融合网络，对两条收缩路径中学习到的信息在本网络中进行融合；S3，构建解码器网络，解码器网络包括两条独立的路径，在相同配置下，模拟两个人大脑的高级语义分析功能，同时执行检测、定位和分类。通过融合网络将编码网络和解码网络（分别具有两个分支）组合在一起，形成X型结构，能够同时感知到两幅相似的图像，并从中提取特征，然后融合信息。

Video Foreground Segmentation Method and Device for Visual Crossing Simulation

【技术实现步骤摘要】
视交叉仿真的视频前景分割方法及装置
本专利技术涉及视频处理
，特别涉及一种视交叉仿真的视频前景分割方法及装置。
技术介绍
前景分割又称背景减除，是视频处理中的一项关键任务.它是交通监测、异常检测和行为识别等许多更高级应用的基础。在给定一个场景S的情况下，前景分割算法通常是通过建立一个S的表示，称为背景模型(BM)，然后通过该模型对每个输入帧进行变化区域(即前景)进行检测。多年来，人们提出了各种方法来构建合适的BM。统计建模背景是一种常用的分割前景对象的方法。一些典型的算法，如GMM、KDE和PBAS假设像素间的相互独立，并对每个像素随时间的变化进行建模。另一种流行的策略，如RPCA、和RNMF使用降维思想来达到鲁棒的分割效果。然而，这些传统的方法缺乏提取高级特征以表示每个像素，来进行语义预测的能力。它们难以同时应对诸如动态背景、光照变化、重阴影、伪装和相机运动等诸多挑战。近年来，卷积神经网络(CNNs)已被证明是一个强大的特征提取器，能够从数据中学习有用的特征表示。特别是基于迁移学习的全卷积网络在像素级分类任务中表现出了较好的优异性能。因此，基于深度学习的背景模型(DBMs)已本文档来自技高网...

【技术保护点】
1.一种视交叉仿真的视频前景分割方法，其特征在于，包括如下步骤：S1，构建编码网络，两条收缩路径模拟人眼的双目视神经功能，从两个相似帧中进行信息感知和特征提取；S2，构建融合网络，对两条收缩路径中学习到的信息在本网络中进行融合；S3，构建解码器网络，解码器网络包括两条独立的路径，在相同配置下，模拟两个人大脑的高级语义分析功能，同时执行检测、定位和分类。

【技术特征摘要】
1.一种视交叉仿真的视频前景分割方法，其特征在于，包括如下步骤：S1，构建编码网络，两条收缩路径模拟人眼的双目视神经功能，从两个相似帧中进行信息感知和特征提取；S2，构建融合网络，对两条收缩路径中学习到的信息在本网络中进行融合；S3，构建解码器网络，解码器网络包括两条独立的路径，在相同配置下，模拟两个人大脑的高级语义分析功能，同时执行检测、定位和分类。2.根据权利要求1所述的视交叉仿真的视频前景分割方法，其特征在于，所述步骤S1中，编码器网络为孪生网。3.根据权利要求2所述的视交叉仿真的视频前景分割方法，其特征在于，所述步骤S1中，采用多尺度输入输入信息。4.根据权利要求1所述的视交叉仿真的视频前景分割方法，其特征在于，所述步骤S2中，首先用1×1转置卷积将高维特征映射在深度维度投影到较低维度，然后采用3×3卷积进行特征融合。5.根据权利要求4所述的视交叉仿真的视频前景分割方法，其特征在于，所述步骤S2中，采用采用1×1的转置卷积来增加特征映射的数目。6.根据权利要求1所述的视交叉仿真的视频前景分割方法，其特征在于，所述步...

【专利技术属性】
技术研发人员：张锦，李玉东，邱俊洋，王帅辉，周星宇，潘志松，白玮，张艳艳，李阳，焦珊珊，
申请(专利权)人：中国人民解放军陆军工程大学，中国人民解放军陆军军事交通学院镇江校区，
类型：发明
国别省市：江苏,32