一种基于Vibe算法和人工神经网络检测方法和系统技术方案

本发明专利技术涉及计算机视觉领域，更具体地，涉及一种基于Vibe算法和人工神经网络检测方法和系统。本发明专利技术通过Vibe背景建模算法提取监控图像的运动目标，不仅能避免小体积的运动目标被遗漏的情况，还能大幅度提高检测运动目标的准确率。此外，本发明专利技术还通过生成式对抗网络将低分辨率的图像进行重构，提高了运动目标图像的分辨率。在图像分辨率提高的基础上，检测运动目标的准确率得到显著提升。最后，将ESRGAN的loss替换为Wassersteinloss，使生成式对抗网络的训练过程更为平滑稳定。改进Arcfaceloss使神经网络分类器的分类效果显著提升。生成式对抗网络和神经网络的性能优化，进一步提升检测运动目标的准确率。进一步提升检测运动目标的准确率。进一步提升检测运动目标的准确率。

【技术实现步骤摘要】
一种基于Vibe算法和人工神经网络检测方法和系统


[0001]本专利技术涉及计算机视觉领域，更具体地，涉及一种基于Vibe算法和人工神经网络检测方法和系统。

技术介绍

[0002]计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，就像人类和许多其他类生物每天所做的那样。
[0003]计算机视觉是一门关于如何运用照相机和计算机来获取我们所需的，被拍摄对象的数据与信息的学问。形象地说，就是给计算机安装上眼睛(照相机)和大脑(算法)，让计算机能够感知环境。计算机视觉既是工程领域，也是科学领域中的一个富有挑战性重要研究领域。计算机视觉是一门综合性的学科，它已经吸引了来自各个学科的研究者参加到对它的研究之中。其中包括计算机科学和工程、信号处理、物理学、应用数学和统计学，神经生理学和认知科学等。
[0004]计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。随着计算机技术的不断发展，计算机视觉的功能已日益完善，能执行不同的检测任务。其中，检测运动目标为计算机视觉领域中一项关键性任务。现有的计算机视觉检测运动目标的方式大多仅仅基于神经网络，通过神经网络对监控图像进行识别。这种基于神经网络的检测方式在图片光照，清晰度以及运动目标尺寸等条件都较好的情况下，确实能取得比较不错的效果。然而，真实的应用场景往往是光照弱，清晰度低，并且运动目标尺寸大小不一，而在这些复杂条件下，纯粹依靠神经网络的检测方式往往效果会大打折扣，无法达到人们的需求。由于受真实的应用场景条件所限，普通的拍摄器材一般难以获取到高清晰度的监控图像，而监控图像的清晰度是决定计算机视觉检测准确率的主要因素之一，因此对于运动目标，现有的计算机视觉检测的准确率并不高。如果对拍摄器材进行改造，或者采用专业级别更高的拍摄器材，又会大幅度地提高监控成本。在低光或者无光照的实际场景中，仅能采集到低清晰度图像，现有的运动目标检测受低清晰度图像影响，检测准确率严重下降，已成了计算机视觉领域迫切要解决的问题之一。因此，目前亟需一种能提高低清晰度图像运动目标检测准确率的基于Vibe算法和人工神经网络检测方法和系统。

技术实现思路

[0005]本专利技术旨在克服上述现有技术的至少一种缺陷，提供一种基于Vibe算法和人工神经网络检测方法和系统，用于解决低清晰度图像运动目标检测准确率低的问题。
[0006]本专利技术采取的技术方案是：
[0007]一种基于Vibe算法和人工神经网络检测方法，包括：
[0008]获取运动目标的监控图像；
[0009]基于Vibe背景建模算法对所述监控图像进行特征提取，得到第一特征图像；所述特征为运动目标的特征；所述第一特征图像为运动目标图像；
[0010]基于生成式对抗网络对所述第一特征图像进行超分辨率重构，得到第二特征图像；
[0011]基于神经网络对所述第二特征图像进行运动目标识别。
[0012]作为本专利技术的进一步方案，基于Vibe背景建模算法对所述监控图像进行特征提取，得到第一特征图像，包括：
[0013]选取所述监控图像的单帧图像进行背景建模，得到背景模型；
[0014]利用所述背景模型的像素点从所述监控图像中提取前景像素点；
[0015]对所述前景像素点进行膨胀处理；
[0016]将不同的膨胀处理后的所述前景像素点融合，得到连通域；
[0017]计算所述连通域对应的最小外接矩形，得到所述运动目标图像。
[0018]作为本专利技术的进一步方案，所述生成式对抗网络基于ESRGAN算法和Wasserstein loss建立。
[0019]作为本专利技术的进一步方案，所述生成式对抗网络的损失函数为：
[0020][0021]其中，l
SR
为整体的损失函数，λ
mse
为均方误差权重系数，λ
perc
为感知损失权重系数，λ
gen
为对抗损失权重系数；
[0022]所述
[0023]其中，为生成的高分辨率图与标签高分辨率图像素之间的均方差损失，E为期望，为标签高分辨率图像坐标为(x，y)处的像素值，G
θ
()为神经网络高分辨率图像生成器，G
θ
(I
LR
)
x,y
为生成的高分辨率图像(x，y)坐标处的像素值，I
LR
为低分辨率图像，x为图像像素的横坐标，y为图像像素的纵坐标；
[0024]所述
[0025]其中，为感知损失，φ()为神经网络特征提取器，I
SR
为标签高分辨率图像；
[0026]所述
[0027]其中，为生成的高分辨率图与标签高分辨率图判别置信度之间的差值，D
w
()为判别器。
[0028]作为本专利技术的进一步方案，所述神经网络的损失函数为：
[0029][0030]其中，N为训练样本数量，e为自然对数的底数，s为决策面参数的模与样本特征向量的模之间的积，θ
yi
为样本特征向量与标签决策面之间的夹角，yi为第i个类别，k为类别总数，m和m2为常数，m>0，m2<0。
[0031]本专利技术还提供一种基于Vibe算法和人工神经网络检测系统，包括：
[0032]目标监控模块，用于获取运动目标的监控图像；
[0033]目标提取模块，用于基于Vibe背景建模算法对所述监控图像进行特征提取，得到第一特征图像；所述特征为运动目标的特征；所述第一特征图像为运动目标图像；
[0034]图像重构模块，用于基于生成式对抗网络对所述第一特征图像进行超分辨率重构，得到第二特征图像；
[0035]目标识别模块，用于基于神经网络对所述第二特征图像进行运动目标识别。
[0036]作为本专利技术的进一步方案，所述目标提取模块包括：
[0037]建模单元，用于选取所述监控图像的单帧图像进行背景建模，得到背景模型；
[0038]前景单元，用于利用所述背景模型的像素点从所述监控图像中提取前景像素点；
[0039]膨胀单元，用于对所述前景像素点进行膨胀处理；
[0040]连通单元，用于将膨胀处理后的所述前景像素点融合，得到连通域；
[0041]矩形单元，用于计算所述连通域对应的最小外接矩形，得到所述运动目标图像。
[0042]作为本专利技术的进一步方案，所述生成式对抗网络基于ESRGAN算法和Wasserstein loss建立。
[0043]作为本专利技术的进一步方案，所述生成式对抗网络的损失函数为：
[0044][0045]其中，l
SR
为整体的损失函数，λ
mse
为均方误差权重系数，λ
perc<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Vibe算法和人工神经网络检测方法，其特征在于，包括：获取运动目标的监控图像；基于Vibe背景建模算法对所述监控图像进行特征提取，得到第一特征图像；所述特征为运动目标的特征；所述第一特征图像为运动目标图像；基于生成式对抗网络对所述第一特征图像进行超分辨率重构，得到第二特征图像；基于神经网络对所述第二特征图像进行运动目标识别。2.根据权利要求1所述的一种基于Vibe算法和人工神经网络检测方法，其特征在于，基于Vibe背景建模算法对所述监控图像进行特征提取，得到第一特征图像，包括：选取所述监控图像的单帧图像进行背景建模，得到背景模型；利用所述背景模型的像素点从所述监控图像中提取前景像素点；对所述前景像素点进行膨胀处理；将不同的膨胀处理后的所述前景像素点融合，得到连通域；计算所述连通域对应的最小外接矩形，得到所述运动目标图像。3.根据权利要求1所述的一种基于Vibe算法和人工神经网络检测方法，其特征在于，所述生成式对抗网络基于ESRGAN算法和Wasserstein loss建立。4.根据权利要求3所述的一种基于Vibe算法和人工神经网络检测方法，其特征在于，所述生成式对抗网络的损失函数为：其中，l
SR
为整体的损失函数，λ
mse
为均方误差权重系数，λ
perc
为感知损失权重系数，λ
gen
为对抗损失权重系数；所述其中，为生成的高分辨率图与标签高分辨率图像素之间的均方差损失，E为期望，为标签高分辨率图像坐标为(x，y)处的像素值，G
θ
()为神经网络高分辨率图像生成器，G
θ
(I
LR
)
x，y
为生成的高分辨率图像(x，y)坐标处的像素值，I
LR
为低分辨率图像，x为图像像素的横坐标，y为图像像素的纵坐标；所述其中，为感知损失，φ()为神经网络特征提取器，I
SR
为标签高分辨率图像；所述其中，为生成的高分辨率图与标签高分辨率图判别置信度之间的差值，D
w
()为判别器。5.根据权利要求1所述的一种基于Vibe算法和人工神经网络检测方法，其特征在于，所述神经网络的损失函数为：其中，N为训练样本数量，e为自然对数的底数，s为决策面参数的模与样本特征向量的模之间的积，θ
yi
为样本特征向量与标签决策面之间的夹角，yi为第i个类别，k为类别总数，m
和m2为常数，m＞0，m2＜0。6.一种基于Vibe算法和人工神经网络检测系统，...

【专利技术属性】
技术研发人员：姜明远，邱述洪，童荪，甘海华，
申请(专利权)人：联通广东产业互联网有限公司，
类型：发明
国别省市：