基于稀疏光流提取的视频运动目标检测方法技术

技术编号:37973420 阅读:20 留言:0更新日期:2023-06-30 09:48
本申请涉及一种基于稀疏光流提取的视频运动目标检测方法。该方法包括:将待检测视频中的视频帧进行稀疏化的增强处理,获得增强后的视频输入浅层特征提取模块,生成第一、第二和第三浅层特征图,将第三浅层特征图输入深层特征提取模块,生成第一、第二和第三深层特征图,将第一、第二和第三深层特征图输入深层特征融合模块,获得深层特征融合图,将深层特征融合图、第一、第二和第三浅层特征图输入深浅层特征融合模块,获得深浅层融合特征,将第二和第三深层特征图、深层特征融合图、深浅层融合特征输入检测模块,获得视频运动目标检测结果。提高了视频运动目标检测的准确率。提高了视频运动目标检测的准确率。提高了视频运动目标检测的准确率。

【技术实现步骤摘要】
基于稀疏光流提取的视频运动目标检测方法


[0001]本申请涉及计算机视觉
,特别是涉及一种基于稀疏光流提取的视频运动目标检测方法。

技术介绍

[0002]目标检测是计算机视觉领域的重要任务,是对现有数据如图片、视频中的感兴趣目标进行检测。随着计算机技术的发展和计算机视觉原理的广泛应用,利用图像处理技术对目标进行实时跟踪的研究越来越热门,对目标进行动态实时跟踪定位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。早期的目标检测算法大多是基于手工特征构建的。但是手工特征构建的方法有着计算量大、精度低、泛化能力不强的缺点,其性能很快趋于饱和。
[0003]随着新兴硬件设备(如GPU)的出现和深度学习的进一步发展,RCNN(Regions with CNN features)将深度学习应用到了目标检测任务,目标检测开始以前所未有的速度发展。基于深度学习的目标检测方法可以分为两类:“双级检测(two

stage detection)
”ꢀ
>和
ꢀ“<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏光流提取的视频运动目标检测方法,其特征在于,所述方法包括:将待检测视频中的视频帧进行稀疏化的增强处理,获得增强后的视频;将所述增强后的视频的视频帧输入改进型SSD目标检测网络模型中的浅层特征提取模块进行特征提取,生成各所述视频帧的第一浅层特征图、第二浅层特征图和第三浅层特征图;将各所述视频帧的所述第三浅层特征图输入所述改进型SSD目标检测网络模型中的深层特征提取模块进行特征提取,生成各所述视频帧的第一深层特征图、第二深层特征图和第三深层特征图;将各所述视频帧的所述第一深层特征图、第二深层特征图和第三深层特征图输入所述改进型SSD目标检测网络模型中的深层特征融合模块进行特征融合,获得各所述视频帧的深层特征融合图;将各所述视频帧的所述深层特征融合图、所述第一浅层特征图、所述第二浅层特征图和所述第三浅层特征图输入所述改进型SSD目标检测网络模型中的深浅层特征融合模块进行特征融合,获得各所述视频帧的深浅层融合特征;将各所述视频帧的所述第二深层特征图、所述第三深层特征图、所述深层特征融合图、所述深浅层融合特征输入所述改进型SSD目标检测网络模型中的检测模块,获得视频运动目标检测结果。2.根据权利要求1所述的基于稀疏光流提取的视频运动目标检测方法,其特征在于,所述浅层特征提取模块包括第一浅层特征提取单元、第二浅层特征提取单元和第三浅层特征提取单元;所述将所述增强后的视频的视频帧输入改进型SSD目标检测网络模型中的浅层特征提取模块进行特征提取,生成各所述视频帧的第一浅层特征图、第二浅层特征图和第三浅层特征图,包括:将所述增强后的视频的视频帧输入第一浅层特征提取单元进行特征提取,获得各所述视频帧的第一浅层特征图;将各所述视频帧的第一浅层特征图输入第二浅层特征提取单元进行特征提取,获得各所述视频帧的第二浅层特征图;将各所述视频帧的第二浅层特征图输入第三浅层特征提取单元进行特征提取,获得各所述视频帧的第三浅层特征图。3.根据权利要求1所述的基于稀疏光流提取的视频运动目标检测方法,其特征在于,所述深层特征提取模块包括第一深层特征提取单元、第二深层特征提取单元和第三深层特征提取单元;所述将各所述视频帧的所述第三浅层特征图输入所述改进型SSD目标检测网络模型中的深层特征提取模块进行特征提取,生成各所述视频帧的第一深层特征图、第二深层特征图和第三深层特征图,包括:将各所述视频帧的第三浅层特征图输入第一深层特征提取单元进行特征提取,获得各所述视频帧的第一深层特征图;将各所述视频帧的第一深层特征图输入第二深层特征提取单元进行特征提取,获得各所述视频帧的第二深层特征图;
将各所述视频帧的第二深层特征图输入第三深层特征提取单元进行特征提取,获得各所述视频帧的第三深层特征图。4.根据权利要求1所述的基于稀疏光流提取的视频运动目标检测方法,其特征在于,所述深浅层特征融合模块包括:第一深浅层特征融合单元、第二深浅层特征融合单元和第三深浅层特征融合单元;所述将各所述视频帧的所述深层特征融合图、所述第一浅层特征图、所述第二浅层特征图和所述第三浅层特征图输入所述改进型SSD目标检测网络模型中的深浅层特征融合模块进行特征融合,获得各所述视频帧的深浅层融合特征,包括:将各所述视频帧的所述深层特征融合图和所述第三浅层特征图输入所述第一深浅层特征融合单元,获得各所述视频帧的第一深浅层融合特征图;将所述各所述视频帧的第一深浅层融合特征图和所述第二浅层特征图输入所述第二深浅层特征融合单元,获得各所述视频帧的第二深浅层融合特征图;将所述各所述视频帧的第二深浅层融合特征图和所述第一浅层特征图输入所述第三深浅层特征融合单元,获得各所述视频帧的第三深浅层融合特征图;其中,各所述视频帧的深浅层融合特征包括各所述视频帧的第一深浅层融合特征图、第二深浅层融合特征图和第三深浅层融合特征图。5.根据权利要求4所述的基于稀疏光流提取的视频运动目标检测方法,其特征在...

【专利技术属性】
技术研发人员:刘茜仲意雄
申请(专利权)人:南京信息工程大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1