基于特征掩码和YOLO模型的运动目标检测方法、装置、介质制造方法及图纸

本申请公开了一种基于特征掩码和YOLO模型的运动目标检测方法、装置、介质，方法包括：根据图像缩放算法对连续帧图像进行图像缩放，得到目标连续帧图像；根据背景减除算法对目标连续帧图像进行背景提取，得到前景图像；获取包括特征掩码生成模块和运动目标检测模块的YOLO模型；将前景图像输入至特征掩码生成模块进行图像处理，得到目标前景特征掩码；将目标前景特征掩码和目标连续帧图像输入至运动目标检测模块进行目标检测，得到运动目标检测结果。本申请基于前景特征掩码和YOLO模型对连续帧图像进行运动目标检测，使得连续帧图像的背景区域被掩码剔除，仅前景区域参与神经网络运算，提升了执行该运动目标检测操作的硬件终端运行神经网络的计算速度。运行神经网络的计算速度。运行神经网络的计算速度。

【技术实现步骤摘要】
基于特征掩码和YOLO模型的运动目标检测方法、装置、介质


[0001]本申请涉及但不限于图像处理
，尤其涉及一种基于特征掩码和YOLO模型的运动目标检测方法、装置、介质。

技术介绍

[0002]得益于卷积神经网络的准确率相对于传统计算机视觉算法的准确率有大幅提升，卷积神经网络已普遍应用到计算机视觉的各个领域当中，例如智能安防、自动驾驶、无人机、医疗、军事。然而，卷积神经网络高准确率的代价是需要耗费非常大的计算资源和存储资源，通用中央处理器(Central Processing Unit，CPU)已经不能胜任处理卷积乘加的计算，常用的做法是使用图形处理器(Graphic Processing Unit，GPU)来加速计算卷积神经网络，但是GPU存在功耗较大和价格昂贵的问题。因此，有必要提出一种运动目标检测方法，能够提升硬件终端运行卷积神经网络的计算速度的同时，降低硬件终端的运行功耗。

技术实现思路

[0003]本申请实施例提供了一种基于特征掩码和YOLO模型的运动目标检测方法、装置、介质，能够提升硬件终端运行神经网络的计算速度的同时，降低硬件终端的运行功耗。
[0004]第一方面，本申请实施例提供了一种基于特征掩码和YOLO模型的运动目标检测方法，包括：
[0005]获取连续帧图像，根据预设的图像缩放算法对所述连续帧图像进行图像缩放，得到目标连续帧图像；
[0006]根据预设的背景减除算法对所述目标连续帧图像进行背景提取，得到所述目标连续帧图像的前景图像；
[0007]获取预先训练好的YOLO模型，所述YOLO模型包括特征掩码生成模块和运动目标检测模块；
[0008]将所述前景图像输入至所述特征掩码生成模块进行图像处理，得到目标前景特征掩码；
[0009]将所述目标前景特征掩码和所述目标连续帧图像输入至所述运动目标检测模块进行目标检测处理，得到运动目标检测结果。
[0010]在一些实施例中，所述运动目标检测模块至少包括依次连接的第一卷积层和第二卷积层，所述特征掩码生成模块依次连接的第一最大池化层和第二最大池化层，所述目标前景特征掩码至少包括第一前景特征掩码和第二前景特征掩码，所述第一前景特征掩码为所述第一卷积层的前景特征掩码，所述第二前景特征掩码为所述第二卷积层的前景特征掩码，所述将所述前景图像输入至所述特征掩码生成模块进行图像处理，得到目标前景特征掩码，包括：
[0011]确定第一卷积参数和第二卷积参数，所述第一卷积参数为所述第一卷积层的卷积参数，所述第二卷积参数为所述第二卷积层的卷积参数；
[0012]基于所述第一卷积参数，将所述前景图像输入至所述第一最大池化层进行最大池化处理，得到第一前景特征掩码；
[0013]基于所述第二卷积参数，将所述第一前景特征掩码输入至所述第二最大池化层进行最大池化处理得到第二前景特征掩码。
[0014]在一些实施例中，所述特征掩码生成模块还包括排序位于所述第二最大池化层之后的第三最大池化层，在所述基于所述第二卷积参数，将所述第一前景特征掩码输入至所述最大池化层进行最大池化处理得到第二前景特征掩码之后，所述方法还包括：
[0015]确定排序位于所述第二卷积层之后的网络层的属性信息；
[0016]当所述属性信息表征所述网络层为卷积层，确定所述网络层的第三卷积参数，基于所述第三卷积参数，将所述第二前景特征掩码输入至所述第三最大池化层进行最大池化处理得到第三前景特征掩码，所述第三前景特征掩码为所述网络层的前景特征掩码；
[0017]或者，
[0018]当所述属性信息表征所述网络层为上采样层，将所述第一前景特征掩码和所述第二前景特征掩码确定为所述目标前景特征掩码。
[0019]在一些实施例中，所述运动目标检测模块还包括上采样层、第一预设网络层、第二预设网络层和第三预设网络层，所述第一预设网络层位于所述第一卷积层与所述第二卷积层之间，所述第二预设网络层排序位于所述第二卷积层之后，所述将所述目标前景特征掩码和所述目标连续帧图像输入至所述运动目标检测模块进行目标检测处理，得到运动目标检测结果，包括：
[0020]将所述目标连续帧图像和所述第一前景特征掩码输入至所述第一卷积层进行卷积处理，得到第一特征映射图像；
[0021]将所述第一特征映射图像输入至所述第一预设网络层进行图像处理，得到第一中间特征图像；
[0022]将所述第一中间特征图像和所述第二前景特征掩码输入至所述第二卷积层进行卷积处理，得到第二特征映射图像；
[0023]将所述第二特征映射图像输入至所述第二预设网络层进行图像处理，得到第二中间特征图像；
[0024]当排序位于所述第二预设网络层之后的网络层为上采样层，将所述第二中间特征映射图像输入至所述上采样层进行上采样处理，得到第三中间特征图像；
[0025]将所述第三中间特征图像输入至所述第三预设网络层进行图像处理，得到所述运动目标检测结果。
[0026]在一些实施例中，所述第一特征映射图像包括多个像素点，所述第一前景特征掩码包括多个掩码值，各个所述像素点对应一个所述掩码值，在所述将所述目标连续帧图像和所述第一前景特征掩码输入至所述第一卷积层进行卷积处理，得到第一特征映射图像之后，所述方法还包括：
[0027]从多个所述像素点中确定目标像素点，所述目标像素点对应的掩码值为1；
[0028]计算各个所述目标像素点对应的所有通道数的输出特征映射值；
[0029]根据各个所述输出特征映射值重新确定所述第一特征映射图像。
[0030]在一些实施例中，所述背景减除算法为混合高斯模型方法。
[0031]在一些实施例中，在所述根据预设的图像缩放算法对所述连续帧图像进行图像缩放，得到目标连续帧图像之前，所述方法还包括：
[0032]根据预设的图像预处理规则对所述连续帧图像进行图像预处理，得到预处理后的连续帧图像。
[0033]第二方面，本申请实施例提供了一种基于特征掩码和YOLO模型的运动目标检测装置，包括：
[0034]图像获取模块，所述图像获取模块用于获取连续帧图像，根据预设的图像缩放算法对所述连续帧图像进行图像缩放，得到目标连续帧图像；
[0035]前景图像提取模块，所述前景图像提取模块用于根据预设的背景减除算法对所述目标连续帧图像进行背景提取，得到所述目标连续帧图像的前景图像；
[0036]模型获取模块，所述模型获取模块用于获取预先训练好的YOLO模型，所述YOLO模型包括特征掩码生成模块和运动目标检测模块；
[0037]目标前景特征掩码确定模块，所述目标前景特征掩码确定模块用于将所述前景图像输入至所述特征掩码生成模块进行图像处理，得到目标前景特征掩码；
[0038]运动目标检测结果确定模块，所述运动目标检测结果确定模块用于将所述目标前景特征掩码和所述目标连续帧图像输入至所述运动目标检测模块进行目标检测处理，得到运动目标检测结果。...

【技术保护点】

【技术特征摘要】
1.一种基于特征掩码和YOLO模型的运动目标检测方法，其特征在于，包括：获取连续帧图像，根据预设的图像缩放算法对所述连续帧图像进行图像缩放，得到目标连续帧图像；根据预设的背景减除算法对所述目标连续帧图像进行背景提取，得到所述目标连续帧图像的前景图像；获取预先训练好的YOLO模型，所述YOLO模型包括特征掩码生成模块和运动目标检测模块；将所述前景图像输入至所述特征掩码生成模块进行图像处理，得到目标前景特征掩码；将所述目标前景特征掩码和所述目标连续帧图像输入至所述运动目标检测模块进行目标检测处理，得到运动目标检测结果。2.根据权利要求1所述的基于特征掩码和YOLO模型的运动目标检测方法，其特征在于，所述运动目标检测模块至少包括依次连接的第一卷积层和第二卷积层，所述特征掩码生成模块依次连接的第一最大池化层和第二最大池化层，所述目标前景特征掩码至少包括第一前景特征掩码和第二前景特征掩码，所述第一前景特征掩码为所述第一卷积层的前景特征掩码，所述第二前景特征掩码为所述第二卷积层的前景特征掩码，所述将所述前景图像输入至所述特征掩码生成模块进行图像处理，得到目标前景特征掩码，包括：确定第一卷积参数和第二卷积参数，所述第一卷积参数为所述第一卷积层的卷积参数，所述第二卷积参数为所述第二卷积层的卷积参数；基于所述第一卷积参数，将所述前景图像输入至所述第一最大池化层进行最大池化处理，得到第一前景特征掩码；基于所述第二卷积参数，将所述第一前景特征掩码输入至所述第二最大池化层进行最大池化处理得到第二前景特征掩码。3.根据权利要求2所述的基于特征掩码和YOLO模型的运动目标检测方法，其特征在于，所述特征掩码生成模块还包括排序位于所述第二最大池化层之后的第三最大池化层，在所述基于所述第二卷积参数，将所述第一前景特征掩码输入至所述最大池化层进行最大池化处理得到第二前景特征掩码之后，所述方法还包括：确定排序位于所述第二卷积层之后的网络层的属性信息；当所述属性信息表征所述网络层为卷积层，确定所述网络层的第三卷积参数，基于所述第三卷积参数，将所述第二前景特征掩码输入至所述第三最大池化层进行最大池化处理得到第三前景特征掩码，所述第三前景特征掩码为所述网络层的前景特征掩码；或者，当所述属性信息表征所述网络层为上采样层，将所述第一前景特征掩码和所述第二前景特征掩码确定为所述目标前景特征掩码。4.根据权利要求2所述的基于特征掩码和YOLO模型的运动目标检测方法，其特征在于，所述运动目标检测模块还包括上采样层、第一预设网络层、第二预设网络层和第三预设网络层，所述第一预设网络层位于所述第一卷积层与所述第二卷积层之间，所述第二预设网络层排序位于所述第二卷积层之后，所述将所述目标前景特征掩码和所述目标连续帧图像输入至所述运动目标检测模块进行目标检测处理，得到运动目标检测结果，包括：
将所述目标连续帧图像和所述第一前景特征掩码输入至所述第一卷积层进行卷积处理，得到第一特征映射图像；将所述第...

【专利技术属性】
技术研发人员：郑伟坚，孔文海，
申请(专利权)人：珠海亿智电子科技有限公司，
类型：发明
国别省市：