大面阵高帧频图像的目标前后背景分离方法、电子设备技术

本发明专利技术涉及一种大面阵高帧频图像的目标前后背景分离方法、电子设备，目标前后背景分离方法包括：步骤S1、构建多维压缩数据；步骤S2、基于双输入通道构建多域特征融合深度卷积神经网络模型；步骤S3、对所述多域特征融合深度卷积神经网络模型训练；步骤S4、利用训练好的所述多域特征融合深度卷积神经网络模型，完成大面阵高帧频图像的目标前后背景分离。本发明专利技术，有效降低神经网络处理的数据量，提升智能处理速度，快速获取信息，解决现有海量数据目标前后背景分离面临的处理速度较慢、计算资源消耗大的问题。消耗大的问题。消耗大的问题。

【技术实现步骤摘要】
大面阵高帧频图像的目标前后背景分离方法、电子设备


[0001]本专利技术涉及图像处理
，尤其涉及一种大面阵高帧频图像的目标前后背景分离方法、电子设备。

技术介绍

[0002]前后背景分离技术是计算机视觉领域中重要的研究方向之一，在机器人导航、智能监控、遥感影像分析、医学图像分析等领域有着广泛的应用。目前，前后背景分离技术多采用帧差分、光流法等手段实现，然而，在实际应用中，面对海量的高清数据，存在着数据量大、处理速度较慢和计算资源消耗大等问题。

技术实现思路

[0003]为解决上述现有技术中存在的技术问题，本专利技术的目的在于提供一种的大面阵高帧频图像的目标前后背景分离方法、电子设备，用以解决现有海量数据目标前后背景分离面临的处理速度较慢、计算资源消耗大的问题。
[0004]为实现上述专利技术目的，本专利技术提供一种大面阵高帧频图像的目标前后背景分离方法，包括以下步骤：
[0005]步骤S1、构建多维压缩数据；
[0006]步骤S2、基于双输入通道构建多域特征融合深度卷积神经网络模型；
[0007]步骤S3、对所述多域特征融合深度卷积神经网络模型训练；
[0008]步骤S4、利用训练好的所述多域特征融合深度卷积神经网络模型，完成大面阵高帧频图像的目标前后背景分离。
[0009]根据本专利技术的一个方面，在所述步骤S1中，具体包括：
[0010]步骤S11、获取得到的缩略图数据y1和观测值类图数据y2；
[0011]步骤S12、基于缩略图数据y1和观测值类图数据y2，构建多维压缩数据y，公式为：
[0012][0013]根据本专利技术的一个方面，所述缩略图数据y1为在空间域获取的下采样缩略图数据y1；
[0014]所述观测值类图数据y2为在压缩域基于满足或近似满足压缩感知理论中，约束等距特性的矩阵获取的传统压缩感知观测数据后，通过下采样或随机采样的方式获取的观测值，并保存为图像形式得到的，
[0015]其中，缩略图数据y1包含图像的空间域特征，观测值类图数据y2包含图像的压缩域特征。
[0016]根据本专利技术的一个方面，所述多域特征融合深度卷积神经网络模型配置有双输入通道，其中一个输入通道的输入所述缩略图数据y1，另一个输入通道的输入为所述观测值
类图数据y2；
[0017]两个所述输入通道均进入编码模块和解码模块。
[0018]根据本专利技术的一个方面，所述编码模块遵循卷积网络的结构，进行至少由卷积和最大池化构成的的下采样操作，在上下层之间建立特征映射，传递特征信息；
[0019]所述解码模块由转置卷积组成，跳跃连接融合对应层编码模块的特征图。
[0020]根据本专利技术的一个方面，两个所述输入通道对应的所述解码模块最终形成的特征图进入一个特征融合模块，将空域下采样缩略图特征图与观测值类图数据特征图进行特征融合，对每个像素点进行分类，获取分割结果，得到前景目标。
[0021]根据本专利技术的一个方面，在所述步骤S3中，具体包括：
[0022]步骤S31、基于所述步骤S1中的多维压缩数据，构建训练集；
[0023]步骤S32、初始化所述多域特征融合深度卷积神经网络模型中的权值参数；
[0024]步骤S33、利用所述训练集对初始化后的多域特征融合深度卷积神经网络模型进行有监督训练；
[0025]步骤S34、利用反向传播算法迭代更新所述权值参数，直至获得训练好的多域特征融合深度卷积神经网络模型。
[0026]根据本专利技术的一个方面，在所述步骤S4前，还包括：
[0027]步骤S35、基于所述步骤S1中的多维压缩数据，构建测试集；
[0028]步骤S36、利用所述测试集对所述训练好的多域特征融合深度卷积模型进行测试。
[0029]根据本专利技术的一个方面，提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行如上述技术方案中任一项所述的一种大面阵高帧频图像的目标前后背景分离方法。
[0030]根据本专利技术的一个方面，提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，实现如上述技术方案中任一项所述一种大面阵高帧频图像的目标前后背景分离方法。
[0031]本专利技术与现有技术相比，具有如下有益效果：
[0032]本专利技术提出了一种大面阵高帧频图像的目标前后背景分离方法、电子设备，通过构建多维压缩数据，基于多维压缩数据进行融合提取前景信息，同时获得背景信息，实现前后背景分离，直接在压缩数据上进行目标前后背景分离，在提高采样效率的同时，能够快速获取图像的前后背景信息，降低数据量提升处理速度，有效地提升了以神经网络为基础的智能算法处理时间，解决了学习特征域单一而造成的分割精准度提升难的问题。
[0033]进一步地，将压缩感知与深度学习进行结合，将压缩感知后的压缩数据作为神经网络输入数据，有效降低神经网络处理的数据量，提升智能处理速度，快速获取信息，解决现有海量数据目标前后背景分离面临的处理速度较慢、计算资源消耗大的问题。
附图说明
[0034]为了更清楚地说明本专利技术实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些
实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0035]图1示意性表示根据本专利技术一个实施例中提供的大面阵高帧频图像的目标前后背景分离方法流程图；
[0036]图2示意性表示根据本专利技术一种实施方式的步骤S1的流程图；
[0037]图3示意性表示根据本专利技术一种实施方式的步骤S3的流程图；
[0038]图4示意性表示根据本专利技术一种实施方式的模型测试的流程图；
[0039]图5示意性表示根据本专利技术一种实施方式的多域特征融合深度卷积神经网络模型；
[0040]图6示意性表示根据本专利技术一种实施方式的不同输入数据下前后背景分离结果；
[0041]图7示意性表示根据本专利技术一种实施方式的四倍压缩单域输入与多域输入分割结果评价指标对比。
具体实施方式
[0042]此说明书实施方式的描述应与相应的附图相结合，附图应作为完整的说明书的一部分。在附图中，实施例的形状或是厚度可扩大，并以简化或是方便标示。再者，附图中各结构的部分将以分别描述进行说明，值得注意的是，图中未示出或未通过文字进行说明的元件，为所属
中的普通技术人员所知的形式。
[0043]此处实施例的描述，有关方向和方位的任何参考，均仅是为了便于描述，而不能理解为对本专利技术保护范围的任何限制。以下对于优选实施方式的说明会涉及到特征的组合，这些特征可能独立存在或者组合存在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大面阵高帧频图像的目标前后背景分离方法，其特征在于，包括以下步骤：步骤S1、构建多维压缩数据；步骤S2、基于双输入通道构建多域特征融合深度卷积神经网络模型；步骤S3、对所述多域特征融合深度卷积神经网络模型训练；步骤S4、利用训练好的所述多域特征融合深度卷积神经网络模型，完成大面阵高帧频图像的目标前后背景分离。2.根据权利要求1所述的大面阵高帧频图像的目标前后背景分离方法，其特征在于，在所述步骤S1中，具体包括：步骤S11、获取得到的缩略图数据y1和观测值类图数据y2；步骤S12、基于缩略图数据y1和观测值类图数据y2，构建多维压缩数据y，公式为：3.根据权利要求2所述的大面阵高帧频图像的目标前后背景分离方法，其特征在于，所述缩略图数据y1为在空间域获取的下采样缩略图数据y1；所述观测值类图数据y2为在压缩域基于满足或近似满足压缩感知理论中，约束等距特性的矩阵获取的传统压缩感知观测数据后，通过下采样或随机采样的方式获取的观测值，并保存为图像形式得到的，其中，缩略图数据y1包含图像的空间域特征，观测值类图数据y2包含图像的压缩域特征。4.根据权利要求3所述的大面阵高帧频图像的目标前后背景分离方法，其特征在于，所述多域特征融合深度卷积神经网络模型配置有双输入通道，其中一个输入通道的输入所述缩略图数据y1，另一个输入通道的输入为所述观测值类图数据y2；两个所述输入通道均进入编码模块和解码模块。5.根据权利要求4所述的大面阵高帧频图像的目标前后背景分离方法，其特征在于，所述编码模块遵循卷积网络的结构，进行至少由卷积和最大池化构成的的下采样操作，在上下层之间建立特征映射，传递特征信息；所述解码模块由转置卷积组成，跳跃连接融合...

【专利技术属性】
技术研发人员：辛蕾，李峰，丁光辉，李睿瑄，杨雪，张南，
申请(专利权)人：中国空间技术研究院，
类型：发明
国别省市：