弱小目标协同行为检测方法技术

本发明专利技术公开了一种弱小目标协同行为检测方法，包括：建立训练集；采用训练集对三维卷积神经网络训练，获得检测模型；将视频输入检测模型，获得目标的动作事件，其中，对训练视频进行稠密光估计，获取视频的光流估计信息，将光流估计信息作为神经网络的输入之一

【技术实现步骤摘要】
弱小目标协同行为检测方法


[0001]本专利技术涉及一种弱小目标行为检测方法，属于人工智能

。

技术介绍

[0002]在特定情况下，需要对弱小目标的运动进行识别，典型的过程为火箭发射过程识别
。
[0003]在火箭发射中，会通过地面摄像头拍摄火箭发射的全过程，并以视频的方式保存下来，具有大量的发射视频后，就能够通过大数据对发射过程进行分析，以对火箭本身以及发射过程进行优化
。
[0004]在分析前，要识别出视频中火箭的状态事件，包括“逃逸塔分离”、“助推器分离”、“一二级火箭分离”、“整流罩脱落”、“二三级火箭分离”等过程，图1中
a
‑
e
分别代表了“逃逸塔分离”、“助推器分离”、“一二级火箭分离”、“整流罩脱落”、“二三级火箭分离”的具体事件
。
[0005]由于火箭的高空飞行，拍摄摄像头与火箭间距离很远，火箭在图中一般仅能够占据绝对直径尺寸小于等于2个像素
。
[0006]在目标像素如此小的情况下，传统的视频识别方式准确率严重下降，完全无法实现自动化识别
。
[0007]因此，有必要对弱小目标行为的检测进行更深入的研究，以解决目标为小像素时无法有效进行动作识别的问题
。

技术实现思路

[0008]为了克服上述问题，本专利技术人进行了深入研究，设计出一种弱小目标协同行为检测方法，包括：
[0009]S1、
建立训练集；
[0010]S2、
采用训练集对神经网络训练，获得检测模型；
[0011]S3、
将视频输入检测模型，获得目标的动作事件
。
[0012]在一个优选的实施方式中，
S1
中，训练集通过以下方式获得：
[0013]S101、
对训练视频标注类型标签，所述训练视频为包含单一动作事件的视频；
[0014]S102、
对训练视频进行稠密光估计，获取视频的光流估计信息；
[0015]S103、
获取训练视频的
RGB
三通道信息，作为视频纹理信息；
[0016]S104、
将训练视频的纹理信息和光流估计信息进行标准化，将标准化后的纹理信息和光流估计信息作为训练集样本的输入信息，将视频的类型标签作为样本的输出信息
。
[0017]在一个优选的实施方式中，子步骤
S101
之前，还具有步骤：
[0018]S100、
对长视频进行截取，获得包含单一动作事件的短视频，作为训练视频
。
[0019]在一个优选的实施方式中，所述训练视频为火箭发射视频
。
[0020]在一个优选的实施方式中，所述弱小目标是指绝对直径尺寸小于等于2个像素的
目标
。
[0021]在一个优选的实施方式中，
S2
中，所述神经网络为三维卷积神经网络
。
[0022]在一个优选的实施方式中，
S2
中，所述训练为有监督学习训练
。
[0023]本专利技术所具有的有益效果包括：
[0024](1)
实现了对2像素弱小目标的动作事件识别；
[0025](2)
解决了数据集分布不均衡的问题，提高了检测识别准确率
。
附图说明
[0026]图1示出火箭发射视频中“逃逸塔分离”、“助推器分离”、“一二级火箭分离”、“整流罩脱落”、“二三级火箭分离”事件图片；
[0027]图2示出根据本专利技术一种优选实施方式的弱小目标行为检测方法总体流程示意图；
[0028]图3示出根据本专利技术一种优选实施方式的弱小目标行为检测方法中训练集获取流程示意图；
[0029]图4示出本专利技术实施例1中训练过程示意图
。
具体实施方式
[0030]下面通过附图和实施例对本专利技术进一步详细说明
。
通过这些说明，本专利技术的特点和优点将变得更为清楚明确
。
[0031]在这里专用的词“示例性”意为“用作例子
、
实施例或说明性”。
这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例
。
尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图
。
[0032]根据本专利技术提供的一种弱小目标协同行为检测方法，如图2所示，包括：
[0033]S1、
建立训练集；
[0034]S2、
采用训练集对神经网络训练，获得检测模型；
[0035]S3、
将视频输入检测模型，获得目标的动作事件
。
[0036]在本专利技术中，所述弱小目标是指绝对直径尺寸小于等于2个像素的目标
。
[0037]传统的动作识别检测模型，训练集为
RGB
视频流，即原始视频流信息，然而，在进行弱小目标协同行为检测时，传统方法的检测结果并不理想
。
[0038]经过专利技术人的多轮实验和深入研究，认为这种实验结果的不理想并不取决于模型，而是由于数据集中的深空背景和云朵背景的颜色差异过大，导致数据集分布不均衡，即域不均衡，从而导致模型无法进行事件识别
。
[0039]具体地，专利技术人进行了三组实验，第一组为云朵子数据集的原始视频训练，发现模型是可以进行事件识别的；第二组为深空子数据集的原始视频训练，发现模型是可以进行事件识别的；第三组为前两组数据集的结合训练，发现模型是完全无法进行事件识别的；通过这三组实验，得出了数据集分布不均衡导致无法进行事件识别的结论
。
[0040]进一步地，为解决数据集分布不均衡问题，在本专利技术中，如图3所示，
S1
包括以下子步骤：
[0041]S101、
对训练视频标注类型标签，所述训练视频为包含单一动作事件的视频；
[0042]S102、
对训练视频进行稠密光估计，获取视频的光流估计信息；
[0043]S103、
获取训练视频的
RGB
三通道信息，作为视频纹理信息；
[0044]S104、
将训练视频的纹理信息和光流估计信息进行标准化，将标准化后的纹理信息和光流估计信息作为训练集样本的输入信息，将视频的类型标签作为样本的输出信息
。
[0045]在一个优选的实施方式中，所述训练视频为火箭发射视频
。
[0046]在一个优选的实施方式中，子步骤
S101
之前，还具有步骤：
[0047]S100、
对长视频进行截取，获得包含单一动作事件的短视频，作为训练视频
。
[0048]优选地，
S100
中，将原始的长视频在动作事件发生时刻的前后1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种弱小目标协同行为检测方法，其特征在于，包括：
S1、
建立训练集；
S2、
采用训练集对神经网络训练，获得检测模型；
S3、
将视频输入检测模型，获得目标的动作事件
。2.
根据权利要求1所述的弱小目标协同行为检测方法，其特征在于，
S1
中，训练集通过以下方式获得：
S101、
对训练视频标注类型标签，所述训练视频为包含单一动作事件的视频；
S102、
对训练视频进行稠密光估计，获取视频的光流估计信息；
S103、
获取训练视频的
RGB
三通道信息，作为视频纹理信息；
S104、
将训练视频的纹理信息和光流估计信息进行标准化，将标准化后的纹理信息和光流估计信息作为训练集样本的输入信息，将视频的类型...

【专利技术属性】
技术研发人员：王莉，马钟，王宁，王田，程嘉翔，吕金虎，张宝昌，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：