【技术实现步骤摘要】
本专利技术涉及目标检测，特别是一种基于distance-iou最大匹配的移动目标检测方法。
技术介绍
1、在图像处理与计算机视觉中，移动目标检测是一项关键任务。它广泛应用于视频监控、智能交通系统、无人机导航等领域。然而，在实际应用中，移动目标检测面临着许多挑战，如复杂背景、红外图像中的短时干扰噪声等。传统的基于单帧检测的算法，未考虑到目标在视频图像帧中连续出现的特性，往往会出现真实目标的检测率低、虚警率高的情况。
技术实现思路
1、鉴于此，本专利技术提供一种基于distance-iou最大匹配的移动目标检测方法，所检测的目标往往处于运动状态，前后帧中目标运动关联程度较高。
2、本专利技术公开了一种基于distance-iou最大匹配的移动目标检测方法，其包括：
3、步骤1：使用目标场景数据集训练基于神经网络的目标分割模型，利用训练好的基于神经网络的目标分割模型分割视频序列中的单帧图像的所有前景目标，得到单帧图像对应的前景候选区域；其中，前景候选区域包括模型预测的激活图以及对应像素点的置信度；
4、步骤2：基于前景候选区域和连通域分析，得到所有连通域的最小外接矩形框并分别为其分配标签，若当前帧和前一帧的最小外接矩形框属于同一个目标，则为其分配相同的标签，否则丢弃历史轨迹或初始化一个新的轨迹并为其分配新的标签；
5、步骤3：随着视频序列中的图像不断输入训练好的基于神经网络的目标分割模型，重复执行步骤1至步骤3，利用目标出现的生命时长对视频
6、进一步地，所述步骤2包括：
7、步骤21：对所有前景候选区域，设置前景目标的置信度阈值，将原始激活图转为二值化掩膜图像，该二值化掩膜图像包含真实前景目标以及部分置信度较高的虚假目标；
8、步骤22：对二值化掩膜图像进行连通域分析，得到多个不同的连通域，并将各个独立连通域分配不同的标签，同时计算出各连通域的最小外接矩形框bbox(bounding box)，即[x,y,w,h]，并为每个连通域分配独立的标签；x和y分别为bbox左上角的横轴坐标和纵轴坐标，w和h分别为bbox的宽和高。
9、进一步地，所述步骤2还包括：
10、若前一帧中目标的最小外接矩形框没有与当前帧中的最小外接矩形框匹配上，则认为前一帧对应的轨迹在当前帧丢失，若连续丢失n帧，即持续未匹配上，则认为前一帧对应的轨迹已消失，删除该轨迹对应的标签；n表示连续的丢帧数。
11、进一步地，所述步骤2还包括：
12、若前一帧中目标的最小外接矩形框与当前帧中目标的最小外接矩形框匹配上，即认为前一帧中目标对应的最小外接矩形框与当前帧中目标的最小外接矩形框之间的distance-iou最大且distance-iou大于阈值thdistance_iou，当前帧中的最小外接矩形框中的目标与前一帧的目标属于同一个目标，保持前一帧对应的轨迹不变，并将前一帧对应的轨迹对应的标签分配给当前帧中的最小外接矩形框，且将该目标出现的生命时长增加1。
13、进一步地，所述步骤2还包括：
14、若前一帧中目标的最小外接矩形框与所有历史轨迹均未匹配上，即当前帧中出现的最小外接矩形框与前一帧中轨迹的distance-iou值都小于阈值thdistance_iou，将当前帧中的最小外接矩形框初始化为一个新的轨迹并初始化为其分配新的标签。
15、进一步地，所述distance-iou的计算公式为：
16、
17、其中，distance_iou为两个最小外接矩形框之间的标准化距离合并指数得分，bbox1和bbox2为被计算的两个区域的最小外接矩形框，area(bbox1)∩area(bbox2)为矩形框bbox1和bbox2的面积的交集，即两个区域的重叠区域面积；area(bbox1)∪area(bbox2)为矩形框bbox1和bbox2的面积的并集，即两个区域的合并区域面积，ρ表示计算bbox1与bbox2中心点之间的欧氏距离，c表示能够覆盖bbox1与bbox2的最小闭包的对角线距离。
18、进一步地，在所述步骤1中，事先对所述目标场景数据集进行标注，并将目标数据集的标注结果独立保存；
19、所述基于神经网络的目标分割模型的训练包括对所述目标场景数据集进行数据增强，数据增强包括添加随机噪声、随机灰度变换、随机平移和随机尺度变换。
20、进一步地，在所述步骤1中，所述基于神经网络的目标分割模型的训练联合使用diceloss+bce；
21、所述基于神经网络的目标分割模型为改进的mobileunet分割模型，即将下采样的编码部分替换为轻量级的mobilenet；
22、训练完成的基于神经网络的目标分割模型根据验证集筛选得到，在应用时模型推理得到视频帧的初始检测结果，初始的检测结果为模型预测的激活图，激活图中的每个像素点对应该像素点的预测置信度。
23、进一步地，所述步骤22包括：
24、根据前景目标的置信度阈值进行判断，将原始激活图转换为二值化的掩膜图像，即：
25、前景目标的置信度阈值根据实际场景设定，当对目标场景的分割结果要求较高的准确率时，则选择较高的置信度阈值；
26、在原始激活图中，大于置信度阈值的像素点被判定为前景目标区域，并将该像素点置为1；小于阈值的像素点被判定为背景区域，并将该像素点置为0。
27、进一步地，在所述步骤3中，持续出现的目标保持较高的生命时长，将生命时长大于预设阈值的目标判定为检测到的目标。
28、由于采用了上述技术方案，本专利技术具有如下的优点：
29、1.实现了对红外图像中移动目标的有效提取和跟踪；通过设置前景目标过滤条件，降低了短时出现的虚假(假阳)目标的虚警率，提高了真实目标的召回率；同时，利用连续出现的生命时长设置筛选条件，实现了对单目标或多目标的稳定提取。
30、2.本专利技术能有效降低短时出现的假阳目标的虚警率，提高真实目标的召回率。本专利技术适用于复杂背景下红外图像中目标的提取，特别是针对背景中短时干扰噪声较多的场景。本专利技术结合高帧频相机能够实现稳定的检测效果，具有高鲁棒性、高准确率的优点。
本文档来自技高网...【技术保护点】
1.一种基于Distance-IOU最大匹配的移动目标检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤2包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤2还包括：
4.根据权利要求1所述的方法，其特征在于，所述步骤2还包括：
5.根据权利要求1所述的方法，其特征在于，所述步骤2还包括：
6.根据权利要求5所述的方法，其特征在于，所述Distance-IOU的计算公式为：
7.根据权利要求1所述的方法，其特征在于，在所述步骤1中，事先对所述目标场景数据集进行标注，并将目标数据集的标注结果独立保存；
8.根据权利要求1所述的方法，其特征在于，在所述步骤1中，所述基于神经网络的目标分割模型的训练联合使用DiceLoss+BCE；
9.根据权利要求2所述的方法，其特征在于，所述步骤22包括：
10.根据权利要求1所述的方法，其特征在于，在所述步骤3中，持续出现的目标保持较高的生命时长，将生命时长大于预设阈值的目标判定为检测到的目标。
【技术特征摘要】
1.一种基于distance-iou最大匹配的移动目标检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤2包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤2还包括：
4.根据权利要求1所述的方法，其特征在于，所述步骤2还包括：
5.根据权利要求1所述的方法，其特征在于，所述步骤2还包括：
6.根据权利要求5所述的方法，其特征在于，所述distance-iou的计算公式为：
7.根...
【专利技术属性】
技术研发人员：武春风，向文鼎，韩璇，陈善球，刘文劲，王勋，吴丰阳，董理治，
申请(专利权)人：航天科工微电子系统研究院有限公司，
类型：发明
国别省市：
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。