基于深度学习框架的背景减除算法研究

发布时间：2023-02-23 18:40

　　随着硬件和软件的蓬勃发展,视频图像这种更直观的信息,已成为传递信息的重要媒介,如何从海量的视频图像信息中找到人类所感兴趣的信息显得愈发重要。背景减除任务是计算机视觉领域重要研究课题之一,能够只保留运动的前景目标,而过滤掉信息量更大但不感兴趣的部分,即背景区域部分。近三十年来,国内外研究者基于背景建模理论等传统算法对背景减除任务做了深入研究。然而,实际应用中视频场景十分复杂,传统的背景减除算法难以保持较高的鲁棒性和优秀的检测能力。深度学习凭借其对图像数据的强大表征能力,在各计算机视觉任务中得到广泛应用,研究人员已经尝试将深度学习应用到背景减除任务中,以提高背景减除算法的检测能力和鲁棒性。目前,基于卷积神经网络的背景减除算法,取得了不错的成果,但往往会在一系列下采样和上采样之后丢失掉原图的许多细节。因此,本文提出了局部强化网络,通过采用局部强化层来恢复这些丢失的细节。首先通过两个编解码网络来得到粗糙的结果,然后再把结果作为局部强化层的输入,而局部强化层的参数将由另一个编解码网络所提供,局部强化层的输出将作为最终结果。局部强化网络在CDnet-2014数据集上得到0.9733的F-Measu...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 背景减除算法的研究现状
        1.2.1 无监督算法
        1.2.2 有监督算法
    1.3 背景减除面临的主要困难和挑战
    1.4 本文的主要工作和章节安排
        1.4.1 本文的主要工作
        1.4.2 本文的章节安排
第二章 相关理论及技术基础
    2.1 背景建模方法相关理论
    2.2 卷积神经网络相关理论基础
    2.3 基于亲和矩阵的相关理论基础
        2.3.1 线性传播即空间扩散
        2.3.2 SPN
    2.4 数据集与度量标准介绍
        2.4.1 数据集介绍
        2.4.2 度量标准介绍
第三章 基于局部强化层的背景减除模型
    3.1 引言
    3.2 局部强化层
    3.3 局部强化网络
        3.3.1 特征萃取模块
        3.3.2 矩阵生成网络
        3.3.3 损失函数
    3.4 实验结果
        3.4.1 定量分析
        3.4.2 定性分析
    3.5 本章小结
第四章 基于时空传播层的多尺度背景减除模型
    4.1 引言
    4.2 时空传播层
        4.2.1 时空传播层的细节
        4.2.2 与3D卷积层的对比
        4.2.3 复杂度分析
    4.3 网络总体框架
        4.3.1 编码模块
        4.3.2 特征聚合模块
        4.3.3 解码模块
        4.3.4 损失函数
    4.4 随机分配实验
        4.4.1 实验实现细节
        4.4.2 消融分析
        4.4.3 定量分析
        4.4.4 定性分析
    4.5 未见视频实验
        4.5.1 实验细节
        4.5.2 定量分析
        4.5.3 定性分析
    4.6 本章小结
第五章 总结与展望
    5.1 本文总结
    5.2 工作展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3748531