基于深度学习的端到端背景提取

发布时间：2020-10-23 22:23

　　 随着物联网技术的发展,人们越来越容易从网络上获取到需要的视频图像资源,由于其中包含了大量无用信息,并且占用了大量的计算机存储内存,为了缩减所需的内存空间和提升人们的工作效率,提取其中的有效特征就显得尤为重要。而背景提取同时作为目标识别和检测的基础,已受到人们关注。基于这样的应用环境下,本文对复杂背景下的精确背景提取进行了研究,主要内容如下:提出了一种改进的SUBSENSE方法结构来训练数据,以达到提取视频序列中背景图像的目的。作为一种像素级的分割方法,依赖于二进制特征以及颜色信息来检测像素变化。这允许更容易的检测和背景相似的前景图像,同时忽略大多数的照明变化。此外,使用像素级反馈回路可以动态调整方法的内部参数,而无需手动干预。采用CNN网络和LSTM网络(长短期记忆网络)结合的方式对视频序列进行动态显著性检测。首先CNN网络由两个子网络组成,包括目标网络和运动网络,共同完成对图像初步的静态显著性检测。随后加入了LSTM网络的DNN用来检测视频的动态显著特性,LSTM网络有快速训练和检测的优势,同时可以有效的避免有限数量的训练视频过拟合。最后把输入视频帧、背景图像和动态显著图作为输入,一起馈入到DNN网络中,在LSTM网络模型的辅助作用下,很轻易可以学习到显著特性的动态信息和背景特征,最终达到精确的背景提取的目的。本文采用LEDOV视频数据集训练此网络,用DAVIS和FBMS视频数据库验证和测试网络的性能。通过本文的方法,最后的显著性预测和背景提取得到了良好的效果。
【学位单位】：山东工商学院
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP181
【部分图文】：

总体神经网络框架如下图1-1 所示。图 1-1 用于分割背景的深度学习神经网络架构本文一共分为五个章节。第一章：绪论主要引出了课题研究的意义和目标，分享了其它享誉国际的研究者们的研究成果，分析了本文即将展开的工作，最后给出了本文的主要研究内容和各章节的安排。第二章：本章主要介绍了一些背景建模的典型方法和神经网络的相关理论的知识，分别介绍了单高斯模型、混合高斯模型和均值法背景模型的原理公式，为了改进模型的适用性和精确性，引入卷积神经网络的方法。第三章：本章主要讲述了运用改进的 SUNSENSE 算法用来背景提取，分别提取

2 背景建模与神经网络的相关理论 前景，其它背景，11(,)(,)ttttIxyuIxy 中，1*t 是设定的经验值，若1(,) ttI xy 的绝对值小于这个值，值 I( x,y)t判定为背景，否则为前景。 混合高斯背景建模方法合高斯背景模型是对单高斯背景模型的改进，改进的地方在于解决了后性问题。如图 2-1 所示为混合高斯建模的更新的流程图，判别1,12.5 it 。

2 背景建模与神经网络的相关理论积神经网络的基本概念文 1.2.3 节内容提到过，神经网络在近年来在诸多领域都大放异绍卷积神经网络的一些基本操作知识。的神经网络如图 2-2 所示。其中，在图像处理中，第一层的神经原理是把像素的数据值矢量为一个一维数据，方便矩阵进行卷积上一层每一个神经元都和后一层的所有神经元连接，也就是常说每一层的所有神经元都是以一维数据的方式进行运算的。现在的后几层以全连接的方式连接，这是由于每一个全连接方式都会有会以几何数量增长，这是需要研究者们极力避免的情况。
【相似文献】

相关期刊论文 前10条

1 邓亚蒙;;图像梯度与谱残差结合的显著性检测方法[J];哈尔滨商业大学学报(自然科学版);2016年01期

2 顾广华;刘小青;;融合前景和背景种子点扩散的显著性目标检测[J];小型微型计算机系统;2019年03期

3 王慧玲;晁妍;徐正梅;;基于线性融合的流行排序显著性检测算法的研究[J];数字技术与应用;2018年03期

4 方正;曹铁勇;郑云飞;杨吉斌;;高效深度特征提取及其在显著性检测中的应用[J];计算机辅助设计与图形学学报;2019年02期

5 何志良;;情景感知的显著性检测[J];郑州轻工业学院学报(自然科学版);2014年04期

6 樊强;齐春;;基于全局和局部短期稀疏表示的显著性检测[J];计算机科学;2014年10期

7 刘志伟;周东傲;林嘉宇;;基于图像显著性检测的图像分割[J];计算机工程与科学;2016年01期

8 杨慧婷;;融合前景先验和背景先验的显著性目标检测[J];现代计算机(专业版);2019年05期

9 刘峰;沈同圣;韩艳丽;马新星;;融合背景感知和颜色对比的显著性检测方法[J];计算机辅助设计与图形学学报;2016年10期

10 陈南而;陈莹;;采用背景和中心先验的图像显著性检测[J];小型微型计算机系统;2016年10期

相关博士学位论文 前10条

1 李清亮;图像检索中判别性增强研究[D];吉林大学;2016年

2 付华柱;图像协同关联性约束的研究与应用[D];天津大学;2013年

3 王海罗;基于视觉感知的无人机目标识别与跟踪技术研究[D];北京理工大学;2015年

4 李军侠;基于低秩理论及空间约束编码的显著性检测与融合方法研究[D];南京理工大学;2017年

5 刘金;盲人行走辅助技术中的障碍物检测算法研究[D];西南交通大学;2014年

6 李毅;基于视觉模型的红外图像增强技术研究[D];中国科学院研究生院(长春光学精密机械与物理研究所);2016年

7 唐有宝;视觉显著性检测方法及其应用研究[D];哈尔滨工业大学;2017年

8 秦婵婵;基于随机游走算法的图像分割方法研究[D];华中师范大学;2014年

9 费春;基于智能优化和视觉显著性的图像融合研究[D];电子科技大学;2015年

10 韦星星;基于结构化信息的图像内容分析与理解[D];天津大学;2015年

相关硕士学位论文 前10条

1 孙宏伟;基于深度学习的端到端背景提取[D];山东工商学院;2019年

2 封金蕾;基于矩阵分解的显著对象提取算法分析与应用[D];北京交通大学;2012年

3 王闪闪;基于显著性检测的人体轮廓提取问题研究与应用[D];山东大学;2016年

4 原一芳;基于区域特征与统计特性的图像显著性检测方法研究[D];兰州理工大学;2016年

5 李晶;图像显著性检测及其在图像缩放中的应用[D];西安电子科技大学;2015年

6 王倩;基于吸附模型的图像显著性检测方法研究[D];华南理工大学;2016年

7 王一;基于光场信息的显著性检测方法研究[D];合肥工业大学;2015年

8 赵守凤;基于稀疏重构和多特征联合标签推导的显著性检测[D];大连理工大学;2014年

9 李倩;基于显著性检测的图像压缩和视频检测[D];南京财经大学;2013年

10 李一君;基于多先验和图结构的显著性物体检测[D];上海交通大学;2015年

本文编号：2853619