基于深度网络的运动目标检测方法

发布时间：2021-12-24 10:55

　　运动目标检测技术作为视频处理的基础部分,广泛应用于智能交通、社会公共安全与视频压缩等领域,是智能视频分析至关重要的环节。因此,对运动目标检测的研究具有十分重要的意义。本文主要探索基于深度学习的运动目标检测方法,通过构建深度网络模型并训练,来实现基于有监督学习的运动目标检测,并从可行性、可靠性与算法鲁棒性角度对深度网络模型进行相关验证,主要贡献如下:（1）针对传统的运动目标检测方法在复杂场景下检测精度不高的缺陷,相关学者开始从深度学习的角度出发,利用卷积神经网络并将视频帧进行分块处理来实现运动目标检测。鉴于这种方法复杂度过高且未考虑视频帧图像整体结构信息,本文的第三章提出了一种基于深度全卷积网络的运动目标检测方法。通过时域平均法提取视频场景的背景,并利用深度全卷积网络学习输入帧图像与背景图像之间的非线性映射,从而实现运动目标检测。该方法不仅能够适应不同尺寸的复杂视频场景,实现像素级的密集预测,而且检测过程中对于每幅图像仅需进行一次前向计算,且提取背景方法简单,有效提高了检测速度。然而,由于背景提取方法简单,而且深层网络难以训练,导致该方法在未参与训练的场景下的运动目标检测精度不高,算法的... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：96 页

【学位级别】：硕士

【部分图文】：

基于时域平均法的视频背景提取

检测结果 图3.9 自适应场景的运动目标检测整体框架3.4.2 基于深度全卷积网络的运动目标检测整体结构本章提出的 DFCN 模型采用编码器-解码器结构。编码器部分采用卷积神经网络，其目的是通过一系列卷积与池化提取图像的深层特征。对于解码器部分，也就是反卷积网络，利用卷积与上池化(Unpooling)进行上采样，并采用跳跃结构来重构原始图像信息，基于深度全卷积网络的运动目标整体结构如图 3.10 所示。Conv + ReLUMax poolingDropoutUnpooling图3.10 基于 DFCN 的运动目标检测3.4.3 损失函数在本章节提出的 DFCN 模型中，使用交叉熵来衡量网?

DropoutUnpooling图3.10 基于 DFCN 的运动目标检测3.4.3 损失函数在本章节提出的 DFCN 模型中，使用交叉熵来衡量网络模型的误差，所采用的损失函数的数学表达式为：[ ]11log( ) (1 ) log(1 )== ∑+ Ni i i iiL x y x yN(3-3)

【参考文献】：
期刊论文
[1]智慧城市智慧视频感知系统建设方案探讨[J]. 陈静棠.  通讯世界. 2017(06)
[2]基于图像差异度的太阳像二值化算法研究[J]. 邓林华,许骏,向永源.  现代电子技术. 2010(20)
[3]从RGB到HSV色彩空间转换公式的修正[J]. 石美红,申亮,龙世忠,胡西民.  纺织高校基础科学学报. 2008(03)



本文编号：3550360