高速运动目标特征关联检测模型仿真_叶裴雷.pdf

基金项目:国家自然科学基金(71971089)收稿日期:2022-04-12 第 40 卷 第 4 期计 算 机 仿 真2023 年 4 月 文章编号:1006-9348(2023)04-0208-05高速运动目标特征关联检测模型仿真叶裴雷1,张大斌2(1.广东白云学院大数据与计算机学院,广东 广州 510450;2.华南农业大学数学与信息学院,广东 广州 510642)摘要:与静态目标不同,在高速运动过程中采集的视频图像存在阴影,为了实现对运动目标的高精度检测,提出基于深度学习的高速运动目标检测模型设计方法。采用光照评估方法判断图像中是否存在阴影,分割视频图像中的阴影区域,消除图像阴影;利用高斯核函数建立滤波器,对运动图像展开滤波处理,消除图像中存在的杂点,并通过剔除兴趣点中存在的冗余点以提高目标检测的准确度和效率,确定图像中的目标区域;采用深度特征网络提取目标特征,结合余弦距离和 DeepSort 算法展开特征匹配与数据关联分析,根据分析结果利用匈牙利算法构建高速运动目标检测模型,通过该模型实现目标检测。实验结果表明,所提方法的目标检测质量、目标检测精度和检测效率均具有较高的水平。关键词:深度学习;光照评估方法;深度特征网络;高速运动目标检测;图像滤波中图分类号:TP391 文献标识码:BSimulation of Feature Association Detection Modelfor High-Speed Moving TargetsYE Pei-lei1,ZHANG Da-bin2(1.Faculty of Megadata and Computing,Guangdong Baiyun University,Guangzhou Guangdong 510450,China;2.College of Mathematics and Informatics,South China Agricultural University,Guangzhou Guangdong 510642,China)ABSTRACT:In order to achieve high-precision detection for moving targets,this paper designed a model of detec-ting high-speed moving targets based on deep learning.Firstly,the lighting assessment method was adopted to judgewhether there was shadow in images,and segment the shadow area,thus eliminating the shadow.Secondly,Gaussiankernel function was used to construct a filter for filtering moving images,thus eliminating the noise from the images.Meanwhile,the accuracy and efficiency of target detection were improved by eliminating the redundant points from in-terest points,and then the target area can be determined.Thirdly,deep feature network was used to extract targetfeatures.The cosine distance was combined with the DeepSort algorithm to match features and analyze the data associ-ation.Based on the analysis results,Hungarian algorithm was adopted to construct a model to detect high-speed mov-ing target.Experimental results show that the proposed method has high detection quality,detection accuracy and de-tection efficiency.KEYWORDS:Deep learning;Lighting assessment method;Deep feature network;Detection for high-speed movingobject;Image filtering1 引言随着科技的进步以及人类安全防范意识的增强,视频监控系统逐渐应用于社会的各种场所中。运动目标检测的精度和效率是视频监控系统智能化程度评价的依据1,研究人员将克服环境干扰的运动目标检测方法作为研究目标,在运动目标检测研究中提出了一些有效的方法及模型,但对高速运动目标检测方法的研究还存在一些不足,因此,研究高速运动目标检测方法具有重要意义。辛元雪2等人首先划分图像,统计图像块的特性,根据统计结果构建核密度估计模型,利用该模型获得图像的前景802区域,提取像素点在前景区域中的纹理特征直方图,采用概率模型在直方图匹配的基础上完成背景更新,实现运动目标检测,由于图像中存在杂点,导致该方法的目标检测质量较差。谭熊3等人将视频序列输入卷积神经网络中,提取目标的运动特征,并对其展开光流计算,将小位移子网格引入卷积神经网络中,检测图像中存在的目标,该方法检测结果的AP 指标和 mAP 指标较低,存在目标检测精度低的问题。左军辉4等人采用 GMM 完成视频图像的背景建模,将小波半阈值函数引入数学形态学中用于消除视频图像中存在的噪声,并通过自适应背景更新方法完成目标检测,该方法检测目标所需的时间较长,存在目标检测效率低的问题。为了解决上述方法中存在的问题,提出基于深度学习的高速运动目标检测模型设计方法。2 高速运动目标检测2.1 阴影检测与去除2.1.1 阴影判断在高速运动过程中采集的视频图像容易存在阴影5,为了提高目标检测精度,采用光照评估方法对图像展开阴影判断。用 mb表示亮像素在视频图像中的数量,构成亮像素集合 Db,用 md表示暗像素在视频图像中的数量,构成暗像素集合 Dd,设 Rb、Rd分别代表 Db、Dd对应的能量值,其计算公式如下Rj=(iDjri)/mj,j b,d(1)式中,mj代表的是像素在集合 Dj内的数量;ri代表的是像素i 对应的能量值,可通过下式计算得到ri=jMj|Ii-Ij|m(2)式中,Mj描述的是像素 I 在运动图像中的邻域集合;m 表示邻域像素数;Ii表示像素 I 的密度值。经调查发现,阴影与运动目标在图像中拥有不同的亮度,前者通常低于后者,因此,可通过亮度能量值 Rb判断视频图像中运动目标的可视程度。当运动场景为白天等高亮级环境时,存在阴影的概率较低,即场景中阴影的亮度值较低。当场景属于雾天、雨天和晚上等低亮级环境时,目标在场景中较为模糊,难以辨识6,7。设置参数 Ad=md/mb,其主要目的是衡量亮像素与暗像素在运动图像中的尺寸,当能量值 Rb太大或太小且参数 Ad的值较小时,此时阴影的亮度级较小,可忽略不计,另一种情况是场景的尺寸远高于阴影的尺寸,满足上述条件时,判断视频图像中不存在阴影,不需要对其展开阴影检测。2.1.2 阴影检测与消除当亮度条件保持不变时,非阴影区域和阴影区域内相同物体的色调基本不存在差异,物体在阴影区域内的色彩变化很小或不发生变化,通过上述分析,阴影图像 F(i,j)可通过当前图与背景图得到8,9,根据阴影灰度值对应的柱状图和目标灰度值对应的柱状图判断视频图像中阴影灰度值的分布范围,设置阈值 Tm和宽泛阈值 TM,通过下述公式分割视频图像中的阴影区域 T(i,j)T(i,j)=F(i,j)Tm F(i,j)0 xi,j=1j,j 0 xi,j=1xi,j 0,1|(13)式中,xi,j代表的是第 j 个跟踪框与第 i 个检测框的匹配结果对应的二进制数值。3 实验与分析为了验证基于深度学习的高速运动目标检测模型设计方法的整体有效性,需要对其展开如下测试。实验所用图像均来自 The MNIST Database 数据库(http: 2 所示。图 2 不同方法的目标检测效果对比由图 2 可知,运动目标 1 为跑步的人,运动目标 2 为奔跑的豹子,运动目标 3 为急救车,运动目标 4 为高速运动的足球。采用所提方法检测图像中的高速运动目标时图像清晰度较高,可清晰地观察到图像中的运动目标,运用文献2方法检测时图像中存在阴影,运用文献3方法检测时图像中存在杂点。通过上述测试可知,所提方法的目标检测质量较高,因为所提方法对图像展开了相关预处理,首先消除了图像中存在的阴影,其次剔除了图像中存在的杂点,提高了图像的整体质量和清晰度。2)检测精度将 AP 和 mAP 作为指标测试所提方法、文献2方法和文献3方法的目标检测精度,上述指标的计算公式如下AP=10p(r)dr(14)mAP=cc=1AP(C)C(15)式中,p 代表的是精度;C 代表的是目标类别数量;r 代表的是召回率。上述方法的检测精度测试结果如图 3 所示。图 3 不同方法的目标检测精度由图 3 可知,随着图像数量的增加,三种方法的 AP 值和mAP 值不断提升,但在相同图像数量下所提方法的 AP 和mAP 均高于其它方法,表明所提方法具有良好的目标检测精度。3)检测效率在上述测试环境中,测试所提方法、文献2方法和文献3方法的检测效率,测试结果如图 4 所示。由图 4 可知,所提方法检测运动目标所需的时间最少,验证所提方法较高的目标检测效率。4 结束语计算机技术在科技发展的背景下不断进步,被用于处理各种视频信息和图像信息,高速运动目标检测在计算机视觉112图 4 不同方法的检测时间领域中一直属于重要研究内容,目前高速运动目标检测方法存在图像目标检测质量差,目标检测精度低和检测效率低的问题。提出基于深度学习的高速运动目标检测模型设计方法,该方法首先对目标图像展开相关预处理,其次通过深度学习提取目标特征,最后构建目标检测模型,解决并改进了当前方法的不足,可将其应用于高速运动目标检测领域中。参考文献:1 王洪雁,张海坤,罗宇华,等.复杂动态背景下基于群稀疏的运动目标检测方法J.电子学报,2021,49(12):2330-2338.2 辛元雪,史朋飞,薛瑞阳.基于区域提取与改进 LBP 特征的运动目标检测J.计算机科学,2021,48(7):233-237.3 谭熊,孙一帆,张晋,等.光流网络的无人机视频运动目标检测方法J.测绘科学技术学报,2021,38(3):272-279.4 左军辉,贾振红,杨杰,等.基于改进背景减法的视频图像运动目标检测J.计算机工程与设计,2020,41(5):1367-1372.5 刘万军,佟畅,曲海成.空洞卷积与注意力融合的对抗式图像阴影去除算法J.智能系统学报,2021,16(6):1081-1089.6 石恒,张玲.基于生成对抗网络的图像阴影消除算法J.计算机科学,2021,48(6):145-152.7 张淑萍,吴文,万毅.基于多阶段生成对抗网络的单幅图像阴影去除方法J.计算机应用,2020,40(8):2378-2385.8 韩璞楚,曾绍华,赵秉渝,等.基于半监督离散度的土壤彩色图像阴影检测J.重庆师范大学学报(自然科学版),2021,38(6):104-113,2,142.9 丰远远,高贤君,杨元维,等.改进对数变换联合局部增强的高分遥感影像阴影自动补偿方法J.激光与光电子学进展,2020,57(20):67-75.10 司亚利,张付志,刘文远.基于签到活跃度和时空概率模型的自适应兴趣点推荐方法J.