(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210962818.6 (22)申请日 2022.08.11 (71)申请人 江苏信息职业 技术学院 地址 214000 江苏省无锡市钱 藕路1号 (72)发明人 李阳　张先玉　 (74)专利代理 机构 无锡万里知识产权代理事务 所(特殊普通 合伙) 32263 专利代理师 王传林 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/36(2022.01) G06V 10/50(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06T 7/11(2017.01) (54)发明名称 一种基于超像素融合网络的运动目标检测 方法 (57)摘要 本发明涉及目标检测技术领域， 具体涉及一 种基于超像素融合网络的运动目标检测方法， 它 包括训练阶段与检测阶段两个主要部分， 利用中 值滤波提取候选前景， 并对图像序列进行超像素 分割。 然后提取候选前景超像素的直方图特征， 然后将像素特征和超像素特征分别作为找像素 融合网络的输入， 整个过程运算速度快， 鲁棒性 强。 权利要求书2页 说明书5页 附图1页 CN 115393585 A 2022.11.25 CN 115393585 A 1.一种基于超像素融合网络的运动目标检测方法， 其特征在于， 包括两部分阶段： ①训 练阶段；②检测阶段； 所述检测阶段包括： 步骤1.输入彩色图像序列R1,将3通道数值进行平均进行图像灰度化， 得到灰度化的图 像序列G1； 步骤2.对图像序列进行中值滤波背景图像B1， 并将图像序列G1与背景图像B1进行差 分， 得到候选前 景序列， 记为像素 特征F1； 步骤3.对彩色图像序列R 1进行超像素分割， 得到区域信息 C1； 步骤4.根据区域信 息计算超像素对应的候选前景区域的像素的直方图， 直方图范围时 [‑1,1]， 间隔为0.1； 步骤5.将每一个区域的直方图作为该区域内所有像素的特 征， 记为超像素 特征F2； 步骤6.构建网络； 步骤7.对 模型进行训练； 步骤8.输出训练后的网络模型M； 所述检测阶段包括： 步骤9.输入图像序列R2,如果图像为彩色图像则将3通道数值进行平均进行图像灰度 化， 得到灰度化的图像序列G2； 如果 为灰度图像， 则直接 令G2=R2； 步骤10.对图像序列进行中值滤波背景图像B2， 并将图像序列G2与背景图像B2进行差 分， 得到候选前 景序列， 记为像素 特征F3； 步骤11.对彩色图像序列R2进行超像素分割， 得到区域信息 C2； 步骤12.根据区域信息计算超像素对应的候选前景区域的像素的直方图， 直方图范围 时[‑1,1]， 间隔为0.1； 步骤13.将每一个区域的直方图作为该区域内所有像素的特 征， 记为超像素 特征F4； 步骤14.将超像素 特征F4和像素 特征F3作为已训练好的网络模型M的输入； 步骤15.输出检测结果。 2.根据权利要求1所述的一种基于超像素融合网络的运动目标检测方法， 其特征在于， 所述步骤6的具体方法为： ①构建编码器： 卷积神经网络包 含输入层、 隐含层和输出层； 所述输入层包括两个输入， 分辨率都为240 ×320， 超像素特征F2对应的编码器输入 的 通道数为21， 像素 特征F1对应的编码器输入为1， 卷积神经网络中的卷积尺寸大小为3 ×3； 所述隐含层 中第1层采用卷积、 批归一化、 激活层和池化层Conv+BN+Relu+Maxpool， 使 用8个卷积来 生成8个特 征图； 所述隐含层 中第2层采用卷积、 批归一化、 激活层和池化层Conv+BN+Relu+Maxpool， 使 用16个卷积来 生成16个特 征图； 所述隐含层 中第3层采用卷积、 批归一化、 激活层和池化层Conv+BN+Relu+Maxpool， 使 用32个卷积来 生成32个特 征图； 所述隐含层 中第4层采用卷积、 批归一化、 激活层和池化层Conv+BN+Relu+Maxpool， 使 用64个卷积来 生成64个特 征图；权　利　要　求　书 1/2 页 2 CN 115393585 A 2②构建连接层： 所述隐含层中的第 5层为连接层， 所述连接层采用concaten ation对两个编码器进行连 接； ③构建解码器： 所述隐含层中第6层采用卷积、 批归一化、 激活层和池化层Conv+BN+Relu， 使用128个卷 积来生成64个特 征图； 所述隐含层中第7层采用卷积、 批归一化、 激活层和池化层DeConv+BN+Relu， 使用64个 卷积来生成32个特 征图； 所述隐含层中第8层采用卷积、 批归一化、 激活层和池化层DeConv+BN+Relu， 使用32个 卷积来生成16个特 征图； 所述隐含层中第9层采用卷积、 批归一化、 激活层和池化层DeConv+BN+Relu， 使用8个卷 积来生成8个特 征图； 所述隐含层中第10层采用卷积、 批归一化、 激活层和池化层DeConv+BN+ClippedRelu， 使用1个卷积来 生成1个特 征图； 所述输出层中包 含了回归层； 将超像素 特征和像素 特征作为网络的输入， 输出为对应输入图像的groundt ruth。权　利　要　求　书 2/2 页 3 CN 115393585 A 3