隨著硬件和軟件的蓬勃發(fā)展,視頻圖像這種更直觀的信息,已成為傳遞信息的重要媒介,如何從海量的視頻圖像信息中找到人類所感興趣的信息顯得愈發(fā)重要。背景減除任務(wù)是計算機視覺領(lǐng)域重要研究課題之一,能夠只保留運動的前景目標(biāo),而過濾掉信息量更大但不感興趣的部分,即背景區(qū)域部分。近三十年來,國內(nèi)外研究者基于背景建模理論等傳統(tǒng)算法對背景減除任務(wù)做了深入研究。然而,實際應(yīng)用中視頻場景十分復(fù)雜,傳統(tǒng)的背景減除算法難以保持較高的魯棒性和優(yōu)秀的檢測能力。深度學(xué)習(xí)憑借其對圖像數(shù)據(jù)的強大表征能力,在各計算機視覺任務(wù)中得到廣泛應(yīng)用,研究人員已經(jīng)嘗試將深度學(xué)習(xí)應(yīng)用到背景減除任務(wù)中,以提高背景減除算法的檢測能力和魯棒性。目前,基于卷積神經(jīng)網(wǎng)絡(luò)的背景減除算法,取得了不錯的成果,但往往會在一系列下采樣和上采樣之后丟失掉原圖的許多細節(jié)。因此,本文提出了局部強化網(wǎng)絡(luò),通過采用局部強化層來恢復(fù)這些丟失的細節(jié)。首先通過兩個編解碼網(wǎng)絡(luò)來得到粗糙的結(jié)果,然后再把結(jié)果作為局部強化層的輸入,而局部強化層的參數(shù)將由另一個編解碼網(wǎng)絡(luò)所提供,局部強化層的輸出將作為最終結(jié)果。局部強化網(wǎng)絡(luò)在CDnet-2014數(shù)據(jù)集上得到0.9733的F-Measu...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 背景減除算法的研究現(xiàn)狀
        1.2.1 無監(jiān)督算法
        1.2.2 有監(jiān)督算法
    1.3 背景減除面臨的主要困難和挑戰(zhàn)
    1.4 本文的主要工作和章節(jié)安排
        1.4.1 本文的主要工作
        1.4.2 本文的章節(jié)安排
第二章 相關(guān)理論及技術(shù)基礎(chǔ)
    2.1 背景建模方法相關(guān)理論
    2.2 卷積神經(jīng)網(wǎng)絡(luò)相關(guān)理論基礎(chǔ)
    2.3 基于親和矩陣的相關(guān)理論基礎(chǔ)
        2.3.1 線性傳播即空間擴散
        2.3.2 SPN
    2.4 數(shù)據(jù)集與度量標(biāo)準(zhǔn)介紹
        2.4.1 數(shù)據(jù)集介紹
        2.4.2 度量標(biāo)準(zhǔn)介紹
第三章 基于局部強化層的背景減除模型
    3.1 引言
    3.2 局部強化層
    3.3 局部強化網(wǎng)絡(luò)
        3.3.1 特征萃取模塊
        3.3.2 矩陣生成網(wǎng)絡(luò)
        3.3.3 損失函數(shù)
    3.4 實驗結(jié)果
        3.4.1 定量分析
        3.4.2 定性分析
    3.5 本章小結(jié)
第四章 基于時空傳播層的多尺度背景減除模型
    4.1 引言
    4.2 時空傳播層
        4.2.1 時空傳播層的細節(jié)
        4.2.2 與3D卷積層的對比
        4.2.3 復(fù)雜度分析
    4.3 網(wǎng)絡(luò)總體框架
        4.3.1 編碼模塊
        4.3.2 特征聚合模塊
        4.3.3 解碼模塊
        4.3.4 損失函數(shù)
    4.4 隨機分配實驗
        4.4.1 實驗實現(xiàn)細節(jié)
        4.4.2 消融分析
        4.4.3 定量分析
        4.4.4 定性分析
    4.5 未見視頻實驗
        4.5.1 實驗細節(jié)
        4.5.2 定量分析
        4.5.3 定性分析
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 工作展望
參考文獻
攻讀碩士學(xué)位期間的學(xué)術(shù)活動及成果情況



本文編號：3748531