隨著物聯(lián)網(wǎng)技術的發(fā)展,人們越來越容易從網(wǎng)絡上獲取到需要的視頻圖像資源,由于其中包含了大量無用信息,并且占用了大量的計算機存儲內(nèi)存,為了縮減所需的內(nèi)存空間和提升人們的工作效率,提取其中的有效特征就顯得尤為重要。而背景提取同時作為目標識別和檢測的基礎,已受到人們關注�；谶@樣的應用環(huán)境下,本文對復雜背景下的精確背景提取進行了研究,主要內(nèi)容如下:提出了一種改進的SUBSENSE方法結構來訓練數(shù)據(jù),以達到提取視頻序列中背景圖像的目的。作為一種像素級的分割方法,依賴于二進制特征以及顏色信息來檢測像素變化。這允許更容易的檢測和背景相似的前景圖像,同時忽略大多數(shù)的照明變化。此外,使用像素級反饋回路可以動態(tài)調整方法的內(nèi)部參數(shù),而無需手動干預。采用CNN網(wǎng)絡和LSTM網(wǎng)絡(長短期記憶網(wǎng)絡)結合的方式對視頻序列進行動態(tài)顯著性檢測。首先CNN網(wǎng)絡由兩個子網(wǎng)絡組成,包括目標網(wǎng)絡和運動網(wǎng)絡,共同完成對圖像初步的靜態(tài)顯著性檢測。隨后加入了LSTM網(wǎng)絡的DNN用來檢測視頻的動態(tài)顯著特性,LSTM網(wǎng)絡有快速訓練和檢測的優(yōu)勢,同時可以有效的避免有限數(shù)量的訓練視頻過擬合。最后把輸入視頻幀、背景圖像和動態(tài)顯著圖作為輸入,一起饋入到DNN網(wǎng)絡中,在LSTM網(wǎng)絡模型的輔助作用下,很輕易可以學習到顯著特性的動態(tài)信息和背景特征,最終達到精確的背景提取的目的。本文采用LEDOV視頻數(shù)據(jù)集訓練此網(wǎng)絡,用DAVIS和FBMS視頻數(shù)據(jù)庫驗證和測試網(wǎng)絡的性能。通過本文的方法,最后的顯著性預測和背景提取得到了良好的效果。
【學位單位】：山東工商學院
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;TP181
【部分圖文】：

總體神經(jīng)網(wǎng)絡框架如下圖1-1 所示。圖 1-1 用于分割背景的深度學習神經(jīng)網(wǎng)絡架構本文一共分為五個章節(jié)。第一章：緒論主要引出了課題研究的意義和目標，分享了其它享譽國際的研究者們的研究成果，分析了本文即將展開的工作，最后給出了本文的主要研究內(nèi)容和各章節(jié)的安排。第二章：本章主要介紹了一些背景建模的典型方法和神經(jīng)網(wǎng)絡的相關理論的知識，分別介紹了單高斯模型、混合高斯模型和均值法背景模型的原理公式，為了改進模型的適用性和精確性，引入卷積神經(jīng)網(wǎng)絡的方法。第三章：本章主要講述了運用改進的 SUNSENSE 算法用來背景提取，分別提取

2 背景建模與神經(jīng)網(wǎng)絡的相關理論 前景，其它背景，11(,)(,)ttttIxyuIxy 中，1*t 是設定的經(jīng)驗值，若1(,) ttI xy 的絕對值小于這個值，值 I( x,y)t判定為背景，否則為前景。 混合高斯背景建模方法合高斯背景模型是對單高斯背景模型的改進，改進的地方在于解決了后性問題。如圖 2-1 所示為混合高斯建模的更新的流程圖，判別1,12.5 it 。

2 背景建模與神經(jīng)網(wǎng)絡的相關理論積神經(jīng)網(wǎng)絡的基本概念文 1.2.3 節(jié)內(nèi)容提到過，神經(jīng)網(wǎng)絡在近年來在諸多領域都大放異紹卷積神經(jīng)網(wǎng)絡的一些基本操作知識。的神經(jīng)網(wǎng)絡如圖 2-2 所示。其中，在圖像處理中，第一層的神經(jīng)原理是把像素的數(shù)據(jù)值矢量為一個一維數(shù)據(jù)，方便矩陣進行卷積上一層每一個神經(jīng)元都和后一層的所有神經(jīng)元連接，也就是常說每一層的所有神經(jīng)元都是以一維數(shù)據(jù)的方式進行運算的。現(xiàn)在的后幾層以全連接的方式連接，這是由于每一個全連接方式都會有會以幾何數(shù)量增長，這是需要研究者們極力避免的情況。
【相似文獻】

相關期刊論文 前10條

1 鄧亞蒙;;圖像梯度與譜殘差結合的顯著性檢測方法[J];哈爾濱商業(yè)大學學報(自然科學版);2016年01期

2 顧廣華;劉小青;;融合前景和背景種子點擴散的顯著性目標檢測[J];小型微型計算機系統(tǒng);2019年03期

3 王慧玲;晁妍;徐正梅;;基于線性融合的流行排序顯著性檢測算法的研究[J];數(shù)字技術與應用;2018年03期

4 方正;曹鐵勇;鄭云飛;楊吉斌;;高效深度特征提取及其在顯著性檢測中的應用[J];計算機輔助設計與圖形學學報;2019年02期

5 何志良;;情景感知的顯著性檢測[J];鄭州輕工業(yè)學院學報(自然科學版);2014年04期

6 樊強;齊春;;基于全局和局部短期稀疏表示的顯著性檢測[J];計算機科學;2014年10期

7 劉志偉;周東傲;林嘉宇;;基于圖像顯著性檢測的圖像分割[J];計算機工程與科學;2016年01期

8 楊慧婷;;融合前景先驗和背景先驗的顯著性目標檢測[J];現(xiàn)代計算機(專業(yè)版);2019年05期

9 劉峰;沈同圣;韓艷麗;馬新星;;融合背景感知和顏色對比的顯著性檢測方法[J];計算機輔助設計與圖形學學報;2016年10期

10 陳南而;陳瑩;;采用背景和中心先驗的圖像顯著性檢測[J];小型微型計算機系統(tǒng);2016年10期

相關博士學位論文 前10條

1 李清亮;圖像檢索中判別性增強研究[D];吉林大學;2016年

2 付華柱;圖像協(xié)同關聯(lián)性約束的研究與應用[D];天津大學;2013年

3 王海羅;基于視覺感知的無人機目標識別與跟蹤技術研究[D];北京理工大學;2015年

4 李軍俠;基于低秩理論及空間約束編碼的顯著性檢測與融合方法研究[D];南京理工大學;2017年

5 劉金;盲人行走輔助技術中的障礙物檢測算法研究[D];西南交通大學;2014年

6 李毅;基于視覺模型的紅外圖像增強技術研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2016年

7 唐有寶;視覺顯著性檢測方法及其應用研究[D];哈爾濱工業(yè)大學;2017年

8 秦嬋嬋;基于隨機游走算法的圖像分割方法研究[D];華中師范大學;2014年

9 費春;基于智能優(yōu)化和視覺顯著性的圖像融合研究[D];電子科技大學;2015年

10 韋星星;基于結構化信息的圖像內(nèi)容分析與理解[D];天津大學;2015年

相關碩士學位論文 前10條

1 孫宏偉;基于深度學習的端到端背景提取[D];山東工商學院;2019年

2 封金蕾;基于矩陣分解的顯著對象提取算法分析與應用[D];北京交通大學;2012年

3 王閃閃;基于顯著性檢測的人體輪廓提取問題研究與應用[D];山東大學;2016年

4 原一芳;基于區(qū)域特征與統(tǒng)計特性的圖像顯著性檢測方法研究[D];蘭州理工大學;2016年

5 李晶;圖像顯著性檢測及其在圖像縮放中的應用[D];西安電子科技大學;2015年

6 王倩;基于吸附模型的圖像顯著性檢測方法研究[D];華南理工大學;2016年

7 王一;基于光場信息的顯著性檢測方法研究[D];合肥工業(yè)大學;2015年

8 趙守鳳;基于稀疏重構和多特征聯(lián)合標簽推導的顯著性檢測[D];大連理工大學;2014年

9 李倩;基于顯著性檢測的圖像壓縮和視頻檢測[D];南京財經(jīng)大學;2013年

10 李一君;基于多先驗和圖結構的顯著性物體檢測[D];上海交通大學;2015年

本文編號：2853619