一种基于深度学习的移动物体检测方法与流程

技术特征：
1.一种基于深度学习的移动物体检测方法，其特征在于，包括：步骤s1，使用卷积神经网络分别提取需要对比的两张原始图像的特征得到原始特征图和对比特征图；步骤s2，将所述原始特征图和所述对比特征图通过差分网络得到特征差异图；得到后，将s1中原始特征图和对比特征图中对应特征差异图超过阈值的区域分别提取出来作为原始特征差异区域和对比特征差异区域，提取后，将所述特征差异图经过两个或者多个全连接网络得到特征差异值；步骤s3，将所述原始特征差异区域和所述对比特征差异区域分别通过一个或者多个卷积神经网络层得到原始深层特征图和对比深层特征图，得到后，将所述原始深层特征图和所述对比深层特征图通过一个或者多个全连接层分别得到原始深层特征值和对比深层特征值；步骤s4，将所述原始深层特征值和所述对比深层特征值进行差异性比较得到差异区域物体特征相近值；步骤s5，结合所述步骤s2中得到的特征差异值和所述步骤s4中得到的差异区域物体特征相近值综合判断物体是否移动。2.根据权利要求1所述的基于深度学习的移动物体检测方法，其特征在于，所述步骤s5中综合判断物体是否移动的具体计算如下：a＝diff
×
(1.0-simi)；始终，a表示最终判定值，diff表示特征差异值，simi表示差异区域物体相似值。3.根据权利要求2所述的基于深度学习的移动物体检测方法，其特征在于，所述最终判定值a得到后，将其与阈值进行比较，若最终判定值a≥阈值则表示物体移动，若最终判定值a＜阈值则表示没有物体移动。4.根据权利要求1所述的基于深度学习的移动物体检测方法，其特征在于，所述步骤s5中的特征差异值和差异区域物体特征相近值进行综合判断前需要通过sigmoid激活函数输出。5.根据权利要求1所述的基于深度学习的移动物体检测方法，其特征在于，所述步骤s2中的特征差异值为所述原始特征差值区域和所述对比特征差异区域差异程度的大小。6.根据权利要求1所述的基于深度学习的移动物体检测方法，其特征在于，所述步骤s4中的差异区域物体相似值通过差异的区域是否为同一物体在不同的位置确定。7.根据权利要求1所述的基于深度学习的移动物体检测方法，其特征在于，所述步骤s1中使用的卷积神经网络提取时选用已有的移动端开源网络mobilenet系列，适当调整网络的层数以满足需要部署的目标arm设备的算力和内存要求。8.根据权利要求1所述的基于深度学习的移动物体检测方法，其特征在于，所述步骤s1中得到原始特征图和对比特征图后，还可以将所述原始特征图和所述对比特征图通过差分网络得到一张差分特征图，得到后，将所述差分特征图经过一层或者多层全连接网络最终得到一个差分值。9.根据权利要求8所述的基于深度学习的移动物体检测方法，其特征在于，所述差分值得到后，直接将所述差分值经过sigmoid激活函数后判定画面中是否有移动物体。

技术总结
本发明涉及一种基于深度学习的移动物体检测方法，包括：步骤S1，使用卷积神经网络提取需要对比的两张原始图像的特征得到特征图；步骤S2，将特征图通过差分网络的得到差分特征图，然后，将超过阈值的区域提取出来作为差异区域，提取后，将差异区域经过两个或者多个全连接网络得到一个特征差异值；步骤S3，将差异区域通过一个或者多个卷积神经网络层得到深层特征图，得到后，通过一个或者多个全连接层分别得到深层特征值；步骤S4，进行差异性比较得到差异区域物体特征相近值；步骤S5，结合特征差异值和差异区域物体特征相近值综合判断物体是否移动。从而能够通过采用相对深度学习目标检测更小的网络提取特征并通过差分网络来判定是否有移动物体。来判定是否有移动物体。来判定是否有移动物体。


技术研发人员：覃林 孙骏 王磊
受保护的技术使用者：深圳市航盛电子股份有限公司
技术研发日：2022.09.21
技术公布日：2022/12/16