基于深度学习的监控视频树叶遮挡检测

《基于深度学习的监控视频树叶遮挡检测》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、万方数据第39卷第1期2016年2月武汉科技大学学报JournalofWuhanUniversityofScienceandTechnologyV01．39．No．1Feb．2016基于深度学习的监控视频树叶遮挡检测邬美银，陈黎(1．武汉科技大学计算机科学与技术学院，湖北武汉，430065；2．武汉科技大学智能信息处理与实时工业系统湖北省重点实验室，湖北武汉，430065)摘要：结合稀疏自编码器的自动提取数据特征能力和深度置信网络较好的分类性能，提出一种基于深度学习的监控视频树叶遮挡检测方法。首先从视频中随机选取一帧图

2、像，通过栈式稀疏自编码器主动学习视频图像的特征信息，然后采用深度置信网络建立分类检测模型，最后引入学习速率自适应调整策略对整个神经网络进行微调。该方法不需要对视频连续取帧，具有较好的图像特征主动学习能力，克服了人工提取特征能力有限的缺陷。实验结果表明，在样本量充足的条件下，使用本文方法进行监控视频树叶遮挡检测可以达到88．97％的准确率。关键词：监控视频；遮挡检测；图像识别；稀疏自编码器；深度置信网络；深度学习；特征提取中图分类号：TPl83文献标志码：A文章编号：1674—3644(2016)01—0069—06随着

3、现代科学技术的迅猛发展，视频监控系统已经得到广泛应用。面对视频源数量的日益剧增以及对监控视频分析越来越高的要求，传统的人工监控很难保证对视频画面分析的实时性，存在报警准确度差、误报、漏报、报警响应时间长、视频数据分析困难等问题[1]。因此，引入计算机视觉研究领域中的相关技术发展智能视频监控系统已经迫在眉睫。安防监控系统中，镜头遮挡检测是最重要也是最常见的检测之一。摄像机的镜头可能由于多种因素被遮挡，比如污渍、树叶等。其中，树叶遮挡主要是由于树木随时间和季节的变化自然生长，而监控点摄像头位置不变，使得原本没有被遮挡的摄像

4、头在特定季节或安装一段时间后被树叶遮挡。视频遮挡会导致监控场景的缺失，给公共安全带来严重影响，特别是在一些关键的监控点，可能会造成巨大的损失和不可挽回的后果。因此，研究监控视频树叶遮挡检测具有重要的意义。目前，大多数关于监控视频遮挡检测的研究都是针对人为遮挡，即人为用异物遮挡监控摄像头。Ribnick等[23提出利用当前帧与前一帧之间颜色直方图的差异来检测人为遮挡。Lin等[33使用DSP框架对比帧间灰度直方图实现遮挡检测。王宝君等[43加入角点特征，使摄像头干扰检测算法对光线强度变化不敏感，鲁棒性更强。Saglam等

5、[5]提出一种自适应阈值的背景差分方法来检测人为遮挡。Yin等[6]提出利用尺度不变特征迸行人为遮挡检测。以上这些算法大体上都是考虑监控场景在短期内由于人为遮挡会发生剧烈变化，从而通过对比帧间某些特征来实现遮挡检测。但是，树叶遮挡是因渐变的植物生长过程而引发，不会存在场景短期剧变现象。所以，上述算法都不适用于进行监控视频树叶遮挡检测。对于树叶遮挡问题，袁渊等[7]采用累积帧差法分割视频中疑似树叶区域，提取视频中某一帧图像的整个区域和疑似树叶区域的颜色和面积信息作为视频特征，最后采用支持向量机进行树叶遮挡检测。在样本有限

6、的条件下，该方法能取得较好的识别效果，但它仅依赖于颜色和面积信息，提取的特征过于单一，很容易出现误报现象。另外，利用连续的帧差来分割疑似树叶区域受限于内存中保留的视频信息，一旦前一帧视频图像无法获得时，该算法便失去作用。针对上述研究的不足之处，本文提出一种基于深度学习的监控视频树叶遮挡检测算法，其利用栈式稀疏自编码器主动学习图像特征，避免了收稿日期：2015一i1-23基金项目：国家自然科学基金资助项目(61375017)；湖北省高等学校优秀中青年科技创新团队计划项目(T201202)；武汉科技大学研究生创新创业基金资

7、助项目(JCX2015010)．作者简介：邬美银(1993一)，女。武汉科技大学硕士生．E—mail：1562394959@qq．tom通讯作者：陈黎(1977一)，男，武汉科技大学教授，博士．E—mail：chenli@ieee．org万方数据70武汉科技大学学报2016年第1期手动提取特征的复杂困境，同时无需对视频连续取帧，摆脱了视频帧间的相关性对算法的影响。1相关研究1．1稀疏自编码器稀疏自编码器(sparseauto—encoder，SAE)是一种无监督的神经网络学习结构[8]，包含一层隐藏层、相同的输入层和输

8、出层，如图1所示。SAE在无监督训练调整参数的过程中对隐藏层神经元施加稀疏约束，使大部分节点值为0或接近0，只有少数节点值不为0，从而得到输入数据的稀疏表示，这些稀疏表示即为输入数据的特征。通过这种方式，稀疏自编码器能主动提取数据的高层特征[9]，捕捉到输入信号最重要的因素，从而尽可能地复现输人信号。输入层图1SAE结构图Fig．