[发明专利]机场场面目标分割方法及其系统

说明书

本发明公开了一种机场场面目标分割方法及其系统，所述机场场面目标分割方法包括：S1：对机场场面监控图像进行多尺度特征提取；S2：根据所述多尺度特征和卷积层，得到位置空间注意力模型图；S3：对所述空间注意力模型图进行解码操作，得到机场场面监控图像分割结果；S4：将所述机场场面监控图像分割结果与所述机场场面监控图像进行对比，得到对比结果；S5：根据所述对比结果进行损失计算，并在所述损失计算结果中挑选出最优结果；S6：根据所述最优结果进行机场场面目标分割。本发明所提供的机场场面目标分割方法及其系统，能够解决现有的机场场面设计较为缓慢的问题。

技术领域

本发明涉及深度学习技术领域，具体涉及一种机场场面目标分割方法及其系统。

背景技术

在2008年全国民航工作会议上，中国民用航空局提出了民航强国战略，随着民用航空业的快速发展，全国颁证运输机场数量增加到241个，越来越多的人选择乘坐飞机通行，机场场面活动日益纷杂，容易造成场面安全问题并且影响机场运行效率，所以，机场场面智能化越来越重要，其中重要的一点是机场场面智能化监视，目前，机场场面智能化监视一般采用的是利用雷达或者监视摄像头模组采集到的图像进行识别与预警，而如何利用摄像头模组进行快速和精确的识别与异常行为检测是目前研究的一个重点，其中进行识别与检测的一个前提是如何高效的进行机场场面前景分割，但是，目前大部分传统前景分割方法存在分割不完整、效率不高等问题。

在机场场面目标分割中，面临着前景分割的常见问题，诸如动态背景、光线的渐变与突变、目标阴影、雾霾雨雪灾难性天气等挑战性场景，精确的定义前景并且快速准确的提取前景是一件很艰难的任务。常用的传统前景分割方法是背景减除法，通常做法是建立一个背景模型，利用接下来视频帧中的信息更新背景模型，然后该模型不断与接下来视频帧图像进行比较，其中与背景模型差异较大的认为是前景，而视频帧中与背景模型相近的区域被视为背景。总体框架可以通过以下几个阶段来描述：从当前和以前的帧中提取特征、背景模型初始化和维护、前景分割。1)特征提取：灰度、纹理和边缘是是前景分割算法中常用的底层图像特征。基于超像素的特征也用于特征提取，特定的空间和时空特征描述符也被用来提高性能。2)背景模型初始化和维护：背景建模技术可以大致分为参数化和非参数化方法。在参数化方法中，通过混合高斯(MOG)和期望最大化(EM)算法等模型对每个位置的统计分布进行建模和更新，基于MOG的改进方法采用可变参数选择、空间混合高斯和快速初始化。非参数化方法的灵感主要来自基于核密度估计和基于共识的方法。在方法ViBe中，提出了三种显著的背景模型维护策略:随机背景样本替换来代表短期和长期历史，无记忆更新策略和通过背景样本传播的空间扩散策略，这些策略已被最新的最先进的前景分割技术广泛采用，基于像素的自适应分割方法中引入了决策阈值(用于前景分割)和学习率(用于模型更新)的自适应更新策略。此外，在WeSamBE方法中提出了一种自适应反馈机制来连续监测背景模型保真度和分割熵来更新这些参数。3)前景分割：现有方法中常用的方法是基于阈值的分割，并结合后处理技术进行前景分割。

传统的前景分割方法在室内环境光线变化波动不大的情形下能够良好工作，但是当在室外环境下，比如在机场场面的环境下，存在天气变化或者光照突变，往往分割效果不佳。最近，研究人员也使用深度学习模型进行前景分割，许多方法都利用现成的预先训练的神经网络提取特征，并与统计或者手工制作的背景建模技术集成，用于时序特征编码，这些方法的主要用于减轻为生成Ground Truth而进行像素级注释的繁琐任务。他们用从视频中精心挑选的帧训练卷积神经网络模型，然后对所有视频帧进行分割，以生成像素级的估计。这些方法比较复杂，没有面向机场典型环境进行设计，速度很慢，很难在机场场面视频实时监控中发挥作用。