[发明专利]一种高速运动滤棒爆珠检测与定位方法

说明书

本发明公开了一种高速运动滤棒爆珠检测与定位方法，首先采集高速运动滤棒爆珠图像，对图像进行预处理，利用边缘检测方法得到目标的初步像素点区域，再使用聚类算法得到前景类和背景类区域，与之前得到的目标区域进行交集运算确定目标的准确像素点区域，然后对图像进行标注，合理生成样本训练集、验证集与测试集，搭建包含SPP结构和SE模块的深度卷积神经网络，完成对不同尺寸特征图的融合，赋予每个通道自适应权重，实现对目标的准确检测和定位，本发明的方法结合边缘检测和图像聚类两种方式，准确定位目标区域，去除干扰且方便标注，根据不同的样本种类调节获取目标区域方法及网络结构，在样本的训练后可较高地保证检测率，实现目标的准确定位。

技术领域

本发明属于目标检测技术领域，具体涉及一种高速运动滤棒爆珠检测与定位方法。

背景技术

目标检测的任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别或位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。在目标检测中普通物体的检测算法研究已经较为成熟，而高速运动物体的目标检测方法由于其成像拖影和难以标注的特点，其人为提取特征准确性较低，给常规图像识别方法带来困难，成为目标检测领域中亟待需攻克的一个难题。

传统目标检测的算法主要是基于图像的处理。虽然传统目标检测算法在特定场景下有着不错的性能，但是其检测速度、检测精度和泛化能力都不能达到现代目标检测的要求。因此基于深度学习的目标检测算法成为目标检测的主流算法。近年来，目标检测算法已从最开始应用广泛的二阶段网络拓展到一阶段网络，其中各具有代表性的RCNN和YOLO系列的网络对于目标检测的发展起到了举足轻重的作用，为高速物体的检测与定位提供有效的算法和方向。

文献“Chen Z,Wang R,Zhang Z,et al.Background-Foreground Interactionfor Moving Object Detection in Dynamic Scenes.Information Sciences,2019，4972”提出一种支持长期背景和短期前景交互的新机制，交互包括权重传递以及长期背景和短期前景模型之间的融合。这种交互式方法提高了运动目标检测的检测效果，防止了模型中的死锁和退化。但没有考虑目标的移动速度，只适用于特定的物体运动场景。

文献“Wan W,Tang S,Zhang H.Moving object detection based on high-speedvideo sequence images，2019IEEE 8th Joint International Information Technologyand Artificial Intelligence Conference(ITAIC)，Chongqing，China，2019，906-910”研究了基于高速视频序列图像的运动目标检测问题，提出一种结合背景减法和帧差的改进混合检测方法，并利用阈值面积去噪和形态学滤波对移动物体进行后处理。该方法能够有效地检测高速视频序列图像中的运动物体。但没有进行数据的清洗与预处理，使得不能提取到更有效的目标特征，目标的表达能力没有充分利用。

发明内容

为解决上述技术问题，本发明提出了一种高速运动滤棒爆珠检测与定位方法。

本发明采用的技术方案为：一种高速运动滤棒爆珠检测与定位方法，具体步骤如下：

S1、采集高速运动滤棒爆珠图像；

S2、对步骤S1采集的高速运动滤棒爆珠图像进行预处理；

S3、对步骤S2得到的图像进行边缘检测，得到目标的初步像素点区域；

S4、对步骤S1采集的图像进行聚类，与步骤S3结果进行结合，得到目标的准确像素点区域；

S5、对步骤S4处理后的图像进行标注，合理生成样本训练集、验证集与测试集；