基于多尺度CLG光流法的多目标检测方法

摘要/Abstract

摘要： 多目标检测是计算机视觉中一个重要的研究方向，如何才能准确地检测目标在军事、生活、工业等方面都有着极为重要的研究意义。针对传统光流法在目标检测中对噪声鲁棒性较差的问题，为了提高算法对噪声的鲁棒性，本文将CLG光流法与多尺度的思想相结合。多尺度的主要思想是建立一个图像金字塔，由粗到精地计算光流向量，并在此基础上将L2范数的平方改为L1范数。实验结果表明，改进后的多尺度CLG光流算法相对于原始CLG光流算法有更好的整体效果，说明多尺度CLG光流算法对噪声具有更好的鲁棒性，可以较好地对图像进行光流估计。

关键词: 多目标检测, CLG光流法, L1范数, 多尺度, 图像金字塔

Abstract: Multi-target detection is an important research direction in computer vision. How to accurately detect targets in military, life, industry and other aspects have very important research significance. Aiming at the poor robustness to noise of traditional optical flow methods in target detection, in order to improve the robustness of the algorithm against noise, the CLG optical flow method is combined with the idea of multi-scale. The main idea of multi-scale is to build an image pyramid, calculate the optical flow vector from coarse to fine, and change the square of L2 norm to L1 norm. Experimental results show that the improved multi-scale CLG optical flow algorithm has better overall performance than the original CLG optical flow algorithm, indicating that the multi-scale CLG optical flow algorithm has better robustness to noise, and can better estimate the optical flow of images.

Key words: multi-object detection, CLG optical flow method, L1 norm, multi-scale, image pyramid

任朝宇, 赵冬娥, 张斌, 杨学峰, 褚文博. 基于多尺度CLG光流法的多目标检测方法[J]. 计算机与现代化, 2022, 0(04): 33-37.

REN Chao-yu, ZHAO Dong-e, ZHANG Bin, YANG Xue-feng, CHU Wen-bo. Multi-target Detection Method Based on Multi-scale CLG Optical Flow Method[J]. Computer and Modernization, 2022, 0(04): 33-37.

参考文献［27］

［1］	ZHAO Y, SHI H B, CHEN X W, et al. An overview of object detection and tracking［C］// Proceedings of the 2015 IEEE International Conference on Information and Automation. 2015:280-286.
［2］	汪济洲,鲁昌华,蒋薇薇. 一种基于嵌入空间的防遮挡的多目标跟踪算法［J］. 电子测量与仪器学报, 2016,30(2):318-322.
［3］	武江鹏,乔明军,闫振纲,等. 战斗部破片场参数测试技术发展综述［J］. 兵器装备工程学报, 2019,40(5):105-109.
［4］	龚卫国,王旭,李正浩. 一种抗遮挡的红外多目标实时检测跟踪算法［J］. 仪器仪表学报, 2014,35(3):535-542.
［5］	刘鑫,金晅宏. 四帧间差分与光流法结合的目标检测及追踪［J］. 光电工程, 2018,45(8):30-37.
［6］	袁国武,陈志强,龚建,等. 一种结合光流法与三帧差分法的运动目标检测算法［J］. 小型微型计算机系统, 2013,34(3):668-671.
［7］	杨冬冬,常丹华,韩夏,等. 运动目标检测与跟踪算法的改进与实现［J］. 激光与红外, 2010,40(2):205-209.
［8］	张雄,苑惠娟,于佳. 基于序列图像的运动目标检测与跟踪［J］. 信息技术, 2009,33(8):111-113.
［9］	郭保青,杨柳旭,史红梅,等. 基于快速背景差分的高速铁路异物侵入检测算法［J］. 仪器仪表学报, 2016,37(6):1371-1378.
［10］	姚倩,安世全,姚路. 三帧差法和Mean-shift结合的行人检测与跟踪研究［J］. 计算机工程与设计, 2014,35(1):223-227.
［11］	袁国武. 智能视频监控中的运动目标检测和跟踪算法研究［D］. 昆明:云南大学, 2012.
［12］	高凯亮,覃团发,王逸之,等. 一种基于帧差法与背景减法的运动目标检测新方法［J］. 电讯技术, 2011,51(10):86-91.
［13］	熊永敬,张启鹏,黄应翔,等. 局部帧差校验改进背景消除法的目标检测算法［J］. 中国工程机械学报, 2020,18(1):24-28.
［14］	张聪炫,陈震,熊帆,等. 非刚性稠密匹配大位移运动光流估计［J］. 电子学报, 2019,47(6):1316-1323.
［15］	朱璐瑶. 改进的Horn-Schunck光流法在目标追踪中的应用［J］. 中国体视学与图像分析, 2015,20(3):218-226.
［16］	黄杭. 基于光流法的运动目标检测与跟踪［D］. 沈阳:东北大学, 2014.
［17］	荆滢,齐乃新,杨小冈,等. 基于LK和FAST的时间序列图像快速配准算法［J］. 红外与激光工程, 2018,47(11):462-470.
［18］	WU N, HARUYAMA S. Real-time sound detection and regeneration based on optical flow algorithm of laser speckle images［C］// Proceedings of the 2019 28th Wireless and Optical Communications Conference. 2019:96-99.
［19］	管飞,王荣. 基于Horn-Schunck光流法的运动目标检测的研究［J］. 仪表技术, 2015(2):43-45.
［20］	邵绪强,杨艳,刘艺林. 流体运动估计光流算法研究综述［J］. 中国图象图形学报, 2021,26(2):355-367.
［21］	QIN L L, YU N W, ZHAO D H. Applying the convolutional neural network deep learning technology to behavioural recognition in intelligent video［J］. Technical Gazette, 2018,25(2):528-535.
［22］	LUCAS B D, KANADE T. An iterative image registration technique with an application to stereo vision［C］// Proceedings of the 7th International Joint Conference on Artificial Intelligence. 1981,2:674-679.
［23］	HORN B K P, SCHUNCK B G. Determining optical flow［J］. Artificial Intelligence, 1981,17(1-3):185-203.
［24］	BRUHN A, WEICKERT J, SCHNORR C. Combining the advantages of local and global optic flow methods［M］// Joint Pattern Recognition Symposium. Springer, 2002:454-462.
［25］	ZHAO J, BAO Y Q, GUAN Z G, et al. Video-based multiscale identification approach for tower vibration of a cable-stayed bridge model under earthquake ground motions［J］. Structural Control and Health Monitoring, 2019,26(3). DOI: 10.1002/stc.2314.
［26］	SUN D Q, YANG X D, LIU M Y, et al. PWC-Net: CNNs for optical flow using pyramid, warping, and cost volume［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018:8934-8943.
［27］	DONG C Z, CELIK O, CATBAS F N, et al. Structural displacement monitoring using deep learning-based full field optical flow methods［J］. Structure and Infrastructure Engineering, 2020,16(1):51-71.

[1]	李国鑫, 曲寒冰, 朱成博, 王鑫轩, 胡嘉宝. 基于联合网络的域适应行人重识别算法[J]. 计算机与现代化, 2023, 0(06): 48-55.
[2]	朱理清, 李祥, . 改进YOLOv5算法的遥感图像车辆检测[J]. 计算机与现代化, 2023, 0(05): 117-121.
[3]	尹相臣, 陈思龙, 李振凯, 张文进, 李桂青. 多尺度密集感受域的GAN图像去雾算法[J]. 计算机与现代化, 2023, 0(03): 11-15.
[4]	梁科晋, 张海军, 刘雅情, 张昱, 王月阳. 混合多尺度卷积结合双层LSTM语音情感识别[J]. 计算机与现代化, 2023, 0(01): 63-68.
[5]	蒋思清, 陈潇俊, 高豪俊, 何佳晋, 吴健, . 基于对抗域适应的心电信号深度学习分类算法[J]. 计算机与现代化, 2023, 0(01): 81-87.
[6]	梁正友, 耿经邦, 孙宇. 基于改进残差网络的交通标志识别算法[J]. 计算机与现代化, 2022, 0(04): 52-57.
[7]	陈中杰, 田建辉, 胡光初, 丁锋, 郭钊, 韩兴本. 基于特征识别的多尺度构件网格自动生成算法[J]. 计算机与现代化, 2022, 0(03): 91-97.
[8]	汪帆, 魏宪, 郭杰龙, 梁培栋. 基于多通道分离整合的多尺度单幅图像去雨算法[J]. 计算机与现代化, 2021, 0(12): 72-78.
[9]	陈勋豪, 杨莹, 黄俊茹, 孙玉宝. 基于多尺度融合网络的视频快照压缩感知重建[J]. 计算机与现代化, 2021, 0(12): 58-64.
[10]	程凯强, 张旭, 寇旭鹏. 基于SSD的小目标检测改进算法[J]. 计算机与现代化, 2021, 0(07): 77-82.
[11]	徐睿, 李志华, 韩灿灿. 基于特征融合和改进卷积神经网络的环境音识别[J]. 计算机与现代化, 2021, 0(02): 62-67.
[12]	吴水明, 朱燕, 王芳, 景栋盛. 一种基于Cascade R-CNN的电子器件容器质检方法[J]. 计算机与现代化, 2020, 0(11): 33-38.
[13]	白士磊, 殷柯欣, 朱建启. 轻量级YOLOv3的交通标志检测算法[J]. 计算机与现代化, 2020, 0(09): 83-88.
[14]	王文，周晨轶，徐亦白，卢杉，周梦兰. 一种采用级联RPN的多尺度特征#br# 融合电表箱锈斑检测算法[J]. 计算机与现代化, 2020, 0(01): 117-.
[15]	曹靖康1，段江永2，孟娟2. 基于深度特征融合的空间植物图像分割算法[J]. 计算机与现代化, 2018, 0(10): 58-.