(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110630248.6 (22)申请日 2021.06.07 (65)同一申请的已公布的文献号 申请公布号 CN 113239631 A (43)申请公布日 2021.08.10 (73)专利权人 昆明理工大 学 地址 650093 云南省昆明市五华区学府路 253号 (72)发明人 何自芬　朱守业　张印辉　黄俊璇　 杨宏宽　黄滢　付雨锋　何鹏飞　 陈光晨　史本杰　曹辉柱　陈东东　 赵崇任　张朋程　庄宏　 (74)专利代理 机构 天津煜博知识产权代理事务 所(普通合伙) 12246 代理人 朱维(51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) 审查员 景京 (54)发明名称 一种提高复杂动态场景分割的建模方法及 系统 (57)摘要 本发明提供了一种提高复杂动态场景分割 的建模方法及系统， 方法包括： 构建第一复杂动 态图像数据库， 训练获得第一级联卷积神经网络 模型； 获得第一损失函数， 输入第一级联卷积神 经网络模型训练获得第一级 联卷积网络参数， 进 而获得第二级联卷积神经网络模 型； 将第一动态 场景的第一场景序列输入第二级联卷积神经网 络模型， 获得第一特征映射结果， 包括第一空时 稀疏动态场景目标映射的表征结果和第一背景 特征映射的表征结果； 由第一特征映射结果获得 第一目标的第一位置信息； 构建第一条件随机场 模型， 对第一位置信息更新， 获得第二位置信息。 解决了现有技术中实现复杂动态场景广义目标 高性能分割方法存在可行性低和稳定性差的技 术问题。 权利要求书3页 说明书14页 附图2页 CN 113239631 B 2022.02.15 CN 113239631 B 1.一种提高复杂动态场景分割的建模方法， 其中， 所述方法包括： 构建第一复杂动态图像数据库； 以所述第一复杂动态图像数据库为训练数据， 获得第一级联卷积神经网络模型， 所述 第一级联 卷积神经网络模型包括第一目标位置检测子网络与第一目标分割子网络； 获得第一损失函数； 将所述第一损失函数输入至所述第 一级联卷积神经网络模型进行数据训练， 获得第 一 级联卷积网络参数； 由所述第一级联 卷积网络参数获得第二级联 卷积神经网络模型； 将第一动态场景的第 一场景序列输入至所述第 二级联卷积神经网络模型， 获得第 一特 征映射结果， 所述第一特征映射结果包括第一空时稀疏动态场景目标映射的表征结果和 第 一背景特征映射的表征 结果； 由所述第一特 征映射结果获得第一目标的第一 位置信息； 构建第一条件随机场模型； 依据所述第一条件随机场模型， 对所述第一 位置信息进行 更新， 获得第二 位置信息； 所述获得第二 位置信息， 还 包括： 由所述第一条件随机场模型获得 所述第一目标的第一空时显著位置； 获得所述第一 位置信息和所述第一空时显著位置的第一 误差值； 依据所述第一 误差值获得第一更新指令； 依据所述第一更新指令， 对所述第一 位置信息进行 更新， 获得 所述第二 位置信息； 其中， 所述依据所述第一更新指令， 对所述第一 位置信息进行 更新， 还包括： 获得第一后传播 算法信息； 获得所述第一目标位置检测子网络的第一全连接层； 依据所述第一后传播算法信息， 对所述第一全连接层的第一权重进行更新， 获得第二 权重； 依据所述第二权 重， 对所述第一 位置信息进行 更新， 获得 所述第二 位置信息 。 2.如权利要求1所述的方法， 其中， 所述构建第一复杂动态图像数据库， 还 包括： 获得第一图像数据集 合； 获得第一采样领域， 所述第一采样领域包括第一类别和第二类别； 获得第一采样指令， 从所述第一采样领域对所述第一图像数据集合进行采样， 获得第 一稀疏数据； 依据所述第一稀疏 数据， 获得 所述第一复杂动态图像数据库。 3.如权利要求1所述的方法， 其中， 所述构建第一条件随机场模型， 还 包括： 获得所述第一条件随机场模型的第一目标函数； 获得第一约束条件； 在所述第一目标函数施加所述第一约束条件， 获得第一卷积特 征映射特性； 获得第二约束条件； 在所述第一目标函数施加所述第二约束条件， 获得第二卷积特 征映射特性； 依据所述第一卷积特征映射特性和所述第二卷积特征映射特性对所述第一条件随机 场模型进行 特征映射。权　利　要　求　书 1/3 页 2 CN 113239631 B 24.如权利要求2所述的方法， 其中， 所述获得 所述第一复杂动态图像数据库， 还 包括： 由所述第一稀疏 数据获得第一特 征数据集； 对所述第一特 征数据集进行中心化处 理， 获得第二特 征数据集； 获得所述第二特 征数据集的第一协方差矩阵； 对所述第一协方差矩阵进行运算， 获得所述第 一协方差矩阵的第 一特征值和第 一特征 向量； 将所述第一特征数据集投影到所述第一特征向量， 获得第一降维数据集， 其中所述第 一降维数据集 为所述第一特 征数据集降维之后获得的特 征数据集； 依据所述第一降维数据集获得 所述第一复杂动态图像数据库。 5.如权利要求1所述的方法， 其中， 所述方法包括： 将第一动态场景的第 一场景序列输入至所述第 二级联卷积神经网络模型， 所述第 二级 联卷积神经网络模型通过多组训练数据训练获得， 其中， 所述多组训练数据均包含所述第 一场景序列以及用于标识第一输出 结果的标识信息； 获得所述第 二级联卷积神经网络模型的第 一输出结果， 所述第 一输出结果包括第 一特 征映射结果。 6.一种提高复杂动态场景分割的建模系统， 其中， 所述系统包括： 第一构建单 元， 所述第一构建单 元用于构建第一复杂动态图像数据库； 第一获得单元， 所述第一获得单元用于以所述第一复杂动态图像数据库为训练数据， 获得第一级联卷积神经网络模型， 所述第一级联卷积神经网络模型包括第一目标位置检测 子网络与第一目标分割子网络； 第二获得 单元， 所述第二获得 单元用于获得第一损失函数； 第三获得单元， 所述第 三获得单元用于将所述第 一损失函数输入至所述第 一级联卷积 神经网络模型进行 数据训练， 获得第一级联 卷积网络参数； 第四获得单元， 所述第四获得单元用于由所述第 一级联卷积网络参数获得第 二级联卷 积神经网络模型； 第五获得单元， 所述第五获得单元用于将第 一动态场景的第 一场景序列输入至所述第 二级联卷积神经网络模型， 获得第一特征映射结果， 所述第一特征映射结果包括第一空时 稀疏动态场景目标映射的表征 结果和第一背景 特征映射的表征 结果； 第六获得单元， 所述第六获得单元用于由所述第 一特征映射结果获得第 一目标的第 一 位置信息； 第二构建单 元， 所述第二构建单 元用于构建第一条件随机场模型； 第七获得单元， 所述第七获得单元用于依据所述第一条件随机场模型， 对所述第一位 置信息进行 更新， 获得第二 位置信息； 所述获得第二 位置信息， 还 包括： 由所述第一条件随机场模型获得 所述第一目标的第一空时显著位置； 获得所述第一 位置信息和所述第一空时显著位置的第一 误差值； 依据所述第一 误差值获得第一更新指令； 依据所述第一更新指令， 对所述第一 位置信息进行 更新， 获得 所述第二 位置信息； 其中， 所述依据所述第一更新指令， 对所述第一 位置信息进行 更新， 还包括： 获得第一后传播 算法信息；权　利　要　求　书 2/3 页 3 CN 113239631 B 3