买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京理工大学申请的专利一种基于信息减少率的无监督运动目标检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114494934B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111510928.0，技术领域涉及：G06V20/40；该发明授权一种基于信息减少率的无监督运动目标检测方法是由李军;刘江;付孟祥;王子文;张书恒设计研发完成，并于2021-12-10向国家知识产权局提交的专利申请。

本一种基于信息减少率的无监督运动目标检测方法在说明书摘要公布了：本发明公开了一种基于信息减少率的无监督运动目标检测方法。该方法为：通过摄像头采集视频序列并进行预处理，构建数据库；通过训练好的PWCNet计算得到视频序列对应的光流图像并进行归一化；以视频序列及其对应的光流图像作为输入，训练生成式对抗网络模型；对待检测视频序列同样进行前述处理；提取训练好的生成式对抗网络模型的生成器模块，检测待检测视频序列中的运动目标。本发明基于背景图像区域中不包含前景图像区域的信息的性质，根据光流的关系构造生成式对抗网络模型实现背景与运动目标的判别，生成式对抗网络包括生成器和恢复器；通过注意力机制对运动目标的特征通道进行融合，减少了背景的干扰，提高了对运动目标的检测性能。

本发明授权一种基于信息减少率的无监督运动目标检测方法在权利要求书中公布了：1.一种基于信息减少率的无监督运动目标检测方法，其特征在于，包括以下步骤： 步骤1：通过摄像头采集视频序列并进行预处理，构建数据库； 步骤2：通过训练好的PWCNet计算得到视频序列对应的光流图像，并进行归一化； 步骤3：以视频序列及其对应的光流图像作为输入，训练生成式对抗网络模型； 步骤4：对待检测视频序列同样进行步骤1～步骤2的处理； 步骤5：提取训练好的生成式对抗网络模型的生成器模块，检测待检测视频序列中的运动目标； 步骤3所述训练生成式对抗网络模型，具体步骤如下： 步骤3.1、运动目标与背景的区分： 对于视频序列的一帧图像I，假设图像区域为D，运动目标的图像区域为Ω，背景为Ωc＝DΩ，当前帧流向相邻帧的光流为u，相邻帧为上一帧或下一帧；其中，光流表示图像亮度模式的表观运动，包含物体表面结构和动态行为的信息；使用表示两个随机变量的互信息，给定图像I中的位置i、位置j的光流ui、uj，将前景即运动目标的图像区域Ω的概念形式化为与背景互信息为0的区域： 其中，互信息表示给定图像I中位置j的光流uj所能提供的关于位置i的光流ui的信息量，该互信息取值越大，提供的信息量越大； 香农信息熵Hui|I表示ui的不确定度，变量的不确定性越大，信息熵也就越大，取值始终大于0；Hui|uj,I表示在已知uj的条件下，ui的不确定度； 步骤3.2、基于信息减少率的损失函数： 根据以上定义的前景和背景，结合香农信息熵理论，定义信息减少率来构建优化目标；以D中的两个子集即区域x、区域y作为输入，区域x、区域y的光流分别为ux、uy，定义信息减少率γ如下： 其中，表示给定图像I中区域y的光流uy所能提供的关于区域x的光流ux的信息量；香农信息熵Hux|I表示ux的不确定度；Hux|uy,I表示在已知uy的条件下，ux的不确定度； γx|y；I表示已知uy的条件下，ux的不确定度减小的量，取值在0～1之间；当ux和uy独立，即一个属于前景一个属于背景图像区域时，γ＝0；运动目标的图像区域Ω中的光流用uin＝{ui,u∈Ω}表示，背景区域Ωc中的用uout＝{uj,j∈Ωc}表示，从而有： 其中，Puin|I表示光流为前景光流的概率，Puin|uout,I表示已知uout的条件下，uin的概率；根据信息减少率γ，定义损失函数为当最小时，背景的光流足以预测前景； 对模型进行严格的假设，如下所示： 其中，φΩ,y,I＝∫yindPuin|uout,I；||||2表示对向量取模，σ表示方差； 同时，引入函数χ表示D、Ω、Ωc： 故，流入Ω的光流表示为ui in＝χui，流出的为ui out＝1-χui； 最终，选择χ和φ作为卷积神经网络中的参数函数类，以w表示参数，对应的函数为和 省去损失函数的常数项，并转为原损失函数的相反数，得到最终的损失函数 其中，为恢复器i，使上式最小，w1为恢复器i的参数；为生成器g，选择使得ui out不为ui in提供信息，使得上式最大，w2为生成器g的参数；I为图像； 最终的优化目标表示为以下形式： 步骤3.3、构建生成器g和恢复器i，生成器g和恢复器i共同组成了一个生成式对抗网络，求解步骤3.2中的优化问题；生成器g用于生成运动目标的光流掩膜图像mask；恢复器i以CPN为基本网络架构，根据生成器g生成的掩膜图像以及对应的光流图像恢复掩膜图像内部的光流信息； 步骤3.4、使用DAVIS2016数据集对构建好的生成式对抗网络进行训练，得到最终的生成式对抗网络模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京理工大学，其通讯地址为：210094 江苏省南京市玄武区孝陵卫200号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。