本技术涉及视频处理和计算机视觉，特别是涉及一种运动检测方法、装置、电子设备及存储介质。
背景技术：
1、运动检测算法是一种用于分析视频图像中的动态物体的技术。它可以通过比较连续帧之间的差异，检测出目标物体的移动轨迹和位置。相机可以检测到相机的微小移动和抖动，然后相应地对图像进行调整和稳定化，以减少图像模糊和抖动造成的影响，提供更清晰的图像。运动检测算法在许多领域都具有广泛的应用，例如安全监控、智能交通、人机交互等。
2、相关技术中，运动检测算法主要包括基于视频、音频的运动检测，基于加速度传感器的运动检测等，例如背景减除法、帧间差分法、光流法、运动矢量分析法等。但是这些算法主要依赖于像素变化和区域运动矢量来检测运动，存在实时处理速度不足、对运动轨迹分析不准确的问题，面对复杂场景和动态背景时，往往表现出较低的鲁棒性和准确性。
3、因此，如何提高运动检测方法的识别速度和准确性是当前亟需解决的问题。
技术实现思路
1、为了解决上述技术问题或者至少部分地解决上述技术问题，本技术提供了一种运动检测方法、装置、电子设备及存储介质。
2、第一方面，本技术提供了一种运动检测方法，所述方法包括：
3、实时采集视频帧；
4、对所述视频帧进行稀疏编码，将所述视频帧的图像转化为稀疏表示；
5、利用目标卷积神经网络模型对所述稀疏表示进行特征提取，得到目标特征；
6、根据所述目标特征，判断所述视频帧中是否存在运动物体。
7、作为本发明实施例一种可选的实施方式，所述根据所述目标特征，判断视频帧中是否存在运动物体之后，还包括：
8、若存在所述运动物体，则对所述运动物体的运动轨迹进行分析，获取所述运动物体的运动信息。
9、作为本发明实施例一种可选的实施方式，所述根据所述目标特征，判断视频帧中是否存在运动物体之后，还包括：
10、若存在所述运动物体，则对所述运动物体的运动轨迹进行分析，获取所述运动物体的运动信息。
11、作为本发明实施例一种可选的实施方式，所述利用目标卷积神经网络模型对所述稀疏表示进行特征提取，得到目标特征，包括：
12、将所述运动特征矩阵输入目标卷积神经网络模型进行区域特征提取，获取区域特征向量；
13、对所述区域特征向量进行卷积和池化操作，获取目标特征。
14、作为本发明实施例一种可选的实施方式，所述根据所述目标特征，判断所述视频帧中是否存在运动物体，包括：
15、对所述目标特征进行卷积计算，获取权值和偏移量；
16、根据所述权值和所述偏移量，计算在预设时间内视频帧的稀疏编码差异值；
17、若所述稀疏编码差异值大于预设阈值，则确定所述视频帧中存在运动物体。
18、作为本发明实施例一种可选的实施方式，所述目标卷积神经网络模型通过以下方法训练获得：
19、获取训练样本集；所述训练样本集包括：每个原始视频帧的稀疏表示以及每个原始视频帧对应的目标稀疏系数；
20、将所述每个原始视频帧的稀疏表示输入初始卷积神经网络模型中，得到每个原始视频帧的稀疏系数；
21、根据所述每个原始视频帧的稀疏系数和所述每个原始视频帧对应的目标稀疏系数，确定损失函数，根据所述损失函数调整所述初始卷积神经网络模型的权重参数，以得到所述目标卷积神经网络模型。
22、作为本发明实施例一种可选的实施方式，所述获取训练样本集，包括：
23、实时采集视频帧序列；
24、对每个视频帧的视频数据进行预处理，并对每个视频帧的运动目标进行标记和分类。
25、第二方面，本技术提供了一种运动检测装置，包括：
26、视频采集模块，用于实时采集视频帧；
27、稀疏编码模块，用于对所述视频帧进行稀疏编码，将所述视频帧的图像转化为稀疏表示；
28、特征提取模块，用于利用目标卷积神经网络模型对所述稀疏表示进行特征提取，得到目标特征；
29、特征判断模块，用于根据所述目标特征，判断所述视频帧中是否存在运动物体。
30、作为本发明实施例一种可选的实施方式，所述装置还包括：
31、信息获取模块，用于若存在所述运动物体，则对所述运动物体的运动轨迹进行分析，获取所述运动物体的运动信息。
32、作为本发明实施例一种可选的实施方式，所述稀疏编码模块，具体用于：
33、基于奇异值分解算法，获取字典矩阵；
34、对所述字典矩阵进行稀疏编码，得到稀疏编码矩阵；
35、对所述稀疏编码矩阵进行逆变换，得到运动特征矩阵。
36、作为本发明实施例一种可选的实施方式，所述特征提取模块，具体用于：
37、将所述运动特征矩阵输入目标卷积神经网络模型进行区域特征提取，获取区域特征向量；
38、对所述区域特征向量进行卷积和池化操作，获取目标特征。
39、作为本发明实施例一种可选的实施方式，所述特征判断模块，具体用于：
40、对所述目标特征进行卷积计算，获取权值和偏移量；
41、根据所述权值和所述偏移量，计算在预设时间内视频帧的稀疏编码差异值；
42、若所述稀疏编码差异值大于预设阈值，则确定所述视频帧中存在运动物体。
43、作为本发明实施例一种可选的实施方式，所述特征提取模块包括：
44、获取单元，用于获取训练样本集；所述训练样本集包括：每个原始视频帧的稀疏表示以及每个原始视频帧对应的目标稀疏系数；
45、输入单元，用于将所述每个原始视频帧的稀疏表示输入初始卷积神经网络模型中，得到每个原始视频帧的稀疏系数；
46、确定单元，用于根据所述每个原始视频帧的稀疏系数和所述每个原始视频帧对应的目标稀疏系数，确定损失函数，根据所述损失函数调整所述初始卷积神经网络模型的权重参数，以得到所述目标卷积神经网络模型。
47、作为本发明实施例一种可选的实施方式，所述获取单元，具体用于：
48、实时采集视频帧序列；
49、对每个视频帧的视频数据进行预处理，并对每个视频帧的运动目标进行标记和分类。
50、第三方面，本技术提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如本技术第一方面所提供的方法的步骤。
51、第四方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本技术第一方面所提供的方法的步骤。
52、本技术提供的技术方案与现有技术相比具有如下优点：
53、本技术提供的一种运动检测方法，实时采集视频帧，对视频帧进行稀疏编码，将视频帧的图像转化为稀疏表示，利用目标卷积神经网络模型对稀疏表示进行区域特征提取，得到目标特征，根据目标特征，判断视频帧中是否存在运动物体。通过稀疏编码可以准确的检测到场景是否发生变化，通过神经网络可以快速的检测到物体是否发生运动，两者相互结合，大幅度提高了运动物体的识别速度和准确性，进一步提升用户体验。
1.一种运动检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标特征，判断视频帧中是否存在运动物体之后，还包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述视频帧进行稀疏编码，获取稀疏表示，包括：
4.根据权利要求3所述的方法，其特征在于，所述利用目标卷积神经网络模型对所述稀疏表示进行特征提取，得到目标特征，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标特征，判断所述视频帧中是否存在运动物体，包括：
6.根据权利要求1所述的方法，其特征在于，所述目标卷积神经网络模型通过以下方法训练获得：
7.根据权利要求6所述的方法，其特征在于，所述获取训练样本集，包括：
8.一种运动检测装置，其特征在于，包括：
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述运动检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述运动检测方法。
