################################################
博主github：https://github.com/MichaelBeechan
博主CSDN：https://blog.csdn.net/u011344545
################################################
基于Faster R-CNN的目标提取 问题 深度学习 Faster R-CNN 的多帧背景还原解决动态背景的问题。针对 动态背景下的目标提取问题。本文提出了基于深度学习 Faster R-CNN 的多帧背 景还原的前景目标提取算法。基于 Faster R-CNN 对前景目标的单帧提取能力， 对每一帧分别进行检测，并提取每帧的背景，经过图像融合还原出完整的不含目 标的背景图像，并通过滤波与膨胀腐蚀等精确的提取前景目标。 深度学习目标检测算法——Faster R-CNN 在经典的目标检测算法中，面临的关键问题是算法的运行时间无法满足实时 性要求。而随着卷积神经网络(R-CNN) 和基于区域建议(Region Proposal)算法的 快速发展与应用[6]，在极大地缩短目标检测网络运行时间的同时，显著提高了目 标检测精度。本文选取的 Faster R-CNN 算法正是在已经发展成熟的 R-CNN 和 Fast R-CNN 基础上，通过区域建议网络 RPN 生成高质量区域建议框，使得整个 算法的综合性能有较大提高，尤其是检测速度方面改善明显。下面将对 Faster R-C
