技术特征：
1.一种基于差分卷积神经网络的运动目标检测方法，其特征在于：包括训练部分和测试部分，所述训练部分包括以下步骤：1.1)数据初始化将所选择的视频的分辨率调整为240
×
320；标注调整分辨率后的视频中的运动目标，得到视频中每一帧的groundtruth，记为i
g
；对调整分辨率后的视频进行中值滤波处理，得到背景帧，记为i
b
；将视频的当前帧i
c
与对应的背景帧i
b
进行差分，得到当前帧的差分图像，记为i
input
；1.2)构建卷积神经网络：所述卷积神经网络包含输入层、隐含层和输出层：所述输入层包括一个分辨率为240
×
320、通道数为3的立体图像，其中立体图像为i
input
；卷积神经网络中的卷积尺寸大小为3
×
3；所述隐含层中第1层采用卷积、批归一化、激活层和池化层conv+bn+relu+maxpool，使用8个卷积来生成8个特征图；所述隐含层中第2层采用卷积、批归一化、激活层和池化层conv+bn+relu+maxpool，使用8个卷积来生成8个特征图；所述隐含层中第3层采用卷积、批归一化、激活层和池化层conv+bn+relu+maxpool，使用32个卷积来生成32个特征图；所述隐含层中第4层采用卷积、批归一化、激活层和池化层conv+bn+relu+maxpool，使用64个卷积来生成64个特征图；所述隐含层中第5层采用卷积、批归一化、激活层和池化层conv+bn+relu+maxpool，使用64个卷积来生成64个特征图；所述隐含层中第6层采用卷积、批归一化、激活层和池化层conv+bn+relu，使用128个卷积来生成128个特征图；所述隐含层中第7层采用卷积、批归一化、激活层和池化层deconv+bn+relu，使用64个卷积来生成64个特征图；所述隐含层中第8层采用卷积、批归一化、激活层和池化层deconv+bn+relu，使用32个卷积来生成32个特征图；所述隐含层中第9层采用卷积、批归一化、激活层和池化层deconv+bn+relu，使用8个卷积来生成8个特征图；所述隐含层中第10层采用卷积、批归一化、激活层和池化层deconv+bn+clippedrelu，使用1个卷积来生成1个特征图；所述输出层中包含了回归层；1.3)设置卷积神经网络采用adam对卷积神经网络进行参数更新；参数更新过程中的均方误差为卷积神经网络的损失函数；1.4)训练卷积神经网络对步骤1.2)设定的卷积神经网络进行训练，得到卷积神经网络模型；
所述测试部分包括以下步骤：2.1)得到卷积神经网络模型输入将步骤1.1)得到的i
input
作为卷积神经网络模型的输入，对应的i
g
作为卷积神经网络模型的输出，i
input
→
i
g
；2.2)得到运动目标的检测结果将步骤2.1)得到的卷积神经网络模型的输入放入卷积神经网络模型中进行计算，即得到运动目标的检测结果。2.根据权利要求1所述的基于差分卷积神经网络的运动目标检测方法，其特征在于：所述步骤1.1)中的中值滤波处理步骤如下：给定视频中的一个像素v，它的时间上的邻域像素为n
v
＝{v
i
‑
n
,
…
,v
i
,
…
,i
i+n
}，其中n为正整数，代表着窗口的大小，n取30，计算n
v
的中值，得到像素v的背景像素；依次类推，对视频中的所有像素进行中值滤波，得到所有像素的背景像素，形成背景帧i
b
。