一种基于隐式低秩近似的背景减除算法制造技术

本发明专利技术公开了一种基于隐式低秩近似的背景减除算法，属于模式识别与计算机视觉领域，解决了传统方法低秩近似求解背景部分对噪声、遮挡等鲁棒性较差的问题。本发明专利技术结合视频帧中的背景部分变化较小的特点，将其分割问题转换成低秩矩阵的求解问题；其次，结合隐式数据构成的隐式矩阵作为字典，得到低秩约束条件下的最优化求解函数；然后考虑噪声因素，通过添加正则项的形式，并对新得到的最优化函数进行松弛运算，得到易于求解的凸优化函数；最后，利用InexactALM算法来迭代求解背景矩阵，达到背景减除的目的。本发明专利技术与LRR算法相比，字典的选择更加合理，具有更好的鲁棒性，也有更好的抗噪性能。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，属于模式识别与计算机视觉领域，解决了传统方法低秩近似求解背景部分对噪声、遮挡等鲁棒性较差的问题。本专利技术结合视频帧中的背景部分变化较小的特点，将其分割问题转换成低秩矩阵的求解问题；其次，结合隐式数据构成的隐式矩阵作为字典，得到低秩约束条件下的最优化求解函数；然后考虑噪声因素，通过添加正则项的形式，并对新得到的最优化函数进行松弛运算，得到易于求解的凸优化函数；最后，利用InexactALM算法来迭代求解背景矩阵，达到背景减除的目的。本专利技术与LRR算法相比，字典的选择更加合理，具有更好的鲁棒性，也有更好的抗噪性能。【专利说明】
本专利技术涉及，用于视频图像的背景减除，其属于模式识别与计算机视觉领域。
技术介绍
背景减除技术是视频监控系统中非常重要的预处理步骤。通过背景减除算法，能够将视频图像中不关心的背景完全去除，使后续的处理过程能够集中到前景目标，极大地简化了视频图像理解、目标监控和跟踪、计算机视觉等问题。如何有效地实现背景减除是一个很有研究价值的问题。 传统的背景减除算法思想是把前景目标理解为当前视频图像与背景模型的差异提取出来。首先要建立视频图像序列的背景模型，然后通过图像分割方法将背景从视频图像序列中减除。常见的方法有利用混合高斯模型对背景和前景同时建模，或采取核密度估计方法，利用平滑高斯核来提高背景模型的适应性，或用基于中值变换的估计方法结合协方差矩阵对多模型分区进行背景建模。但传统的背景减除算法，缺点在于没有利用像素间的空间联系，仅利用低端二元形态学方法，会产生较大的计算量和空间存储量，而且对于光照变化、摄像机抖动、动态背景等干扰因素的鲁棒性较差。 低秩近似方法，简称LRR，首先由Xiaowei Zhou于2013提出。低秩并不是一个全新的概念，它在矩阵理论中有着非常广泛的运用。但是将低秩近似理论应用到背景减除算法当中，是比较创新的思路。其主要契合点在于，背景在视频图像帧之间的变化相对来说是比较小的，则背景像素点构成的背景矩阵是低秩的。利用该先验知识，构造低秩约束条件下的最优化函数，背景矩阵的恢复即可转化成凸优化问题的求解问题。低秩近似在背景减除中有如下优势:(1)考虑了邻近像素点的影响因素，使得LRR算法对于随机噪声有较好的抗噪性；(2) LRR算法对前景遮挡、背景运动、相机位移等影响因素具有较好的鲁棒性。(3) LRR算法对凸优化函数参数设置有较好的适应性。
技术实现思路
针对上述现有技术，本专利技术的目的在于如何提供，旨在有效地进行视频背景的减除。 为了解决上述技术问题，本专利技术采用如下技术方案: ，包括以下步骤: SlOO:经过预处理，将原始视频数据帧写成原始观测矩阵Xtl的形式，背景像素点构成的低秩矩阵记为Z，通过求解低秩约束条件下的最优化函数来求解Z ; S200:在现有算法基础之上，结合隐式数据，通过求解核范数最小化函数实现背景矩阵Z的恢复； S300:有噪声的情况下，在S200步骤的基础之上，通过添加正则项的形式，结合矩阵Xtl及隐式数据构成的矩阵xH，来求解背景矩阵Z。 更进一步地，所述S200步骤主要由以下几步组成: S201:考虑原始观察矩阵作为字典的局限性，引入Xh作为隐式矩阵，并结合Xtl作为字典，得到包含隐式数据的最优化函数，即mjnllzIL， st.xO =1^0' ； S202:通过奇异值SVD分解，将S201步骤中得到的最优化函数化简变形，方便后续计算; S203:利用低秩的约束条件，结合S202步骤中化简后的最优化函数，将最优化函数进行松弛，得到便于求解的凸优化函数，即 1^1IzIL +IWU^-xO = X0Z+ LX0 , L 为 S202 步骤中 X。化简之后的残余项。 更进一步地,所述步骤S300具体分解为如下步骤: S301:考虑噪声因素，将噪声正则项添加到约束条件及最优化函数当中； S302:通过参数的设置，并对S301步骤中的最优化函数进行化简，将无噪声情况，以及有噪声情况统一到一个凸优化函数当中； S303:利用增广拉格朗日乘子法对S302步骤中提出的凸优化函数进行迭代计算，并最终求解出背景矩阵Z。 与现有技术相比，本专利技术的有益效果表现在: 一、本专利技术首先在LRR算法的基础之上进行了一系列的改进，首先引入了隐式矩阵xH，解决了原算法样本数据不足导致背景矩阵Z求解失败的问题；其次，结合原始观测矩阵Xtl及隐式数据矩阵Xh作为字典，比原算法仅考虑将原始观测矩阵Xtl作为字典更加合理，能够提背景减除的精确性，并且提高了算法的鲁棒性。 二、本专利技术引入了噪声模型，更加符合实际情况，通过添加噪声项的形式，得到一个凸优化函数，并采用非精确的增广拉格朗日乘子法，迭代更新拉格朗日乘子，最终得到收敛解Z，因此本专利技术与LLR相比更为合理，而且运算复杂度更低，收敛效果较好。 【专利附图】【附图说明】 图1为本专利技术提供的基于隐式低秩近似的背景减除算法的三个步骤； 图2为添加隐式矩阵实现最优化函数化简的过程； 图3是本专利技术中实现背景矩阵Z求解的非精确增广拉格朗日乘子法的迭代步骤。 【具体实施方式】 下面将结合附图及【具体实施方式】对本专利技术作进一步的描述。 如图1所示，本专利技术提出的基于隐式低秩近似的背景减除算法的步骤流程图，具体包括如下步骤: SlOO:构建视频帧数据矩阵，将每一帧图像样本在时间序列上的像素值按列构成原始观测矩阵Xtl，背景像素点构成的矩阵则用Z来表示。将背景矩阵的求解问题转化为函数最优化求解问题，即mjnllzIL， st, X0=Az 一般情况下，考虑将\作为字典a进行 O 求解； S200:引入隐式矩阵的概念，通过一系列的形变得到一个凸优化函数； 在这一步骤当中，主要是添加隐式的信息来完善字典，使得系统存在噪声情况下具有更好的鲁棒性，在此基础上对SlOO中的凸优化函数进行完善。步骤示意图如图2所示，具体说明如下: S201:添加隐式矩阵； 在上述最优化问题的限制条件中，引入Xh作为字典的一部分，得到新的字典A =[X。，XJ，将问题转化为: mm||z|L, s.t.X()=[X(r X?\z 式(I) S202:最优化函数形变； 用=, 0 ]表示Z的最优解，对步骤S201中的字典做SVD分解，则可以将\与Xh分别表示成奇异值分解的形式。假设\与Xh来自相同的低秩子空间，则更进一步的，通过求解最小化函数rank (Zo|H)+rank (Lo1h)实现最优化函数的形变； S203:最优化函数松弛； 考虑到S202得到的最优化函数并不是一个凸优化函数，不易求解，利用核范数松弛上述函数，即可得到一个凸优化函数: min||Z|L +||i|L ,s.t.Xq: X0Z + LX0,式⑵ L为S202步骤中X。化简之后的残余项。 S300:有噪声情况下，通过引入噪声正则项的形式，求解背景矩阵。在式(2)的基础之上，添加以下的噪声项，即凸优化函数如下: 1^1|网*+|4+1| 网五式⑶ 式中λ表示噪声系数，可自行设置，若噪声影响较大时，设置相对较小的λ值，反之，则设置较大的λ值；当λ — +C?，则其解等于本文档来自技高网...

【技术保护点】
一种基于隐式低秩近似的背景减除算法，包括以下步骤：S100：经过预处理，将原始视频数据帧按列构成原始观测矩阵X0的形式，背景像素点构成的低秩矩阵记为Z，通过求解低秩约束条件下的最优化函数来求解Z；S200：在现有算法基础之上，结合隐式数据，通过求解核范数最小化函数实现背景矩阵Z的恢复；S300：存在噪声的情况下，在S200步骤的基础之上，通过添加正则项的形式，结合矩阵X0及隐式数据构成的矩阵XH来求解背景矩阵Z。

【技术特征摘要】

【专利技术属性】
技术研发人员：程建，张洁，周圣云，李鸿升，王帅，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51