基于显著性检测的视频运动物体检测方法技术

本发明专利技术提供一种基于显著性检测的视频运动物体检测方法，包括下列步骤：若是增量式视频运动物体检测，则实时将输入的图像重新排列成向量，得到输入向量o，若是批量式方法，则将视频的每帧图像都重排列成一个向量，组合得到一个矩阵O；增量方法需要随机选择视频中的若干帧进行背景基向量U的训练，得到一个初始的U，同时初始化一些参数及变量，批量式方法同样需要先初始化一些参数和变量；根据所采用的显著性检测方法，对于输入的每幅图像，计算其相应的显著性检测结果向量s；批量方法处理时，将每幅图像的显著性检测结果向量组成一个矩阵S；迭代计算。本发明专利技术有效地改善了由于运动的背景产生的误检问题，同时能够减少漏检问题。

【技术实现步骤摘要】

本专利技术涉及计算机视觉等领域中快速、高效的视频运动物体检测方法，特别是涉及采用显著性检测的视频运动物体检测方法。
技术介绍
视频运动物体检测是计算机视觉研究领域的一个重要部分，运动物体检测是视频自动分析技术[1]中一个重要的环节，主要任务就是将感兴趣的运动的目标从视频序列中分离出来。视频运动物体检测在视频智能监控，视频压缩，视频检索和图像增强等方面有着广泛的运用。实际视频处理中，由于光照强度变化，背景物体晃动(如水面，树叶等)对于视频运动物体检测造成一定的影响。如何实时且完整的检测出运动的物体成为视频运动物体检测最关键的问题。因此，本专利主要研究如何提高视频运动物体检测的准确性及完整性。视频运动物体检测算法主要有物体检测算子和背景减除方法。物体检测算子[3]通常是一个分类器，它通过一个滑动窗口对每一帧进行扫描，从而对每一个滑动窗口中的子图像进行标记，判断子图像是运动目标还是背景。然而对于背景减除算法[4]，它是通过将每一帧图像与预先建立的背景模型进行比较，把检测到的有变化的区域认定为运动目标区域。但是这种方法通常要求视频序列的前若干幅图像不包含运动目标区域，才能很好地训练背景模型。T.Haines[4]等提出了一种基于狄利克雷过程的高斯混合模型算法，使用狄利克雷高斯混合模型对背景建模，然后视频序列与所得背景模型相减得到运动目标。可以看出，这些训练集或者背景模型的需求事实上限制了运动目标检测技术在实际应用上的使用。另一种实现运动目标检测技术的方法是基于运动的方法。这种方法仅仅利用运动信息使运动目标与背景分离，从而避免了训练阶段。这种方法基于一个假设：在视频序列中，运动目标的运动是不同于背景的运动的。因此我们可以自动地从背景中分离出运动目标。通常先计算出每个像素的运动轨迹，进行运动分割，从而使运动目标与背景分离，一般称之为“光流法”[7]。2010年，T.Brox[7]等人提出了一种基于像素点运动轨迹的运动目标检测算法。该算法分析了在视频序列中各个像素点的运动轨迹并对其分割聚类。运动分割方法的优势在于它可以处理剧烈的摄像机运动的情况，但是它具有以下一些缺点：第一，这种方法的处理条件是基于在摄像机视角中运动目标的运动都是刚性运动或者平滑运动的假设。然而，这与实际情况往往是不相符的。在实际情况中，运动目标的运动往往是十分复杂的，可能伴有非刚性的形体变化。第二，在实际的视频序列中背景变化也十分复杂。背景中可能包含着变化的结构，例如：摆动的树木或者水中的波浪。同时，背景也会受到光照变化的影响。这些因素都影响着光流法对背景运动轨迹的估计，使运动分割产生错误。另外一种视频运动目标检测算法是基于矩阵表示的算法。这种方法通常基于一个假设：视频中各图像背景像素点之间相关性较大，因此由向量化的各帧图像组成的背景矩阵是低秩的；而视频序列中运动目标往往较小，所以前景矩阵是稀疏的。进而可以把图像矩阵分解成低秩矩阵和稀疏矩阵的和。近年来，国内外学者提出的基于矩阵表示的运动目标检测算法大致可分为两类：批量式运动目标检测算法和增量式运动目标检测算法。批量式检测算法需要对输入视频的若干帧进行批量式处理，而增量式检测算法对视频序列进行逐帧处理。对于批量式运动目标检测算法，比较经典的是2011年，由E.Candes[8]提出的RobustPrincipalComponentAnalysis(RPCA)算法，文章主要提出将视频序列矩阵分解为背景低秩矩阵和前景稀疏矩阵。而对于背景低秩矩阵，可以用凸近似来逼近，从而可以用核范数对其进行约束。对于前景稀疏矩阵，通常用1范数对其进行约束。通过求解这样一个有约束的最优化问题可以实现运动目标检测。然而该算法没有考虑噪声对运动检测的影响。为了达到更好的检测精度，2013年，在RPCA基础上，X.Zhou[2]等人提出了DetectingContiguousOutliersintheLow-rankRepresentation(DECOLOR)算法。该算法对前景矩阵除了沿用1范数进行稀疏约束，还加上了相邻像素的影响，即用马尔科夫随机场对前景矩阵进行约束。除此之外，该算法还考虑了噪声的影响。同时该算法加入了摄像机运动矩阵估计，能有效地处理摄像机运动的情况。该算法作为批量式运动目标检测算法，取得了较好的检测效果。2015年，BoXin[6]等人在RPCA的基础上提出一种新的批量式运动物体检测算法，该算法对前景矩阵用拉索方法进行约束(thegeneralizedfusedlassoregularization)，对于背景矩阵，将其用纯粹的没有运动目标的图像矩阵进行线性表示，同时，对稀疏矩阵进行稀疏约束。用拉格朗日方法求解最优化，最终实现运动目标检测。关于增量式运动目标检测算法,同样基于RPCA的假设，通常用稀疏信号恢复来实现。2012年，J.He[10]等人在RPCA基础上提出了GrassmannianRobustAdaptiveSubspaceTrackingAlgorithm(GRASTA)算法，该算法对于前景，同样基础稀疏假设。对于背景，通过估计背景低秩矩阵的所处在的子空间，输入视频的每一帧图像的背景都可看做是由背景子空间的基向量线性组成。求解最优化过程从而达到分离运动目标与背景，可实时处理输入视频。但是该算法没有考虑到视频中存在的噪声的影响，也没有利用任何关于运动目标的先验知识。同样2014年，X.Guo[9]等也在RPCA算法的基础上提出了一种新型算法，基于运动目标都是连续运动的假设，同样设定了背景矩阵的基向量，并且在目标函数中添加了运动目标矩阵在时域和空域中的平滑项。同时基于运动目标的外观可能是任意颜色或者强度的假设，从概率的角度添加关于运动目标外观的一项约束项。从视频运动物体检测算法发展过程来看，基于矩阵表示的视频序列运动目标检测算法相对于其他运动检测算法具有以下优势：一、不需要各种训练阶段和建立背景模型；二、能灵活处理光照和噪声对检测结果的影响；三、能处理运动目标的各种运动类型，包括非刚性运动。基于矩阵表示的视频运动物体检测也成为近几年研究的热点。然而现有的视频运动物体检测算法存在几个问题：将运动的背景(如晃动的树叶，水面的波纹，运动的电梯等)误检为运动物体即前景；检测到的运动目标不完整，有镂空现象。本专利针对以上两个问题，提出了一种基于显著性检测的视频运动物体检测算法。在矩阵表示的基础上，通过加上显著性检测约束项，从而减少误检及漏检问题。参考文献：[1]A.Yilmaz,O.Javed,etal.,“Objecttracking:Asurvey,”ACMTransactionon本文档来自技高网...

【技术保护点】
一种基于显著性检测的视频运动物体检测方法，包括下列步骤：步骤1：若是增量式视频运动物体检测，则实时将输入的图像重新排列成向量，得到输入向量o，若是批量式方法，则将视频的每帧图像都重排列成一个向量，组合得到一个矩阵O；步骤2：增量方法需要随机选择视频中的若干帧进行背景基向量U的训练，得到一个初始的U，同时初始化一些参数及变量，批量式方法同样需要先初始化一些参数和变量；步骤3：根据所采用的显著性检测方法，对于输入的每幅图像，计算其相应的显著性检测结果向量s；批量方法处理时，将每幅图像的显著性检测结果向量组成一个矩阵S；步骤4：设定迭代次数，开始迭代计算；步骤5：对于每一个变量及参数，根据求解方法依次进行计算，直至最终结果收敛。步骤6：迭代结束后，输出变量的最终结果。

【技术特征摘要】
1.一种基于显著性检测的视频运动物体检测方法，包括下列步骤：
步骤1：若是增量式视频运动物体检测，则实时将输入的图像重新排列成向量，得到输入向量o，若
是批量式方法，则将视频的每帧图像都重排列成一个向量，组合得到一个矩阵O；
步骤2：增量方法需要随机选择视频中的若干帧进行背景基向量U的训练，得到一个初始的U，同时
初始化一些参数及变量，批量式方法同样...

【专利技术属性】
技术研发人员：叶丽，庞彦伟，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12