基于局部约束非负矩阵分解的运动显著区域提取方法技术

本发明专利技术公开了一种基于局部约束非负矩阵分解的运动显著区域提取方法，主要解决复杂背景对于运动特征提取所造成的干扰问题。其技术方案是：1.获取样本视频序列，提取长度相同的稠密轨迹并构造非负数据矩阵；2.向非负矩阵分解模型中引入局部约束项，构造局部约束非负矩阵分解的目标函数；3.对目标函数优化求解，得到基矩阵和系数矩阵的迭代规则；4.分解数据矩阵得到聚类结果；5.对得到的聚类簇排序后筛选，得到运动主体的轨迹；6.对运动主体轨迹进行形态学膨胀，获得各视频帧中的运动显著区域。本发明专利技术能获得有效的显著区域，以降低运动视频中复杂背景对特征提取造成的干扰，可用于智能视频监控、运动分析及人机交互中。

A method of moving salient region extraction based on local constraint nonnegative matrix decomposition

The invention discloses a motion salient region extraction method based on local constraint non negative matrix factorization, which mainly solves the interference problem caused by complex background for motion feature extraction. The technical scheme is: 1. to obtain the sample video sequences of the same length, dense trajectory extraction and construct the nonnegative data matrix; 2. to the non negative matrix factorization into local constraints in the model, the objective function of non negative matrix factorization of the local constraint structure; 3. for objective function optimization, get the iterative matrix and the coefficient matrix of the rule base 4. data matrix decomposition; get the clustering results; 5. of the clusters obtained after sequencing screening, the movement of the main body of sports track; track 6. dilation of each video frame in the motion salient region. The invention can get effective salient regions, so as to reduce the interference caused by complex background and feature extraction in motion videos, and can be applied to intelligent video surveillance, motion analysis and human-machine interaction.

【技术实现步骤摘要】
基于局部约束非负矩阵分解的运动显著区域提取方法
本专利技术属于图像处理
，具体涉及一种运动显著性区域的提取方法，可用于智能视频监控、运动分析及人机交互中。
技术介绍
视频运动特征提取是视频处理中最为关键的技术之一，广泛应用于视频行为识别和目标追踪。目前，对于视频运动特征的提取已经取得了一定的进展，但是如何有效去除背景对运动特征提取的干扰仍然是一个具有挑战性的问题。在运动特征提取中较为常见的背景去除方法有：(1)MuraseH,SakaiR.Movingobjectrecognitionineigenspacerepresentation:gaitanalysisandlipreading[J].Patternrecognitionletters,1996,17(2):155-162.文中采用卡尔曼滤波算法，对当前帧对应像素的导数和灰度进行估计，即通过递推算子由前一帧像素的灰度值及其对应的导数值估计当前帧，实现对背景模型的实时更新和抵抗光照变化影响，但是这种方法一旦模型出现错误，错误持续的时间相当长。(2)StaufferC,GrimsonWEL.Adaptivebackgrou本文档来自技高网...

【技术保护点】
基于局部非负矩阵分解的运动显著区域提取方法，包括：(1)获取样本视频序列，设置轨迹提取的长度m，并进行稠密轨迹提取；(2)将同一目标约束帧作为起始帧后获得的轨迹向量表示为向量，依次排列构成非负数据矩阵X；(3)向非负矩阵分解模型中引入局部约束项，构造局部约束非负矩阵分解LC‑NMF的目标函数；(4)对LC‑NMF的目标函数进行优化求解，得到基矩阵F和系数矩阵H；(5)利用LC‑NMF的目标函数对步骤(2)中构造的非负数据矩阵进行分解，即对轨迹进行聚类；(6)统计各聚类簇中的轨迹数目，获得轨迹数目集合Num，并对该集合Num中的聚类簇标号按其所对应的轨迹数目的升序排列，得到轨迹数目集合Num'；...

【技术特征摘要】
1.基于局部非负矩阵分解的运动显著区域提取方法，包括：(1)获取样本视频序列，设置轨迹提取的长度m，并进行稠密轨迹提取；(2)将同一目标约束帧作为起始帧后获得的轨迹向量表示为向量，依次排列构成非负数据矩阵X；(3)向非负矩阵分解模型中引入局部约束项，构造局部约束非负矩阵分解LC-NMF的目标函数；(4)对LC-NMF的目标函数进行优化求解，得到基矩阵F和系数矩阵H；(5)利用LC-NMF的目标函数对步骤(2)中构造的非负数据矩阵进行分解，即对轨迹进行聚类；(6)统计各聚类簇中的轨迹数目，获得轨迹数目集合Num，并对该集合Num中的聚类簇标号按其所对应的轨迹数目的升序排列，得到轨迹数目集合Num'；计算各聚类簇的离散程度，获得轨迹离散度集合Disp，并对该集合Disp中的聚类簇标号按其所对应的离散度的降序排列，得到轨迹离散度集合Disp'；(7)对上述两个集合Num'和集合Disp'中的前个聚类簇标号求交集得到集合T，从所有聚类簇中将集合T中聚类簇标号对应的聚类簇删除，得到轨迹筛选后的结果，其中r表示分解维数，为向下取整；(8)根据轨迹筛选之后的结果，通过轨迹在视频帧的坐标位置，利用形态学膨胀的方法，获得各视频帧中相应的运动显著区域。2.根据权利要求1所述的方法，其中步骤(2)中非负数据矩阵X，表示如下：其中，x·i是第i个长度为2m的非负列向量，由长度为m的轨迹在每一帧中的空间位置依次排列得到，i＝1,2,...,n，n为需要聚类轨迹的总数目。3.根据权利要求1所述的方法，其中步骤(3)中构造局部约束非负矩阵分解LC-NMF的目标函数，按如下步骤进行：3a)由基矩阵F＝[f·1,f·2,...,f·j,...,f·r]构造局部加权算子R：

【专利技术属性】
技术研发人员：同鸣，卜海丽，马蕾，李海龙，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61