一种监测视频图像中运动目标的方法技术

本发明专利技术公开了一种监测视频图像中运动目标的方法，可用于对监控视频进行智能分析的场合。视频图像是由背景图像和前景运动目标叠加而成的，根据背景图像序列间存在的强相关性和前景图像存在的稀疏性特点，可以采用鲁棒主成分分析的方法实现背景和前景的分离。本发明专利技术采用加权核范数作为矩阵的低秩约束，使得压缩阈值与相应奇异值的大小呈单调递减关系，从而大奇异值得以较小幅度压缩。使用结构稀疏范数作为前景稀疏约束，有效利用了前景运动目标的空间区域连续性的先验知识。由加权核范数和结构稀疏范数组成新的代价函数并用交替方向乘子法进行优化，实现了对监控视频中运动目标的更有效、更精确的检测与跟踪。

【技术实现步骤摘要】
一种监测视频图像中运动目标的方法
本专利技术涉及视觉分析技术，具体涉及一种监测视频图像中运动目标的方法。
技术介绍
运动目标检测就是将监控视频帧序列中的背景图像和运动目标图像(又称为前景)分离，是智能视频分析中重要的基础性步骤。运动目标的准确检测对后续高层次的计算机视觉任务(如行为识别、场景分析、交通管控等)的完成有重要意义。近年来，国内外广大学者围绕该课题展开了广泛的研究，提出了许多算法。但由于运动目标检测面临着光照变化、动态背景、相机的抖动以及算法的实时性等诸多挑战，它仍然是机器视觉领域的一个研究难点和热点。背景建模是实现运动目标检测的一类主要方法，它的思想是建立背景模型，然后判断待检测视频帧中的像素点是否符合背景模型，如不符合则属于前景运动目标。典型的方法有单高斯模型、混合高斯模型、核密度估计模型、视觉背景提取、线性自回归模型以及基于像素的自适应分割等。这些方法以单一像素为处理单元，往往对背景模型的特点作出较为严格的假设，使得这些算法在应用于实际场景时没有取得理想的效果。一方面，业内人士根据监控视频背景图像序列之间存在的强相关性及前景运动目标像素具有稀疏性这两个特点，将鲁棒主成分分析方法应用到运动目标检测问题中。该方法不需要太多假设，而且能够有效克服背景环境周期性变化产生的目标误检，同时对光照变化等具有较好的鲁棒性。该方法认为监控视频图像是由背景和前景运动目标叠加得到的(如图1所示)，可以利用背景图像序列之间的低秩性约束和前景运动目标的稀疏性约束，将前景运动目标的检测和跟踪转化为如下代价函数的优化问题：其中D∈RM×N，N为视频帧数，其列向量由相应图像帧向量化得到。L为背景图像，S为前景运动目标。因(1)式中的秩函数和l0范数均为非线性非凸的，因此它的求解是一个难以解决的问题。另一方面，业内人士还使用核范数||L||*替换rank(L)，用l1范数||S||1替换||S||0，将式(1)变换为如下新的代价函数：其中，||L||*＝∑iσi(L)(σi(L)为矩阵L的第i个奇异值)，用以近似矩阵的秩；||·||1为l1范数，用以近似l0范数。因核范数和l1范数均为凸函数，所以(2)式可以用业已发展比较成熟的凸优化方法求解。而且该方法能在一定的含噪条件下，使得运动目标检测仍具有准确性和抗噪性。但该方法也存在如下两个问题:(1)用l1范数实现稀疏性的约束，这种作法将每个像素独立对待，没有利用前景运动目标具有的区域连续性先验知识，会把一些零散的非目标大噪声误判为前景运动目标。(2)用矩阵的核范数||L||*替代秩函数rank(L)实现低秩性约束，核范数项∑iσi(L)中所有奇异值的权值均为1，这样使核范数项最小化，不同大小的奇异值会被以同样的幅度压缩。而根据奇异值的物理意义，大奇异值包含图像的主要信息，这样势必降低分解得到的背景图像的质量。
技术实现思路
为解决现有技术中的问题，本专利技术提供一种监测视频图像中运动目标的方法，该方法能够实现对监控视频图像中运动目标更有效和精确的检测与跟踪，且提高背景图像的质量。一方面，本专利技术提供的监测视频图像中运动目标的方法，包括：S1、构造待处理的视频图像的观测矩阵D；S2、依据鲁棒主分量分析理论、预先定义的加权核范数、结构稀疏范数和所述观测矩阵D，获取低秩矩阵和稀疏矩阵；所述低秩矩阵的每一列是由观测矩阵D中相应帧(每一列对应的帧)的背景图像向量化得到的，所述稀疏矩阵的每一列是由观测矩阵D中相应帧的前景运动目标图像向量化得到的；S3、分别对低秩矩阵和稀疏矩阵进行向量转矩阵运算，得到背景图像帧序列和前景运动目标图像帧序列。可选地，所述步骤S2包括：S21、依据鲁棒主分量分析理论，建立代价函数：其中，L∈RM×N为待确定的低秩矩阵，S∈RM×N为待确定的稀疏矩阵，rank(·)表示矩阵的秩函数，λ为平衡因子，||·||0表示l0范数；D＝L+S为约束条件；S22、定义低秩矩阵L的加权核范数定义矩阵S的结构稀疏范数其中，w＝[w1,…,wn],0≤w1≤…≤wn,σ1(L)≥…σn(L)＞0,σi(L)代表矩阵L的第i个奇异值；在矩阵S中，第j列sj由第j帧的前景运动目标图像Fj∈Ra×b向量化而得到，sj∈RM是一个M维的向量，sj中向量元素的序号称为像素序号，所有像素序号构成的集合记为Θ＝{1,2,…,M}；定义的e×e的滑动窗口逐行逐列滑过矩阵Fj时，滑动窗口的一个位置所覆盖的像素记为其中g是所覆盖像素的序号所构成的集合，它是集合Θ一个子集，不同位置的滑动窗口所对应的g构成一个集合记为G，||·||∞表示l∞范数；S23、将子步骤S22中的加权核范数||L||w,*替换公式一中的rank(L)，用结构稀疏范数Υ(S)替换公式一中的||S||0，获得新的代价函数：可选地，所述步骤S2还包括：S24、采用增广拉格朗日乘子式处理所述公式二，得到公式三；其中，Y∈RM×N表示拉格朗日乘子矩阵，μ＞0表示惩罚因子，<·,·>表示内积运算，||·||F表示Frobenius范数；S25、通过循环迭代的方式对公式三进行最小化，获得L、S及Y。可选地，子步骤S25包括：初始化参数μ0＞0,ρ＞1,θ＞0,k＝0,L0＝D,Y0＝0；通过循环迭代的方式对公式三进行最小化，此时，Lk+1、Sk+1、Yk+1表示如下：公式四的Lk+1算式中GL＝D-Sk+Yk/μk，则Lk+1通过下述公式五确定；判断是否成立，成立则终止迭代，记此时的k+1＝q,则迭代得到的Lq、Sq即是所求的低秩矩阵和稀疏矩阵；否则令k＝k+1，重复迭代过程，直至成立；其中，svd(·)表示奇异值分解函数，即GL＝UΣVT，U、V为酉矩阵，Σ为对角矩阵；GL的奇异值σi(GL)在Σ的对角线上按从大到小的顺序排列；奇异值收缩算子是一个对角矩阵，其对角元素定义如下：可选地，所述步骤S3包括：Bi＝reshape(li,a×b)，Bi∈Ra×b,i＝1,…,N，为确定的背景图像帧序列；其中：reshape(li,a×b)表示向量转矩阵函数，Lq＝[l1,l2,…,lN]，li∈RM×1,i＝1,…,N，reshape:RM×1→Ra×b,M＝ab；Fi＝reshape(si,a×b)，Fi∈Ra×b,i＝1,…,N，为确定的前景运动目标图像帧序列；Sq＝[s1,s2,…,sN]，si∈RM×1,i＝1,…,N。可选地，公式三中的λ取值为e×e滑动窗口中e的取值为3-5；ρ＝1.05,θ＝1×10-8，其中，σ1(D)是观测矩阵D的最大奇异值。可选地，所述步骤S1包括：S11、将视频图像中的每一帧图像进行灰度处理，灰度处理后N帧图像为I1,…,IN，且灰度处理后的每一帧图像的分辨率为a×b，Ii∈Ra×b,i＝1,…,N，Ra×b表示大小为a×b的实数空间；S12、将灰度处理后的每一帧图像依次向量化，依据向量化的每一帧图像构造观测矩阵D；其中，D＝[Vec(I1),...,Vec(IN)]∈RM×N；RM×N表示大小为M×N的实数空间；Vec(Ii)表示矢量化函数，Vec:Ra×b→RM×1,M＝ab。另一方面，本专利技术还提供一种监测视频图像中运动目标的装置，包括：观测矩阵构造单元，用于构造待处理的视本文档来自技高网...

【技术保护点】
一种监测视频图像中运动目标的方法，其特征在于，包括：S1、构造待处理的视频图像的观测矩阵D；S2、依据鲁棒主分量分析理论、预先定义的加权核范数、结构稀疏范数和所述观测矩阵D，获取低秩矩阵和稀疏矩阵；所述低秩矩阵的每一列的元素是由观测矩阵D中相应帧的背景图像向量化得到的，所述稀疏矩阵的每一列的元素是由观测矩阵D中相应帧的前景运动目标图像向量化得到的；S3、分别对低秩矩阵和稀疏矩阵进行向量转矩阵运算，得到背景图像帧序列和前景运动目标图像帧序列。

【技术特征摘要】
1.一种监测视频图像中运动目标的方法，其特征在于，包括：S1、构造待处理的视频图像的观测矩阵D；S2、依据鲁棒主分量分析理论、预先定义的加权核范数、结构稀疏范数和所述观测矩阵D，获取低秩矩阵和稀疏矩阵；所述低秩矩阵的每一列的元素是由观测矩阵D中相应帧的背景图像向量化得到的，所述稀疏矩阵的每一列的元素是由观测矩阵D中相应帧的前景运动目标图像向量化得到的；S3、分别对低秩矩阵和稀疏矩阵进行向量转矩阵运算，得到背景图像帧序列和前景运动目标图像帧序列。2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：S21、依据鲁棒主分量分析理论，建立代价函数：其中，L∈RM×N为待确定的低秩矩阵，S∈RM×N为待确定的稀疏矩阵，rank(·)表示矩阵的秩函数，λ为平衡因子，||·||0表示l0范数；D＝L+S为约束条件；S22、定义低秩矩阵L的加权核范数定义矩阵S的结构稀疏范数其中，w＝[w1,…,wn],0≤w1≤…≤wn,σ1(L)≥…σn(L)＞0,σi(L)代表矩阵L的第i个奇异值；在矩阵S中，第j列sj由第j帧的前景运动目标图像Fj∈Ra×b向量化而得到，sj∈RM是一个M维的向量，sj中向量元素的序号称为像素序号，所有像素序号构成的集合记为Θ＝{1,2,…,M}；定义的e×e的滑动窗口逐行逐列滑过矩阵Fj时，滑动窗口的一个位置所覆盖的像素记为其中g是所覆盖像素的序号所构成的集合，它是集合Θ一个子集，不同位置的滑动窗口所对应的g构成一个集合记为G，||·||∞表示l∞范数；S23、将子步骤S22中的加权核范数||L||w,*替换公式一中的rank(L)，用结构稀疏范数Υ(S)替换公式一中的||S||0，获得新的代价函数：3.根据权利要求2所述的方法，其特征在于，所述步骤S2还包括：S24、采用增广拉格朗日乘子式处理所述公式二，得到公式三；其中，Y∈RM×N表示拉格朗日乘子矩阵，μ＞0表示惩罚因子，<·,·>表示内积运算，||·||F表示Frobenius范数；S25、通过循环迭代的方式对公式三进行最小化，获得L、S及Y。4.根据权利要求3所述的方法，其特征在于，子步骤S25包括：初始化参数μ0＞0,ρ＞1,θ＞0,k＝0,L0＝D,Y0＝0；通过循环迭代的方式对公式三进行最小化，此时，Lk+1、Sk+1、Yk+1表示如下：公式四的Lk+1算式中GL＝D-Sk+Yk/μk，则Lk+1通过下述公式五确定；判断是否成立，成立则终止迭代，记此时的k+1＝q,则迭代得...

【专利技术属性】
技术研发人员：张延良，李兴旺，李赓，卢冰，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南,41