【技术实现步骤摘要】
基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法
一种基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法，用于动态背景去除，属于视频图像背景去除领域。
技术介绍
低秩稀疏矩阵分解(Lowrankandsparsematrixdecomposition)属于统计建模的技术，也就是子空间学习算法。低秩稀疏矩阵分解是当前视频背景建模的主要技术之一，它是将运动目标从背景中分割出来的一种方法，通过一定的优化过程，精确获取由一组观测帧构成的观测矩阵的低秩稀疏表示。其中，低秩表示视频中的相关部分，即背景信息，而稀疏表示包含与背景相关的离群值，即运动目标。低秩子空间学习模型对视频结构的考虑较好，是目前在一般监控视频上进行此任务的先进的模型之一。低秩矩阵分解方法在视频中隐式地假设了稳定的背景，这些背景具有低秩结构。现有用于视频背景模型的子空间学习技术有主成分分析(PCA)，独立成分分析(ICA)，矩阵分解(MF)等。在1999年，Oliver最早提出了是最早采用主成分分析法PCA对背景进行建模，之后该类方法不断涌现，其中具有代表性的有：主成分追踪(PCP)，GODEC和DEC...
【技术保护点】
1.一种基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法，其特征在于，包括如下步骤：步骤1：输入视频序列，并对视频序列中的各图像进行灰度化预处理，其中，视频序列即指运动视频图像序列；步骤2：基于Surf匹配算法，将灰度化预处理后的视频序列中的相邻两帧图像进行特征点匹配，得到特征匹配点；步骤3：基于特征匹配点，计算相邻两帧图像特征匹配点的欧式距离，再根据聚类方法确定前景速度与背景速度；同时基于特征匹配点，确定投影算子并根据投影算子进行透射变换模拟相机的运动过程，得到处理后的视频图像序列；步骤4：基于确定的前景速度与背景速度，将处理后的视频图像序列中的各图像进行在线的低秩稀...
【技术特征摘要】
1.一种基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法，其特征在于，包括如下步骤：步骤1：输入视频序列，并对视频序列中的各图像进行灰度化预处理，其中，视频序列即指运动视频图像序列；步骤2：基于Surf匹配算法，将灰度化预处理后的视频序列中的相邻两帧图像进行特征点匹配，得到特征匹配点；步骤3：基于特征匹配点，计算相邻两帧图像特征匹配点的欧式距离，再根据聚类方法确定前景速度与背景速度；同时基于特征匹配点，确定投影算子并根据投影算子进行透射变换模拟相机的运动过程，得到处理后的视频图像序列；步骤4：基于确定的前景速度与背景速度，将处理后的视频图像序列中的各图像进行在线的低秩稀疏矩阵分解，分解后运用背景减法得到前景部分与背景部分，再对前景部分进行修正，最终得到背景图像序列和修正过后的前景图像序列；步骤5：基于背景图像序列和修正后的前景图像序列，根据透射逆变换重构原视频序列，得到与视频序列中的图像大小相同的前景图像序列与背景图像序列。2.根据权利要求1所述的一种基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法，其特征在于，所述步骤1的具体步骤为：步骤1.1：获取原始视频序列中的各图像S∈Rm×n×l，其中m为各图像矩阵的行数，n为各图像的列数，l为视频序列的帧数；步骤1.2：将各图像的RGB空间进行灰度化处理，得到灰度图像序列I，即灰度化预处理后的视频序列。3.根据权利要求1或2所述的一种基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法，其特征在于，所述步骤2的具体步骤为：运用Surf匹配算法将灰度化预处理后的视频序列中的相邻两帧进行关联，找到对应匹配点，即得到特征匹配点。4.根据权利要求3所述的一种基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法，其特征在于，所述步骤3的具体步骤为：步骤3.1：利用相邻两帧的特征匹配点，计算对应特征匹配点的欧式距离；步骤3.2：利用特征匹配点的欧式距离进行聚类分析，将特征匹配点多的类的聚类中心作为背景速度，将匹配点少的类的聚类中心作为前景速度；步骤3.3：计算前景速度和背景速度的同时，利用相邻两帧的特征匹配点，计算投影算子T，即单应性矩阵；步骤3.4：利用单应性矩阵模拟出相机运动的运动模型，利用运动模型将灰度化预处理后的视频序列中的各图像进行透射变换，将不同方向的视图联系起来，得到透射变换修正的全景图像序列中的各图像以及观测矩阵W，其中m1为各全景图像矩阵的行数，n1为各全景图像矩...
【专利技术属性】
技术研发人员：冉啟锐，张靖，张希仁，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。