动态背景下基于低秩及稀疏分解的动目标检测方法技术

本发明专利技术属于计算机视觉领域，涉及动态背景下基于低秩及稀疏分解的动目标检测方法，该方法首先引入伽马范数(γ‑norm)近乎无偏地逼近秩函数以解决核范数过度惩罚较大奇异值导致所得最小化问题无法获得最优解进而降低检测性能的问题，利用L1/2范数抽取稀疏前景目标以增强对噪声的稳健性。基于虚警像素具有稀疏且空间不连续特性提出空间连续性约束以抑制动态背景像素，进而构建目标检测模型。利用基于交替方向最小化策略扩展的增广拉格朗日乘子法对所得优化问题求解。本发明专利技术显著改善动态背景情况下动目标检测精度。

【技术实现步骤摘要】
动态背景下基于低秩及稀疏分解的动目标检测方法
本专利技术属于计算机视觉领域，涉及动态背景下基于低秩及稀疏分解的动目标检测方法。
技术介绍
动目标检测是计算机视觉领域极具活力的研究方向之一，在交通监控，车流量检测，增强现实等方面具有广泛应用。作为自动视频分析的第一步，动目标检测旨在确定和分割感兴趣目标，据此为后续目标追踪和行为识别提供依据。近年来，众多基于视频的动目标检测方法相继被提出，相关算法大致可分为以下三类：帧差法，光流法和背景减除(backgroundsubtraction，BS)法。其中，帧差法快速简单，但其仅在相邻帧间比较动目标与背景差异导致无法提取完整目标区域。光流法依据视频序列时空梯度估算运动场，无需场景任何先验信息，然而需计算整幅图像光流信息，因而计算开销较大，通常无法满足实时性需求。BS法作为动目标检测常用方法，其将建模所得背景模板和视频帧对比，把变化部分视为运动目标。BS法关键在于背景模型构建，其中传统中值模型、均值模型和单高斯模型等构建方法虽较为简单，但存在大量环境噪声或运动背景时目标检测效果不甚理想。针对此问题，Stauffer等提出高斯混合(mixtureofGaussian，MoG)模型，该模型未将所有像素建模为特定分布，而利用MoG对逐个像素建模，因而可获得相对稳定且精确的模型，然而由于模型参数固定导致其难以适应场景变化。针对此缺点，Zivkovic提出一种改进自适应高斯混合模型，各像素MoG参数及数量均自适应场景变化，但建模时间较长，不利于实时处理。针对此问题，Candès等提出稳健主分量分析(robustprincipalcomponentanalysis，RPCA)模型，将观测矩阵分解为低秩与稀疏矩阵，分别对背景和前景建模，而后利用主分量追踪(principalcomponentpursuit，PCP)方法求解该问题。由于RPCA模型不存在参数更新问题，因而可显著改善目标检测实时性能，然而其未考虑观测噪声影响，使得噪声环境下动目标检测精度显著下降。基于此，Ding等提出贝叶斯稳健主分量分析(Bayesianrobustprincipalcomponentanalysis，BRPCA)模型，将观测矩阵表示为低秩矩阵、稀疏矩阵和噪声矩阵的叠加，同时引入贝叶斯方法以增强模型对噪声的稳健性。然而，实际场景中，当观测矩阵出现数据丢失时，该模型所使用的L2损失项将导致检测性能下降。针对此问题，Wang等提出稳健矩阵分解的概率(probabilisticrobustmatrixfactorization，PRMF)方法，基于L1损失项及L2正则项以改善数据丢失情况下矩阵分解的稳健性。然而，由于其未能利用前景像素空间分布特性从而导致算法虚警率较高，进而使得动态背景下动目标检测性能较低。针对此问题，Zhou等提出低秩表示检测连续前景(detectingcontiguousoutliersinthelow-rankrepresentation，DECOLOR)方法，利用视频序列中稀疏前景聚类特性解决动态背景下PRMF方法动目标检测性能不佳问题，然而由于该模型的贪婪特性，强运动背景场景下动目标周围部分背景像素被分类为前景，从而导致动目标检测精度显著降低。
技术实现思路
针对背景运动引起动目标检测精度显著下降的问题，本专利技术提出动态背景下基于低秩及稀疏分解的动目标检测方法。实现本专利技术的基本思路是，基于RPCA检测模型，首先引入γ范数近似矩阵秩函数以解决核范数过度惩罚较大奇异值导致有偏估计，致使最小化问题无法获得最优解进而降低动目标检测性能的问题；而后针对L1范数孤立处理各元素未充分使用前景像素空域先验信息导致检测性能不佳的问题，本专利技术利用L1/2范数对前景进行稀疏约束以抑制动态背景引起的虚警现象；进而，基于虚警像素的稀疏及空间不连续特性，对前景施加空间连续性约束；最后，利用基于交替方向最小化(ADM)策略扩展的增广拉格朗日乘子(ALM)法求解所得模型。本专利技术解决其技术问题的步骤是：步骤1：RPCA检测模型设存在图像序列其中m为图像高度，n为图像宽度，s为帧数。将该图像序列重构为则动目标检测可建模为如下RPCA问题：其中，分别为低秩背景和稀疏前景矩阵，||·||*表示核范数，||·||1为L1范数，λ为权衡低秩和稀疏度的正则因子。尽管RPCA模型在某些简单场景下可较好实现动目标检测，但当真实视频序列中前景受到噪声和动态背景影响时该模型很难精确抽取前景目标。使用CDnet-2014数据集中包含动态背景的Fountain01和Canoe视频序列验证RPCA模型在背景运动情况下的动目标检测性能，其中RPCA模型参数均使用Candès等提出模型的默认值。动态背景下利用RPCA模型进行动目标检测结果如图2所示。由图2可知，RPCA模型无法完整检测动目标，且前景中充斥大量动态背景像素，因而动目标检测性能较差。主要原因在于核范数为有偏估计，用其近似矩阵秩函数会过度惩罚矩阵较大奇异值，从而导致核范数最小化问题无法获得最优解进而降低动目标检测性能。针对此问题，本专利技术采用非凸γ范数代替核范数以获得秩函数近乎无偏估计从而使得所得最小化问题获得最优解，进而改善动目标检测性能。此外，L1范数单独处理各元素未考虑前景像素之间空域先验信息，使其难以在动态背景中取得较好效果。相较于L1范数，L1/2范数可抽取更加稀疏前景矩阵，因此由动态背景造成的虚警率更低。同时，根据虚警像素稀疏且空域不连续特性，对前景施加空间连续性约束可较好抑制动态背景像素的影响。综上所述，本专利技术提出基于γ和L1/2范数空间连续性正则化低秩近似(γ-norm&L1/2-normandSpatialContinuityregularizedLow-Rankapproximation，SCLR-γ&L1/2)动目标检测方法以改善动态背景下目标检测精度。步骤2：基于SCLR-γ&L1/2的目标检测方法(1)γ范数由于核范数会过度惩罚大奇异值，从而导致有偏估计，而非凸MCP(MinmaxConcavePlus)函数可近似无偏估计矩阵秩函数，因而作为MCP矩阵扩展形式的γ范数在秩最小化问题中可获得更好近似解。给定向量λ＞0，γ＞1，则MCP函数可定义如下：其中，其中，(z)+＝max{z,0}。基于式(2)，给定矩阵其矩阵MCP范数可定义为：设矩阵A奇异值分解可表示为A＝U∑VT，其中，U＝[u1,u2,…,un]，V＝[v1,v2,…,vn]，∑＝diag(σ1,σ2,…,σn)，且σ1≥σ2≥…≥σn≥0，σi(A)表示A的第i个奇异值，令σ(A)＝(σ1(A),…,σr(A))T，r＝min{m,n}。为便于后续表述，定义Ωγ(t)＝Ω1,γ(t)，Mγ(A)＝M1,γ(A)，则矩阵A的γ范数可定义如下：(2)L1/2范数处理图像时为得到更加稀疏近似解，近年来许多研究将L1范数正则化扩展至Lq范数(0＜q＜1)。Lq正则化问题中，由于q≤1时矩阵稀疏特性较为明显，因而其相较于q＞1更适用于低秩模型。此外，当时，q值越小，Lq正则化解越稀疏；当时，Lq正则化解稀疏性无显著差异。由此可知，L1/2范数相较于L1范数具有较好稀疏特性。假本文档来自技高网...

【技术保护点】
1.动态背景下基于低秩及稀疏分解的动目标检测方法，其特征在于，该方法包括如下步骤：步骤1：RPCA检测模型设存在图像序列

【技术特征摘要】
1.动态背景下基于低秩及稀疏分解的动目标检测方法，其特征在于，该方法包括如下步骤：步骤1：RPCA检测模型设存在图像序列其中m为图像高度，n为图像宽度，s为帧数，将该图像序列重构为则动目标检测可建模为如下RPCA问题：其中，分别为低秩背景和稀疏前景矩阵，||·||*表示核范数，||·||1为L1范数，λ为权衡低秩和稀疏度的正则因子，采用非凸γ范数代替核范数以获得秩函数近乎无偏估计从而使得所得最小化问题获得最优解，进而改善动目标检测性能，此外，L1范数单独处理各元素未考虑前景像素之间空域先验信息，使其难以在动态背景中取得较好效果，相较于L1范数，L1/2范数可抽取更加稀疏前景矩阵，因此由动态背景造成的虚警率更低，同时，根据虚警像素稀疏且空域不连续特性，对前景施加空间连续性约束可较好抑制动态背景像素的影响，基于γ和L1/2范数空间连续性正则化低秩近似(γ-norm&L1/2-normandSpatialContinuityregularizedLow-Rankapproximation，SCLR-γ&L1/2)动目标检测方法以改善动态背景下目标检测精度；步骤2：基于SCLR-γ&L1/2的目标检测方法(1)γ范数由于核范数会过度惩罚大奇异值，从而导致有偏估计，而非凸MCP(MinmaxConcavePlus)函数可近似无偏估计矩阵秩函数，因而作为MCP矩阵扩展形式的γ范数在秩最小化问题中可获得更好近似解，给定向量λ＞0，γ＞1，则MCP函数可定义如下：其中，其中，(z)+＝max{z,0}，基于式(2)，给定矩阵其矩阵MCP范数可定义为：设矩阵A奇异值分解可表示为A＝U∑VT，其中，U＝[u1,u2,…,un]，V＝[v1,v2,…,vn]，∑＝diag(σ1,σ2,…,σn)，且σ1≥σ2≥…≥σn≥0，σi(A)表示A的第i个奇异值，令σ(A)＝(σ1(A),…,σr(A))T，r＝min{m,n}，为便于后续表述，定义Ωγ(t)＝Ω1,γ(t)，Mγ(A)＝M1,γ(A)，则矩阵A的γ范数可定义如下：(2)L1/2范数为得到更加稀疏近似解，将L1范数正则化扩展至Lq范数(0＜q＜1)，Lq正则化问题中，由于q≤1时矩阵稀疏特性较为明显，因而其相较于q＞1更适用于低秩模型，此外，当时，q值越小，Lq正则化所得解越稀疏；当时，Lq正则化解稀疏性无明显差异，由此可知，L1/2相较于L1范数具有较好稀疏特性，假设矩阵A划分为{A1,A2,…,As}，则L1/2范数可定义为：(3)空间连续性约束现实场景中动态背景不可避免，RPCA模型未利用稀疏前景像素间空间先验信息，因而所得前景矩阵K包含前景像素及动态背景像素，前景矩阵K中由动态背景造成的虚警像素虽具有稀疏性但通常并不具有空域连续性，对前景施加空间连续性约束以抑制动态背景像素可使所得前景更加完整平滑，进而降低检测虚警率，设前景矩阵由视频序列{K1,K2,…,Ks}构成，其中为第k帧，则空间连续性约束可表示如下：其中，||Kk||SC为第k帧所有像素值之和，即：其中，分别定义为图像水平和垂直方向上的操作：其中，Kk(i,j)为第k帧图像i行j列位置的像素值；(4)构建SCLR-γ&L1/2动目标检测模型动目标检测模型：其中，为矩阵K的L1/2正则化，||·||2为欧式范数，Φ(K)为空间连续性约束，已在式(7)中定义，参数λ1用于权衡前景稀疏性，参数λ2用于控制空间连续性约束的强度；(5)所提模型求解采...

【专利技术属性】
技术研发人员：王洪雁，张海坤，伊林，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁,21