雨雪天气条件下的运动目标检测方法技术

本发明专利技术是一种雨雪天气条件下的运动目标检测方法。该方法在监控区域架设视频采集设备，对采集到的视频数据逐帧处理。雨雪天气条件下的目标检测由于环境复杂很难检测出高精度的真实的前景，针对这一问题，利用RPCA这一工具，在低秩稀疏分解框架下，使用核范数的强低秩性对背景进行建模，利用收敛凸优化算法的三维全变分范数正则化结合

Moving target detection method in rainy and snowy weather

【技术实现步骤摘要】
雨雪天气条件下的运动目标检测方法
本专利技术涉及计算机视觉与视频图像处理
，特别涉及一种针对雨雪天气影响下的视频运动目标检测方法。
技术介绍
在视频监控系统中，运动目标的检测是识别视频数据中有用信息的重要任务，如入侵检测、边缘对象、交通数据采集等，实时环境中的目标检测具有重要的应用价值。在自然环境采集的视频，环境相对复杂，包括动态背景、光照变化、遮挡、相机抖动等影响，这些都会降低视频的质量，但这些问题现已有较好的解决方法。然而在恶劣天气下的运动目标检测仍然是一个难题，尤其是雨雪天气条件下。背景差分法是经典的运动目标检测算法之一，其核心是利用当前图像与背景图像的差分来检测运动目标，但背景差分法只有在静态相机、恒定光照和静态背景下背景差分法效果良好。近年来，鲁棒主成分分析(RPCA)在计算机视觉的许多研究中得到了广泛的应用。然而，它只能在静态背景下工作，现实场景的背景在本质上并不总是静态的，物体的运动也不均匀。为了克服RPCA中存在的不足，国内外学者进行了大量的研究。提出了一种低秩表示的连续目标检测(DECOLOR)算法，基于RPCA模板，利用正则化非凸l0范数和马尔可夫随机域(MRF)提取运动目标和背景，该方法比RPCA具有更好的结果，但该方法只能检测靠近移动对象的区域。经过进一步研究提出了一种全变分正则化RPCA算法(TVRPCA)，将空间和时间连续引入到原始RPCA中，处理动态背景和长期或缓慢移动的对象。然而，只有当动态自然背景比具有平滑边界和轨迹的运动前景更稀疏时，这种方法才有效。虽然应用RPCA模型在目标检测上取得了很多成果，但大多数算法分别将背景和前景估计为低秩和稀疏分量，这些算法没有同时利用背景和前景的结构特性，显然在恶劣天气这种极端天气下是不够有效的。恶劣天气条件下的运动目标检测主要面临很多挑战，比如整个视频中都有不规律飘动的雪花，这些背景噪声都会干扰目标的检测；户外拍摄的镜头由于天气的原因可能会结冰或雨水而影响拍摄镜头；雪天背景亮度较大，运动目标在背景表面投射弱阴影而不清晰；长时间在户外运动的目标，表面被雪花覆盖，获取的目标产生大量空洞。这些问题给高精度的运动目标检测带来了挑战。单纯的依靠RPCA模型已经不能解决前景空洞等问题，本方法利用RPCA这一工具，在低秩稀疏分解框架下，通过采用收敛凸优化算法的三维全变分(TV)范数正则化，结合l1正则化对前景目标的时空平滑性和噪声(即雪花或雨夹雪)的稀疏性进行建模，检测出完整且边缘完好的运动目标。
技术实现思路
本专利技术要解决的技术问题是，现有技术对雨雪天气视频图像的检测准确度不高，雨雪天气下视频图像受到天气条件的影响很大，使得精确检测出视频目标十分困难。本专利技术的技术方案为：一种针对雨雪天气条件下的运动目标检测方法，将输入的监控视频读入，并将每一帧图片灰度化并保存。首先将视频序列中的每一帧排列为一个列向量，所有的视频帧组成的矩阵对应的就是二维观测数据矩阵，然后利用RPCA这一工具，在低秩稀疏分解框架下，使用核范数的强低秩性对背景进行建模，利用三维全变分正则化结合l1正则化对前景目标的时空平滑性和噪声(动态分量)的稀疏性进行约束，从而弥补现有RPCA模型的不足。针对所提出的模型，采用交替迭代乘子法的思想，利用增广拉格朗日乘子法对目标函数进行优化求解，实现精确地的目标检测。本专利技术具体步骤如下：1)将输入的监控视频读入，并将每一帧图片灰度化并保存，并保存为V∈RM×N×P，其中p是帧数，M和N分别是高度和宽度。然后将视频序列中的每一帧排列为一个列向量，所有的视频帧组成的矩阵对应的就是二维观测数据矩阵O∈RMN×P，这就将三维视频转换到了二维空间上，利用RPCA方法将观测数据矩阵O分成背景部分L∈RMN×P和前景部分S∈RMN×P。2)本专利技术主要考虑雨雪天气条件下的目标检测情况，所以天空中飘舞的雪花或雨夹雪可以看成是前景部分的噪声干扰，因此可以将前景S分为噪声部分E∈RMM×P和运动目标F∈RMM×P。3)使用核范数的强低秩性对背景进行建模，动态分量看作是平滑视频前景和稀疏噪声沿时空域的叠加，利用通过采用收敛凸优化算法的三维全变分(TV)范数正则化，结合l1正则化对前景目标的时空平滑性和噪声(即雪花或雨夹雪)的稀疏性进行建模；4)将建立的目标检测模型写成增广拉格朗日形式。5)采用交替迭代法，将其它变量设为常数，同时求出一个变量的最小值，从而得到近似解，F的最优解就是检测出的运动目标。进一步的，步骤1)中所述的观测数据矩阵O分成两部分可描述为：O＝L+S进一步的，步骤2)中的模型可以描述为：S＝E+F进一步的，步骤3)中利用RPCA这一工具，将核范数，l1范数和TV范数正则化运用到低秩稀疏分解框架下后的模型可以描述为s.t.O＝L+S,S＝E+F由于rank(.)和l0都是非凸,这是一个NP难问题,用核范数和l1范数来代替从而可以得到本专利技术用于目标检测的模型：s.t.O＝L+S,rank(L)≤r,S＝E+F步骤4)中利用增广拉格朗日乘子法对目标函数进行优化求解的模型为：其中，μ是正惩罚参数，X,Y∈RMN×P是拉格朗日乘子，<.,.>表示矩阵内积，是弗洛内尼斯范数。步骤5)中通过采用交替迭代的思想，利用交替方向法(ADMM)，将其它变量设为常数，同时求出一个变量的最小值，从而得到近似解；求解背景部分LK+1：其中U∑V是O-Sk-Xk/μk的奇异值分解(SVD)，S[.]代表收缩算子。μk为单调递增正序列。求解稀疏前景部分SK+1：其中，S[.]代表收缩算子。求解噪声干扰部分EK+1：求解目标前景部分FK+1：更新Xk+1：Xk+1＝Xk+μk(O-Lk+1-Sk+1)，更新Yk+1：Yk+1＝Yk+μk(Sk+1-Ek+1-Fk+1)。步骤4)中逐步更新相应量，当收敛条件满足停止迭代更新，输出最优解FK+1，即检测出的最佳运动目标。有益效果：由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：第一：本专利技术利用RPCA这一工具，使用核范数的强低秩性对背景进行建模，其次，进一步细化RPCA中的动态分量，利用通过采用收敛凸优化算法的三维全变分(TV)范数正则化，结合l1正则化对前景目标的时空平滑性和噪声(即雪花或雨夹雪)的稀疏性进行建模，能有效检测小目标和被雪覆盖的目标，对于动态噪声的抑本专利技术抗噪性能好，能较好适应恶劣天气的挑战。第二：本专利技术采用交替迭代的思想，利用增广拉格朗日乘子法对目标函数进行优化求解，模型求解过程中相关计算量小，且均可采用交替迭代的思想，处理效率高，能满足雨雪天气条件下高精度处理视频监控的需求。附图说明图1为本专利技术方法的流程框图。图2为本专利技术算法与相关算法实施效果。具体实施方式本专利技术涉及一种雨雪天气条件下的运动目标检测方法，本文档来自技高网...

【技术保护点】
1.一种应对雨雪天气影响的运动目标检测方法，其特征在于，基于运动目标在时间和空间上的连续性和背景在时间上的相关性，利用RPCA在低秩稀疏分解框架下，使用核范数的强低秩性对背景进行建模，并进一步细化RPCA中的动态分量，将其看作是平滑视频前景和稀疏噪声沿时空域的叠加，利用三维全变分正则化结合l

【技术特征摘要】
1.一种应对雨雪天气影响的运动目标检测方法，其特征在于，基于运动目标在时间和空间上的连续性和背景在时间上的相关性，利用RPCA在低秩稀疏分解框架下，使用核范数的强低秩性对背景进行建模，并进一步细化RPCA中的动态分量，将其看作是平滑视频前景和稀疏噪声沿时空域的叠加，利用三维全变分正则化结合l1正则化对前景目标的时空平滑性和噪声的稀疏性进行建模，针对所提出的模型，采用交替迭代的思想，利用增广拉格朗日乘子法对目标函数进行优化求解，实现雨雪天气条件下的目标检测。


2.根据权利要求1所述的一种应对雨雪天气影响的运动目标检测方法，其特征是，具体步骤如下：
1)将输入的监控视频读入，且将每一帧图片灰度化，并保存为V∈RM×N×P，其中p是帧数，M和N分别是高度和宽度，首先将视频序列中的每一帧排列为一个列向量，所有的视频帧组成的矩阵对应的就是二维观测数据矩阵O∈RMN×P，从而实现将三维视频转换到了二维空间上，并利用RPCA方法将观测数据矩阵O分成背景部分L∈RMN×P和前景部分S∈RMN×P；
2)将天空中飘舞的雪花或雨夹雪看成是前景部分的噪声干扰，并将前景S分为噪声部分E∈RMM×P和运动目标F∈RMM×P，表示为S＝E+F；
3)利用RPCA在低秩稀疏分解框架下，使用核范数的强低秩性对背景进行建模，利用三维全变分正则化结合l1正则化对前景目标的时空平滑性和噪声的稀疏性进行约束，然后构造建立新的模型；
4)将建立的目标检测模型写成增广拉格朗日形式；
5)采用交替迭代法，将其它变量设为常数，同时求出一个变量的最小值，从而得到近似解，F的最优解就是检测出的运动目标。


3.根据权利要求2所述的一种针对雨雪天气的运动目标检测方法，其特征是，将步骤1)中所述的观测数据矩阵O分成两部分描述为：
O＝L+S(1)。

<...

【专利技术属性】
技术研发人员：喻丁玲，杨国亮，林剑彬，王杨，喻向琴，
申请(专利权)人：喻丁玲，
类型：发明
国别省市：江西;36