一种基于非凸运动辅助的目标检测方法技术

本发明专利技术公开了一种基于非凸运动辅助的目标检测方法，包括步骤1：将待处理的视频数据输入至已构建的低秩稀疏分解模型中；步骤2：采用交替方向乘子法对构建的低秩稀疏分解模型进行求解，得到输入视频数据中的运动目标；本发明专利技术采用非凸γ范数代替传统低秩稀疏分解模型中的秩函数近似表示视频背景的低秩部分，同时考虑到背景在变换域上仍然具有稀疏性的特性，采用l

An object detection method based on nonconvex motion assistance

【技术实现步骤摘要】
一种基于非凸运动辅助的目标检测方法
本专利技术属于计算机视觉领域，特别涉及一种基于非凸运动辅助的目标检测方法。
技术介绍
运动目标检测是计算机视觉等领域最重要和最具有挑战性的任务之一，其性能好坏直接影响目标跟踪、目标识别等后续处理。低秩稀疏分解(LowRankandSparseDecomposition,LRSD)又称为鲁棒主成分分析(RobustPrincipalComponentsAnalysis,RPCA)在计算机视觉等领域被广泛关注，尤其在运动目标检测上表现出巨大的潜力。为了准确地进行运动目标检测，实际场景中面临很多的难题，例如，光照变化、伪装物体以及树叶摇动、水面波纹、喷泉等，对目标的判断容易产生误差，提取的背景噪声大，对前景检测的准确度产生影响，最终导致运动目标检测不准确。背景建模是运动目标检测中的主流方法，许多背景建模方法例如Gaussian混合模型(GaussianMixtureModel,GMM)和可视背景提取(VisualBackgroundextractor,ViBe)等都是基于单个像素的，忽略了像素间的相关信息，在处理一些复杂场景时不能取得良好的前背景分离效果，导致运动目标检测效果较差。视频背景中帧与帧之间具有很强的相关性，若将视频背景的每一帧作为矩阵的一列，则满足低秩特性，可以将其看做低秩矩阵。而运动的前景只占整个视频很小的一部分，满足稀疏特性，可以将其看成稀疏矩阵。所以视频运动目标检测问题可以归结为矩阵的低秩稀疏分解问题，低秩部分可以较好地进行背景建模，稀疏部分可以较好地检测出前景运动目标，进而将视频分解为具有低秩特性的背景和稀疏特性的前景，从而同时完成视频的背景建模和前景检测。经典的低秩稀疏分解方法通常采用核范数(矩阵的奇异值之和)来近似秩函数，用l1范数来逼近稀疏度，此方法被称为主成分追踪(PrincipalComponentPursuit,PCP)法。传统的低秩稀疏分解问题是从一个具有稀疏误差的已知数据矩阵中恢复出低秩矩阵。该模型的如下：其中，L∈Rm×n是低秩矩阵，S∈Rm×n是稀疏矩阵，M∈Rm×n是已知的数据矩阵，rank(L)表示L的秩，||S||0表示S的l0范数，λ＞0是折中因子。上述模型是个NP难问题，一般很难求解，于是用核范数来逼近秩函数，用l1范数近似l0范数，则可以转化为如下的凸松弛问题进行求解：其中表示矩阵L的核范数，是矩阵L的所有奇异值之和，||·||1表示l1范数，即矩阵所有元素绝对值之和。该模型即是著名的PCP模型，可以在对背景进行建模的同时能够分离出前景目标，但只能对于简单场景下的视频数据可以很好的检测出运动目标。为了更有效进行视频运动目标检测，研究者对PCP模型加入运动辅助信息，即得到下述模型：此模型是运动辅助矩阵恢复(Motion-AssistedMatrixRestoration,MAMR)模型，其中||·||*表示矩阵的核范数，||·||1表示l1范数，W代表视频矩阵数据的运动信息，符号表示两个矩阵的对应元素相乘。这个模型考虑了视频帧之间的联系，用光流法获取运动信息形成一个运动辅助矩阵，比较视频帧和参考帧之间的运动信息，并通过给定的阈值重新选择新的参考帧，克服具有缓慢运动特性的视频帧，进一步的促进了前背景的分离。取得了较高的目标检测精度。但是用光流法获取运动信息的复杂度较高，从而导致算法运行时间较慢。此外，此模型仍然采用核范数逼近秩函数，是一个有偏估计，逼近程度不高。也有研究者采用截断核范数逼近秩函数，并且考虑背景在变换域的稀疏先验，提出如下模型：s.t.M＝L+SZ＝g(L)此模型是基于截断核范数和稀疏正则化的低秩稀疏分解(Low-RankandSparseDecompositionviatheTruncatedNuclearNormandaSparseRegularizer,LRSD-TNNS)模型，其中表示矩阵L的截断范数，r为矩阵L的秩，||·||1表示l1范数，λ1＞0，λ2＞0是折中因子，g(·)表示一个酉变换。此模型采用截断核范数(TruncatedNuclearNorm,TNN)和变换域的稀疏正则项表示背景先验，即用截断范数逼近表示背景部分的秩函数，并假设背景在变换域上具有稀疏性特性，该模型对较好的实现了简单场景的运动目标检，但截断核范数不稳定，在许多复杂场景下的运动目标检测效果并不理想。虽然核范数被广泛用于低秩稀疏分解中的秩函数逼近，但因其对所有的奇异值同等对待，不能很好的逼近秩函数，而且采用核范数逼近秩函数是一个有偏估计，从而导致复杂场景下的运动目标检测效果较差。此外，基于传统低秩稀疏分解的运动目标检测算法在进行目标检测时没有考虑到视频本身固有的属性和联系，没有进一步挖掘视频前背景的其他先验信息。
技术实现思路
本专利技术的目：本专利技术针对传统低秩稀疏分解用于视频运动目标检测时，检测精度较低的问题，提出一种基于非凸运动辅助低秩稀疏分解的目标检测算法，实现对秩函数的近似表达刻画更加准确，实现更好的运动目标检测。技术方案：一种基于非凸运动辅助的目标检测方法，包括以下步骤：步骤1：将待处理的视频数据输入至已构建的低秩稀疏分解模型中；步骤2：采用交替方向乘子法对低秩稀疏分解模型进行求解，得到输入视频数据中的运动目标。进一步的，所述低秩稀疏分解模型为基于非凸运动辅助的低秩稀疏分解模型，表达式如下：Z＝g(L)其中，Z＝g(L)为辅助变量，g(L)表示对背景矩阵L进行酉变换，||L||γ表示矩阵L的非凸γ范数，||S||1表示矩阵的l1范数，M∈Rm×n表示已知的数据矩阵，W∈Rm×n代表运动辅助信息矩阵，符号。表示两个矩阵的对应元素相乘，λ1＞0和λ2＞0是折中因子。进一步的，所述步骤2具体包括以下步骤：S21：给定ρ＞1、λ1＞0、λ2＞0、μ0＞0、M和W，初始点L0＝0、S0＝0、Y0＝0和P0＝0，迭代次数j＝0；ρ表示了迭代过程的加速因子，λ1，λ2表示折中因子，μ0表示初始的惩罚参数值，M∈Rm×n表示已知的数据矩阵，W∈Rm×n表示运动辅助信息矩阵，L0，S0分别代表了低秩矩阵L和稀疏矩阵S初始化的零矩阵，Y0，P0表示拉格朗日乘子初始化的零矩阵。。S22：更新变量Lj+1：Lj+1＝Udiag{σ*}VT式中，U，V分别表示了对矩阵的奇异值分解的左右正交矩阵，diag(·)表示创建对角矩阵，σ*表示了最优的奇异值，σ*由σk收敛得到：式中，表示f(·)在σk处的梯度，(·)+表示取正运算，σA表示矩阵A的奇异值，μj表示第j步的惩罚参数；S23：更新变量Sj+1：其中shrink(X,t)＝sign(X)max(abs(X)-t,0)表示软阈值算子，sign(·)表示符号函数，max(·)表示了元素的最大的值，abs(·)表示了元素的绝对值，M本文档来自技高网...

【技术保护点】
1.一种基于非凸运动辅助的目标检测方法，其特征在于：包括以下步骤：/n步骤1：将待处理的视频数据输入至已构建的低秩稀疏分解模型中；/n步骤2：采用交替方向乘子法对构建的低秩稀疏分解模型进行求解，得到输入视频数据中的运动目标。/n

【技术特征摘要】
20191009 CN 20191095207671.一种基于非凸运动辅助的目标检测方法，其特征在于：包括以下步骤：
步骤1：将待处理的视频数据输入至已构建的低秩稀疏分解模型中；
步骤2：采用交替方向乘子法对构建的低秩稀疏分解模型进行求解，得到输入视频数据中的运动目标。


2.根据权利要求1所述的一种基于非凸运动辅助的目标检测方法，其特征在于：所述低秩稀疏分解模型为基于非凸运动辅助的低秩稀疏分解模型，表达式如下：






Z＝g(L)
其中，Z＝g(L)为辅助变量，g(L)表示对背景矩阵L进行酉变换，||L||γ表示矩阵L的非凸γ范数，||S||1表示矩阵的l1范数，M∈Rm×n表示已知的数据矩阵，W∈Rm×n代表运动辅助信息矩阵，符号表示两个矩阵的对应元素相乘，λ1＞0和λ2＞0是折中因子。


3.根据权利要求2所述的一种基于非凸运动辅助的目标检测方法，其特征在于：所述步骤2具体包括以下步骤：
S21：给定ρ＞1、λ1＞0、λ2＞0、μ0＞0、M和W，初始点L0＝0、S0＝0、Y0＝0和P0＝0，迭代次数j＝0；ρ表示迭代过程的加速因子，λ1，λ2表示折中因子，μ0表示初始的惩罚参数值，M∈Rm×n表示已知的数据矩阵，W∈Rm×n表示运动辅助信息矩阵，L0，S0分别代表了低秩矩阵L和稀疏矩阵S的初始化的零矩阵，Y0，P0表示拉格朗日乘子初始化的零矩阵；
S22：更新变量Lj+1：
Lj+1＝Udiag{σ*}VT
式中，U，V分别表示了对矩阵的奇异值分解的左右正交矩阵，diag(·)表示创建对角矩阵，σ*表示了最优的奇异值，σ*由σk收敛得到：



式中，表示f(·)在σk处的梯度，(·)+表示取正运算，σA表示矩阵A的奇异值，μj表示第j步的惩罚参数；
S23：...

【专利技术属性】
技术研发人员：杨真真，乐俊，范露，许鹏飞，孙雪，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32