【技术实现步骤摘要】
复杂动态背景下基于群稀疏的运动目标检测方法
本专利技术属于计算机视觉领域,涉及一种复杂动态背景下基于群稀疏的动目标检测方法。
技术介绍
在作为当前计算机视觉领域研究的热点,运动目标检测(MovingObjectDetection,MOD)问题,在智能家居,交通监控及安防等领域发挥着举足轻重的作用。近年来,众多运动目标检测算法相继被提出,极大提升了此领域理论建模及工程应用水准。然而,由于现实场景中不可避免存在相机抖动、视频噪声、阴影及动态背景等复杂因素,高精度且鲁棒的运动目标检测仍较为困难。背景减除(BackgroundSubtraction,BS)法作为传统的运动目标检测算法,其通常假设背景静止,通过构建背景模板并将当前帧与该模板比较以检测动目标。在众多背景减除算法中,鲁棒主分量分析(RobustPrincipalComponentAnalysis,RPCA)法将视频矩阵视为背景矩阵与前景矩阵的叠加,并对二者分别使用低秩及稀疏约束,通过增广拉格朗日乘子(AugmentedLagrangeMultipliers,ALM)法求解该模型以实现动目标检测。但由于RPCA未考虑观测噪声影响,因而动态背景下该模型检测精度显著下降。针对此问题,ZhouT等提出“去分解”(GoDecomposition,GoDec)模型,在RPCA基础上引入噪声项以增强模型对噪声的鲁棒性,然而该模型使用的L2损失项在观测矩阵存在数据缺失条件下将导致检测性能较差。据此,Wang等提出概率鲁棒矩阵分解(ProbabilisticRobustMa ...
【技术保护点】
1.一种复杂动态背景下基于群稀疏的运动目标检测方法,其特征在于,/n包括如下步骤/nS1.将视频序列D分解为低秩静态背景A,群稀疏前景E
【技术特征摘要】
1.一种复杂动态背景下基于群稀疏的运动目标检测方法,其特征在于,
包括如下步骤
S1.将视频序列D分解为低秩静态背景A,群稀疏前景E1及动态背景E2;
S2.通过非凸γ范数估计矩阵秩函数约束低秩静态背景矩阵A,通过群稀疏范数约束前景E1,通过引入非相干项以增强群稀疏前景E1及动态背景E2的可分离性,确定运动目标检测模型;
S3.通过交替方向乘子方法求解所得非凸目标函数,更新低秩静态背景A,群稀疏前景E1及动态背景E2并输出。
2.如权利要求1所述的复杂动态背景下基于群稀疏的运动目标检测方法,其特征在于,
步骤S2所述的运动目标检测模型:
其中:
为观测视频矩阵,M为单帧图像中像素总数,N为视频序列帧数,为单帧视频图像,为静态背景矩阵,为前景矩阵,为动态背景矩阵,λ1,λ2和λ3为正则因子;
||A||γ为关于静态背景矩阵的低秩约束;
||E1||Group=card{i|||E1(gi)||2≠0,gi∈G}为前景矩阵群稀疏范数约束,i表示第i个坐标集合序号,card{·}为集合中非零元素个数,||·||2为L2范数,E1(gi)表示坐标集合gi对应E1中像素值重新排列形成的向量,少数项同性区域E1(gi)非零,G为整个视频或图像序列的同性区域信息;
为动态背景矩阵E2的Frobenius范数约束;
为非相干项,E1r和E2r分别定义为E1和E2的第r列。
3.如权利要求2所述的复杂动态背景下基于群稀疏的运动目标检测方法,其特征在于,
静态背景矩阵的低秩约束||A||γ的确定方法:
给定向量p为向量中元素个数,(·)T表示转置,λ>0,γ>1,MCP函数定义为其中
(z)+=max{z,0};
给定矩阵m和n分别为矩阵A的行数和列数,其MCP范数定义为
设矩阵A奇异值分解表示为
A=UA∑AVAT
其中,UA=[u1u2…un]为A的左奇异向量矩阵,VA=[v1v2…vn]为A的右奇异向量矩阵,∑A=diag(σ1σ2…σn)为对角矩阵,其对角线上的元素称为矩阵A的奇异值,且σ1≥σ2≥…≥σn≥0,n为奇异值个数,σi(A)表示A的第i个奇异值,令σ(A)=(σ1(A)σ2(A)…σr(A))T表示A的奇异值形成的向量,r=min{m,n};
定义Ωγ(t)=Ω1,γ(t),Mγ(A)=M1,γ(A),则矩阵A的γ范数定义为:
4.如权利要求2所述的复杂动态背景下基于群稀疏的运动目标检测方法,其特征在于,
使用SLIC算法过分割每帧图像以生成若干超像素,且所得超像素可被视为同性区域,由于SLIC算法并未施加超像素间连续性约束,若图像中运动目标某个区域内像素显著不同时,则该区域被分割为多个超像素,同一超像素内的像素倾向属于相同类别;
定义gi为生成的第i个超像素内所有像素坐标集合,则整个视频或图像序列的同性区域信息可表示为:
G={gi|1≤i≤J}(4)
其中,J为生成的同性区域总...
【专利技术属性】
技术研发人员:王洪雁,张海坤,张鼎卓,汪祖民,
申请(专利权)人:浙江理工大学,
类型:发明
国别省市:浙江;33
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。