复杂动态背景下基于群稀疏的运动目标检测方法技术

复杂动态背景下基于群稀疏的运动目标检测方法，属于计算机视觉领域，为解决提高复杂动态背景下运动目标检测精度的问题，要点是所提方法将观测视频分解为低秩静态背景，群稀疏前景及动态背景三部分。所提方法首先使用伽马范数近乎无偏近似矩阵秩函数，其次，为利用前景目标边界先验信息以提升动目标检测性能，每一帧使用过分割算法生成同性区域以定义群稀疏范数并用于约束前景矩阵；再次，引入非相干项以提升二者可分性；最后，利用交替方向乘子方法(ADMM)求解所得非凸目标函数，效果是复杂动态背景下可较好抑制动态背景从而显著提高复杂运动背景下运动目标检测精度。

【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(ProbabilisticRobustMatrixFactorization，PRMF)模型，使用L1损失项和L2正则项以提高大尺度矩阵分解的鲁棒性，从而提高动目标检测精度。然而，由于未考虑到前景像素空间分布特性从而导致检测虚警率较高。基于此，Zhou等提出低秩表示检测连续异常值(DEtectingContiguousOutliersintheLOw-rankRepresentationDECOLOR)模型，该模型利用前景目标通常呈现弱聚类特性这一空间先验知识以降低虚警率，然而由于使用固定分布建模噪声，强运动背景下目标检测精度下降较为明显。针对此问题，Zhao等提出混合高斯-RPCA(MixtureofGaussians-RPCA，MoG-RPCA)模型，对噪声使用混合高斯而非特定分布建模以适应较复杂噪声，然而该模型存在超参数较多，建模较复杂等问题。
技术实现思路
为解决提高复杂动态背景下运动目标检测精度的问题，本专利技术提出如下技术方案：一种复杂动态背景下基于群稀疏的运动目标检测方法，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。进一步的，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。进一步的，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：进一步的，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数，同性区域集合G满足且可覆盖视频序列所有像素。进一步的，步骤S3的具体步骤包括：公式(5)的增广拉格朗日函数表述为：其中，为拉格朗日乘子，μ＞0为惩罚参数，||·||F为Frobenius范数。。设当前迭代次数为k，则：(1)估计低秩静态背景Ak+1：固定E1和E2，求解优化问题(7)以更新A其中，||·||γ为γ范数公式(7)被简化为：由于||A||γ关于σ(A)非凸，每次迭代基于||A||γ在σ(Aold)的局部线性逼近以近似求解，其中Aold为上次迭代值，优化问题等价为：其中，为给定Aold时的LLA。对任意τ≥0，γ＞1，为X的奇异值分解，令I为单位矩阵，则优化问题(10)的最优解如式(11)所示其中，Θτ,Λ(Y)为广义奇异值收缩算子，[Dτ,Λ(ΣY)]ij＝sgn((ΣY)ij)(|(ΣY)ij|-τΛij)+为广义收缩算子，ij表示矩阵第i行j列元素，sgn(·)为符号函数。问题(9)的最优解为：(2)估计群稀疏前景固定A，E2，求解以下优化问题以更新E1：问题(13)简化为：优化问题通过群硬阈值化算子求解：若给定矩阵M，[M]ij表示M第(i,j)个元素，其第i列表示为[M]:,i，则矩阵L0，L2,0，L1，L2,1范数分别定义为：||M||0＝{(i,j):[M]ij≠0}，||M||2,0＝{i:||[M]:,i||2≠0}，||M||1＝∑i,j|[M]ij|，||M||2本文档来自技高网...

【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