【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...
【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。