【技术实现步骤摘要】
缓变运动背景中运动目标检测方法
本专利技术涉及模式识别领域的运动目标检测
，具体为缓变运动背景中运动目标检测方法。
技术介绍
在计算机视觉和模式识识别领域中，运动目标检测是一个非常重要且活跃的研究方向，目前运动目标检测已广泛应用于许多领域，如工业监测、交通管制、机器人导航、行为识别和智能监控等。为了能够解决背景变化、光照变化、运动阴影干扰等问题，并且准确、实时、高效检测出摄像机中目标对象，相关研究学者进行了大量的算法模型研究与改进。早期由于压缩感知与稀疏表示理论的发展，稀疏表示和字典学习理论被应用于运动目标检测当中，并取得了一定的效果。Bilgazyev等人使用图像的稀疏表示方法提取出图像的结构特征，并实现了图像的有效稀疏表示[1]。而Liu等人提则出鲁棒稀疏表示模型，使用最小平方误差代替稀疏误差[2]。用稀疏逼近的方法来取代原始图像数据表示，能够从实质上降低存储要求，提高运算速度，从而降低处理成本，但是稀疏系数并没有时空上的关联。因此，Cong等人研究了基于基追踪算法的稀疏表示和字典学习方法，利用训练样本更新...
【技术保护点】
1.缓变运动背景中运动目标检测方法，其特征在于，包括以下步骤：/n步骤一：在摄像机视频中，每帧图像都可以分割为前景目标和背景两部分，假设摄像机视频分辨率为p×q，运动背景序列为B
【技术特征摘要】
1.缓变运动背景中运动目标检测方法，其特征在于，包括以下步骤：
步骤一：在摄像机视频中，每帧图像都可以分割为前景目标和背景两部分，假设摄像机视频分辨率为p×q，运动背景序列为B1,B2,…,Bk，图像序列为X1,X2,…,Xm，则当前视频图像可以表示为：
X＝B+E(1)
其中式中，B和E分别表示背景图像和运动目标图像；
步骤二：根据背景矩阵A与前景矩阵E分别具有低秩与稀疏的特性，可以将视频矩阵分解成为低秩矩阵和稀疏矩阵两部分，提出通过主元追求求解：
其中式中，λ为非负参数；||E||0为矩阵E的l0范数，即矩阵中非零元素的个数；rank(B)为矩阵B的秩函数，即矩阵非零奇异值的个数；
步骤三：由于步骤二中秩函数和l0范数是非凸的，上式所表示的矩阵分解为一个NP难问题，故需要在此基础上对模型进行修正，PCP方法用核范数来逼近矩阵的秩，用矩阵的l1范数来约束稀疏性，进而可以得到一个凸优化问题的求解模型：
其中式中，||B||*为矩阵B的核范数，即矩阵所有奇异值之和；||E||1为矩阵E的l1范数，即矩阵所有元素绝对值之和，通过求解此模型，可以分解出低秩背景矩阵B和稀疏前景矩阵E；
步骤四：对于视频序列中的目标检测，可以先利用训练样本得到初始的背景模型，然后再使用字典学习的方法对背景模型进行更新，因此构造最小化约束函数对背景进行初始建模：
其中式中，D为待训练的数据字典，通过K-SVD得到初始的训练字典，D(0)和背景图像B在D上分解的稀疏系数；
步骤五：在步骤四种得到初始的背景稀疏表示模型后，提取待检...
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。