基于半二次正则和平滑剪裁绝对偏差的运动目标检测方法技术

本发明专利技术公开了一种基于半二次正则和平滑剪裁绝对偏差的运动目标检测方法，基于基于半二次正则化函数和平滑剪裁绝对偏差函数以及噪声项建立运动目标检测模型，将待检测视频作为视频矩阵输入该运动目标检测模型，计算运动目标并输出

【技术实现步骤摘要】
基于半二次正则和平滑剪裁绝对偏差的运动目标检测方法


[0001]本专利技术涉及图像处理
，具体涉及一种运动目标检测方法
。

技术介绍

[0002]运动目标检测就是将监控视频帧序列中的背景图像和运动目标图像
(
又称为前景
)
分离，是智能视频分析中重要的基础性步骤
。
运动目标的准确检测对后续高层次的计算机视觉任务
(
如行为识别
、
场景分析
、
交通管控等
)
的完成有重要意义
。
近年来，国内外广大学者围绕该课题展开了广泛的研究，提出了许多算法
。
但由于运动目标检测面临着光照变化
、
动态背景
、
相机的抖动以及算法的实时性等诸多挑战，它仍然是机器视觉领域的一个研究难点和热点
。
[0003]从技术上来说，运动目标检测分为三类方法
。
第一类是基于像素的提取算法，建立背景模型，并判断待检测视频帧中的像素点是否符合背景模型，如不符合则属于前景运动目标
。
例如混合高斯算法
、ViBe
算法等，此类算法以单一像素为处理单元，往往忽略视频中像素之间的关系，同时对背景模型的特点作出较为严格的假设，使得这些算法在应用于实际场景时没有取得理想的效果
。
第二类为基于机器学习的方法，但是此类方法需要大量的标签数据和大量的训练，耗费大量的计算机性能和资源，现实中使用不便
。
第三类为基于鲁棒主成分分析的算法，根据待检测视频背景图像序列之间存在的强相关性及前景运动目标像素具有稀疏性这两个特点，将鲁棒主成分分析方法应用到运动目标检测问题中
。
该方法认为待检测视频图像是由背景和前景运动目标叠加得到的，可以利用背景图像序列之间的低秩性约束和前景运动目标的稀疏性约束，将前景运动目标的检测和跟踪转化为代价函数的优化问题
。
例如截断核范数算法
、
去分解算法
、
非凸非光滑加权核范数算法
、
运动信息辅助算法等
。
[0004]一篇公开号为
CN107680116A
的中国专利，提出一种基于鲁棒主成分分析的运动目标检测模型，依据鲁棒主分量分析理论
、
预先定义的加权核范数
、
结构稀疏范数和待检测视频观测矩阵获取低秩矩阵和稀疏矩阵并求解，其建立的运动目标检测模型如下式所示：
[0005][0006]s.t.D
＝
L+S
[0007]式中，为低秩矩阵
L
的加权核范数，为稀疏矩阵
S
的结构稀疏范数，
D
＝
L+S
为约束条件
。
[0008]该方法能够有效克服背景环境周期性变化产生的目标误检，同时对光照变化等具有较好的鲁棒性
。
但是此算法所使用的函数对传统鲁棒主成分分析的秩函数和稀疏度函数逼近程度不高，且对噪声敏感，检测精度低
。
[0009]因此，需要一种新的技术方案以解决上述问题
。

技术实现思路

[0010]为了解决现有技术所产生的问题，本专利技术提供了一种检测精度高
、
便于操作
、
鲁棒性高的基于半二次正则和平滑剪裁绝对偏差的运动目标检测方法
。
[0011]为达到上述目的，本专利技术基于半二次正则和平滑剪裁绝对偏差的运动目标检测方法可采用如下技术方案：
[0012]一种基于半二次正则和平滑剪裁绝对偏差的运动目标检测方法，包括以下步骤：
[0013]1)
获取待检测视频并转化为二维矩阵；
[0014]2)
基于半二次正则化函数
、
平滑剪裁绝对偏差，并引入噪声项建立运动目标检测模型；
[0015]3)
将二维矩阵输入运动目标检测模型中分离待检测视频的背景与前景运动目标；
[0016]4)
求解运动目标并输出
。
[0017]进一步的，所述运动目标检测模型为：
[0018][0019]s.t.M
＝
L+S+N
[0020]的背景矩阵
、S
为前景运动目标对应的前景矩阵
、N
为噪声矩阵
、M
为待检测视频转化的对应二维矩阵
、S
j
为前景矩阵
S
的第
j
个元素
、
为前景矩阵
S
中的所有元素绝对值
|S
j
|
对应的平滑剪裁绝对偏差值求和，
σ
i
(L)
为背景矩阵
L
的第
i
个奇异值
、
为半二次正则化函数
、||
·
||
F
为
Frobenius
范数
、
α
为对应的平衡因子，
β
为对应的平衡因子
。
[0021]进一步的，所述目标检测模型包括半二次正则化函数和平滑裁剪绝对化偏差函数，所述半二次正则化函数自变量为
σ
i
(L)
：
[0022][0023]所述平滑剪裁绝对偏差函数以
|S
j
|
为自变量：
[0024][0025]式中，
ξ
为自变量为
σ
i
(L)
的半二次正则化函数的指数因子，
γ
和
λ
为以
|S
j
|
为自变量的平滑剪裁绝对偏差函数
g(S
j
|)
的界定参数
。
[0026]进一步的，所述步骤
4)
中，采用交替方向乘子法求解运动目标检测模型，该交替方向乘子法基于增广拉格朗日函数迭代更新背景矩阵
、
前景矩阵
、
噪声矩阵和因子，所述因子包括惩罚因子和拉格朗日乘子；所述增广拉格朗日函数为：
[0027][0028]式中，
μ
为惩罚因子且
μ
>0、Y
为拉格朗日乘子
、<
·
,
·
>
为矩阵内积
。
[0029]进一步的，首先进行参数的初始化，再进行迭代更新；初始化参数包括：
[0030]α
为
0.1
，
β
为
10
，
L
的初值为全0矩阵，
S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于半二次正则和平滑剪裁绝对偏差的运动目标检测方法，其特征在于，包括以下步骤：
1)
获取待检测视频并转化为二维矩阵；
2)
基于半二次正则化函数
、
平滑剪裁绝对偏差，并引入噪声项建立运动目标检测模型；
3)
将二维矩阵输入运动目标检测模型中分离待检测视频的背景与前景运动目标；
4)
求解运动目标并输出
。2.
根据权利要求1所述的运动目标检测方法，其特征在于，所述运动目标检测模型为：
s.t.M
＝
L+S+N
的背景矩阵
、S
为前景运动目标对应的前景矩阵
、N
为噪声矩阵
、M
为待检测视频转化的对应二维矩阵
、S
j
为前景矩阵
S
的第
j
个元素
、
为前景矩阵
S
中的所有元素绝对值
|S
j
|
对应的平滑剪裁绝对偏差值求和，
σ
i
(L)
为背景矩阵
L
的第
i
个奇异值
、
为半二次正则化函数
、||
·
||
F
为
Frobenius
范数
、
α
为对应的平衡因子，
β
为对应的平衡因子
。3.
根据权利要求2所述的运动目标检测方法，其特征在于，所述目标检测模型包括半二次正则化函数和平滑裁剪绝对化偏差函数，所述半二次正则化函数以
σ
i
(L)
为自变量：所述平滑剪裁绝对偏差函数以
|S
j
|
为自变量：式中，
ξ
为自变量为
σ
i
(L)
的半二次正则化函数的指数因子，
γ
和
λ
为以
|S
j
|
为自变量的平滑剪裁绝对偏差函数
g(|S
j
|)
的界定参数
。4.
根据权利要求3所述的运动目标检测方法，其特征在于，所述步骤
4)
中，采用交替方向乘子法求解运动目标检测模型，该交替方向乘子法基于增广拉格朗日函数迭代更新背景矩阵
、
前景矩阵
、
噪声矩阵和因子，所述因子包括惩罚因子和拉格朗日乘子；所述增广拉格朗日函数为：式中，
μ
为惩罚因子且
μ
>0、Y
为拉格朗日乘子
、<
·
,
·
>
为矩阵内积
。
5.
根据权利要求4所述的运动目标检测方法，其特征在于，首先进行参数的初始化，再进行迭代...

【专利技术属性】
技术研发人员：徐鲲淇，杨永鹏，江丹丹，余志江，王紫宜，
申请(专利权)人：南京信息职业技术学院，
类型：发明
国别省市：