基于稀疏性和平滑性的运动目标检测方法技术

本发明专利技术公开一种视频图像处理技术领域的基于稀疏性和平滑性的运动目标检测方法，该方法通过设计一种适合于运动目标检测的回归模型，然后在运用该模型对运动目标进行估计时，对运动目标项施加稀疏性和平滑性的约束，从而得到最终的检测结果。本发明专利技术在动态背景这一复杂环境下的运动目标检测结果准确而可靠。

【技术实现步骤摘要】

本专利技术涉及的是一种视频图像处理
的方法，具体是一种。
技术介绍
运动目标检测方法的研究和应用是计算机视觉、智能视频分析领域中一个活跃的分支，在视频监控、自动控制、安全检查等实际应用中发挥着重要的作用。准确可靠的运动目标检测结果是进行更高级别的信息处理的基础，如目标跟踪、目标识别、行为分析等。目前的运动目标检测方法在通常的环境下已取得比较稳定且可靠的结果，但这些方法在复杂场景下的性能往往不能令人满意。动态背景下的运动目标检测作为若干复杂场景下目标检测的难点之一，多年来受到了广泛的关注，专利技术一种适用于动态背景下的运动目标检测方法具有重要的意义。现有的运动目标检测方法主要分类三类:光流法，帧间差分法，背景差分法。光流法是通过计算像素点的运动矢量来分离运动目标的，这类方法计算量比较大，复杂度高，目前主要应用于移动摄像头环境中。帧间差分法是根据相邻帧之间对应像素点的强度变化来检测运动目标。这类方法虽然简单，但往往只能提取目标的轮廓，而且对噪声也比较敏感，因此这类方法实用性也不强。背景差分法是目前最常用的运动目标检测方法，其基本思想是通过对视频帧的学习建立对背景的描述，然后将新得到的视频图像与背景模型进行比较计算，当新视频帧中的像素点不符合当前背景描述的时候，判定该点为前景点，否则属于背景点，通过逐点计算从而完成对运动目标的检测。背景差分法中比较有代表性的方法包括:c.Stauffer andW.E.L.Grimson等人 1999年在Proc.Conf.Computer Vision and Pattern Recognition (计算机视觉与模式识别国际会议)发表的“Adaptive background mixture models ofreal-time tracking”(用于实时跟踪的自适应背景混合模型)一文中提出的高斯混合背景模型法，该方法认为像素点的值符合高斯分布，且每个像素点的值可由多个自适应的高斯混合背景模型加权组合得到，从而建立了高斯混合背景模型实现了运动目标的检测；A.Elgammal, R.Duraiswami, D.Harwood and L.S.Davis 等人在 2002 年在 Proc.1EEE(电子与电气工程师协会会刊)发表的“Background and foreground modeling usingnon-parametric kernel density estimation for visual surveillance，，(用于视步页监控的基于非参数核密度估计的背景前景建模)一文中提出用核密度估计的方法进行背景建模，该方法对像素点值的分布不做任何假设，而是通过时域的方法对像素点的值进行统计以得到核函数的参数估计，然后依据这些估计参数和核函数建立起背景模型，实现了目标的检测；Mert Dikmen and Thomas S.Huang 于 2008 年在 19th International Conferenceon Pattern Recognition (第 19 界模式识别国际会议)发表的 “Robust Estimation ofForeground in Surveillance Videos by Sparse Error Estimation，，(视步页监控中基于稀疏错误估计的前景检测)一文中提出用基于稀疏理论的方法进行前景目标检测。该方法将背景和前景的检测看作是一类信号分离问题:背景信号随时间变换比较缓慢；前景信号变化不同于背景信号，且前景信号具有稀疏的性质。通过问题的转化并借助于现有的稀疏理论可以实现对稀疏信号即前景目标的估计。上述的背景差分方法在动态背景的场景下效果往往并不理想，这些方法将部分背景点误检为前景点。因此，需要寻求一种能够在动态背景环境下的运动目标检测方法。申请号为CN201110223892.8的中国专利技术专利，该专利提供了一种基于线性回归模型的目标检测方法，该方法虽然能够实现在动态背景这一复杂环境下的运动目标检测，但效果还可以进一步优化。
技术实现思路
本专利技术针对现有技术存在的上述不足，提供一种，在动态场景这一复杂环境下的目标检测结果准确而且可靠。本专利技术是通过以下技术方案实现的，本专利技术首先设计一种适合于目标检测的回归模型，然后在运用该模型对运动目标进行估计的时候，根据运动目标的特性对其施加稀疏性和平滑性的约束，从而得到最终的检测结果。所述的适合于目标检测的回归模型是指:该回归模型可以表示为如下形式:y=Xw+t+n (I)其中W=Cy1J2,...，ym)T 表示因变量，X= (χ1; X2,…，xm)τ 表示自变量且 X1, x2，...，xm均为P维向量，P表示每个向量所包含的元素个数，m表示观测量的个数且m>p, W= (W1, w2,…，wp)τ表示回归模型的系数，t=(t!, t2,…，tm)T表示差异于自变量的部分，n= (Ii1, n2,…，nm)T表示随机误差项，根据经典线性回归模型对随机误差项的假设，H1, n2,…，nm均服从均值为O,方差为σ 2的高斯分布且该高斯分布记为N (O, σ 2)。所述的运用该模型进行运动目标的检测是指:对应于公式(I)，将当前帧作为因变量y，将若干历史帧作为自变量X，将前景部分作为差异于自变量的部分t，将背景自身的运动看作噪声η。根据线性回归模型的本意需要根据历史帧和当前帧的数据对回归系数进行估计，为了更准确地估计，利用前景部分通常具有的两个特性即稀疏性和平滑性，定义一个新的目标函数求出回归模型的系数W，进而估计出差异于自变量的部分t。所述的新的目标函数是指:假设前景部分是稀疏的和平滑的，则目标函数表示为:权利要求1.一种，其特征在于，通过设计一种适合于运动目标检测的回归模型，然后在运用该模型对运动目标进行估计时，对运动目标项施加稀疏性和平滑性的约束，从而得到最终的检测结果； 所述的适合于运动目标检测的回归模型，该回归模型表示为如下形式: y=Xw+t+n (I) 其中-.1=iKW,…^厂表示因变量，^=^^，"'XiJt表示自变量且X11X2,…，xm均为P维向量，P表示每个向量所包含的元素个数，m表示观测量的个数且m>p, W=W, W2,..., Wp)τ表示回归模型的系数，t=!^，t2,…，tm)T表示差异于自变量的部分，n= O^n2, Ot表示随机误差项，根据经典线性回归模型对随机误差项的假设，H1, η2,…，nm均服从均值为O，方差为。2的高斯分布且该高斯分布记为N (O, σ 2)； 所述的运用该模型进行运动目标的检测是指:对应于公式(1)，将当前帧作为因变量1，将若干历史帧作为自变量X，将前景部分作为差异于自变量的部分t，将背景自身的运动看作噪声n，根据线性回归模型的本意需要根据历史帧和当前帧的数据对回归系数进行估计，为了更准确地估计，利用前景部分具有的两个特性即稀疏性和平滑性，定义一个新的目标函数求出回归模型的系数《，进而估计出差异于自变量的部分t，考虑到图像矢量化后造成空间信息的丢失，采用以不同方式将图像数据矢量化，然后将估计得到的结果进行融合； 所述的新的目标函数是指:假设前景部分是稀疏的和平滑的，则目标函数本文档来自技高网...

【技术保护点】
一种基于稀疏性和平滑性的运动目标检测方法，其特征在于，通过设计一种适合于运动目标检测的回归模型，然后在运用该模型对运动目标进行估计时，对运动目标项施加稀疏性和平滑性的约束，从而得到最终的检测结果；所述的适合于运动目标检测的回归模型，该回归模型表示为如下形式：y=Xw+t+n    (1)其中：y=(y1,y2,…,ym)T表示因变量，X=(x1,x2,…,xm)T表示自变量且x1,x2,…,xm均为p维向量，p表示每个向量所包含的元素个数，m表示观测量的个数且m>p，w=(w1,w2,…,wp)T表示回归模型的系数，t=(t1,t2,…,tm)T表示差异于自变量的部分，n=(n1,n2,…,nm)T表示随机误差项，根据经典线性回归模型对随机误差项的假设，n1,n2,…,nm均服从均值为0，方差为σ2的高斯分布且该高斯分布记为Ν(0,σ2)；所述的运用该模型进行运动目标的检测是指：对应于公式(1)，将当前帧作为因变量y，将若干历史帧作为自变量X，将前景部分作为差异于自变量的部分t，将背景自身的运动看作噪声n，根据线性回归模型的本意需要根据历史帧和当前帧的数据对回归系数进行估计，为了更准确地估计，利用前景部分具有的两个特性即稀疏性和平滑性，定义一个新的目标函数求出回归模型的系数w，进而估计出差异于自变量的部分t，考虑到图像矢量化后造成空间信息的丢失，采用以不同方式将图像数据矢量化，然后将估计得到的结果进行融合；所述的新的目标函数是指：假设前景部分是稀疏的和平滑的，则目标函数表示为： ( w ^ , t ^ ) = arg min w , t | | y - Xw - t | | 2 2 + λ 1 | | t | | 0 + λ 2 | | t ′ | | 0 - - - ( 2 ) 其中：||·||0表示矢量的0‑范数，t′=(t2‑t1,t3‑t2,…,tm‑tm‑1)T表示前景信号相邻元素值差分所构成的一个新矢量，用以描述其平滑性，分别表 示对模型系数和差异于自变量的部分的估计值，λ1和λ2表示调节系数，其中λ1控制前景信号的稀疏程度，λ2控制前景信号的平滑程度；所述的采用以不同方式将图像数据矢量化，然后将估计得到的结果进行融合是指：分别对图像进行水平矢量拉直和垂直矢量拉直，并根据这两种处理方式下的数据分别对前景目标估计，然后这两个估计结果进行逻辑或融合以得到最终结果。FDA00002780219800012.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：宋利，薛耿剑，孙军，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31