一種基於群稀疏魯棒pca的運動目標檢測方法
2023-08-10 06:57:06 1
一種基於群稀疏魯棒pca的運動目標檢測方法
【專利摘要】本發明公開了一種基於群稀疏魯棒PCA的運動目標檢測方法,屬於圖像信息處理【技術領域】,包括以下步驟:輸入視頻序列;運用過分割算法進行區域分割,生成多個同性區域,將其作為群稀疏約束的分組信息;設置相關參數,使用增廣拉格朗日乘子法迭代求解;通過群稀疏約束估計運動目標矩陣;應用核範數約束估計背景矩陣;更新乘子和懲罰參數;判斷收斂性,如果收斂則輸出所得的背景和運動目標,否則繼續迭代。本發明利用運動分布的連續性先驗,建立群稀疏魯棒PCA運動目標檢測模型,運用群稀疏準則判別各同性區域是否為運動目標,能夠更加準確地度量運動目標的區域邊界,且對複雜的背景運動更加魯棒,達到了運動目標魯棒檢測的目的。
【專利說明】-種基於群稀疏魯棒PCA的運動目標檢測方法
【技術領域】
[0001] 本發明涉及一種基於群稀疏(Group Sparsity)魯棒PCA的視頻運動目標檢測方 法,屬於圖像信息處理【技術領域】。
【背景技術】
[0002] 運動目標檢測是對視頻進行有效分析的重要環節。傳統的目標檢測多數是通過背 景減除法或者幀間差分法來實現的。背景減除法中背景建模對運動目標的檢測非常重要, 然而傳統的背景建模計算複雜,分割精度易受噪聲影響,並且對光照變化和動態紋理等環 境變化很敏感。幀間差分法通過相鄰兩幀作差分運算來獲得運動目標輪廓,算法實現簡單, 但不能提取出對象的完整區域,只能提取出邊界。
[0003] 近來,學者將魯棒PCA模型(RPCA)應用於運動目標檢測問題。視頻中的背景通常 具有較強的相關性,近似位於同一低秩的子空間內,而運動目標呈現出與背景不同的運動 樣式,可被視為偏離該低秩空間的顯著誤差或異常點。整體的思路即為利用視頻每一幀之 間的相似性來形成一個子空間,通過這個子空間進行背景建模,同時運動目標通常只佔整 個場景中的少部分,符合誤差稀疏性的約束。因此,應用RPCA模型進行背景與運動目標分 離是合適的,低秩部分可較好建模背景,而稀疏部分則可有效分離運動目標。
[0004] 視頻中運動目標區域並不是隨機出現的,在時間與空間上具有一定的相關性和連 續性。然而經典的I 1範數沒有蘊含係數本身與尺度和結構信息相關的"結構化稀疏性",並 不能夠有效度量這種時空上下文的相關性,分離的對象存在不完整、不連通等問題,未能有 效利用運動目標的時空分布連續性先驗,同時也不利於消除由於噪聲以及背景隨機擾動引 起的非結構化稀疏分量,為此需要構建一種結構化稀疏性度量標準,在保持稀疏性約束的 同時,更注重運動目標區域的時空相關性的度量,進而魯棒地分割運動目標。
【發明內容】
[0005] 本發明所要解決的技術問題是:提供一種基於群稀疏魯棒PCA的運動目標檢測方 法,實現了運動目標魯棒檢測的目的。
[0006] 本發明為解決上述技術問題採用以下技術方案:
[0007] -種基於群稀疏魯棒PCA的運動目標檢測方法,包括如下步驟:
[0008] 步驟1、輸入待測視頻序列D,初始化群稀疏魯棒PCA模型的參數,該模型為
【權利要求】
1. 一種基於群稀疏魯棒PCA的運動目標檢測方法,其特徵在於:包括如下步驟: 步驟1、輸入待測視頻序列D,初始化群稀疏魯棒PCA模型的參數,該模型為
Group範數,X為正則化參數; 步驟2、利用過分割算法對待測視頻序列D的每一幀進行過分割,使得過分割後的各區 域為同性區域,並得到各同性區域的邊界坐標,將各同性區域作為一個分組,得到待測視頻 序列D的總分組數; 步驟3、設置最大迭代次數,對步驟2得到的所有分組利用增廣拉格朗日乘子法對步驟 1所述背景矩陣A和運動目標矩陣E進行交替迭代優化,當前迭代次數為k,則: (1) 計算k+1次迭代時的Ek+1值,計算矩陣T = D-Ak+ ii k4Yk,通過Group範數的閾值收 縮公式進行求解,閾值收縮公式如下:
其中,2;為矩陣T在gi分組的像素所組成的向量,為收縮後的向量值,更新後的
(2) 計算k+1次迭代時的Ak+1值,計算矩陣T = D-Ek+1+ ii ^1Yk,對T進行skinny奇異值 閾值收縮,得到更新後的Ak+1; (3) 計算k+1次迭代後的拉格朗日乘子Yk+1以及懲罰參數y k+1 ; 步驟4、更新迭代次數為k+1,若更新後的迭代次數大於步驟3設置的最大迭代次數,則 進入步驟5 ;若更新後的迭代次數小於等於步驟3設置的最大迭代次數,則繼續判斷是否滿 足收斂條件,滿足則進入步驟5,不滿足則重複步驟3,繼續迭代; 步驟5、輸出所得的背景矩陣A和檢測得到的運動目標矩陣E。
2. 如權利要求1所述基於群稀疏魯棒PCA的運動目標檢測方法,其特徵在於:步驟2所 述過分割算法為Normalized Cuts區域分割算法。
3. 如權利要求1所述基於群稀疏魯棒PCA的運動目標檢測方法,其特徵在於:步驟3所 述增廣拉格朗日乘子法的函數為
其中,Y為拉格朗日乘子,y為懲罰參數。
4. 如權利要求1所述基於群稀疏魯棒PCA的運動目標檢測方法,其特徵在於:步驟4 所述收斂條件為 RelErrl = max(| |Ak+1-Ak| |F,I |Ek+1-Ek| |F)/| |D| |F< e i 且此扭1^2 = IY11^1-Y1kI |F/| |dK e2,其中,Y1為拉格朗曰乘子。
5. 如權利要求1所述基於群稀疏魯棒PCA的運動目標檢測方法,其特徵在於:步驟1所
所包含的像素坐標集合,E (gi)表示運動目標矩陣E在gi上的元素值,J為總分組數。
【文檔編號】G06T7/20GK104361611SQ201410659365
【公開日】2015年2月18日 申請日期:2014年11月18日 優先權日:2014年11月18日
【發明者】孫玉寶, 周偉, 劉青山, 杭仁龍, 鄧健康 申請人:南京信息工程大學