[發(fā)明專利]一種基于群稀疏魯棒PCA的運(yùn)動(dòng)目標(biāo)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410659365.5
• 申請(qǐng)日: 2014-11-18
• 公開（公告）號(hào): CN104361611A
• 公開（公告）日: 2015-02-18
• 發(fā)明（設(shè)計(jì)）人: 孫玉寶;周偉;劉青山;杭仁龍;鄧健康
• 申請(qǐng)（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號(hào): G06T7/20
• 分類號(hào): G06T7/20
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 許方

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于群稀疏(Group?Sparsity)魯棒PCA的視頻運(yùn)動(dòng)目標(biāo)檢測(cè)方法，屬于圖像信息處理技術(shù)領(lǐng)域。

背景技術(shù)

運(yùn)動(dòng)目標(biāo)檢測(cè)是對(duì)視頻進(jìn)行有效分析的重要環(huán)節(jié)。傳統(tǒng)的目標(biāo)檢測(cè)多數(shù)是通過(guò)背景減除法或者幀間差分法來(lái)實(shí)現(xiàn)的。背景減除法中背景建模對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)非常重要，然而傳統(tǒng)的背景建模計(jì)算復(fù)雜，分割精度易受噪聲影響，并且對(duì)光照變化和動(dòng)態(tài)紋理等環(huán)境變化很敏感。幀間差分法通過(guò)相鄰兩幀作差分運(yùn)算來(lái)獲得運(yùn)動(dòng)目標(biāo)輪廓，算法實(shí)現(xiàn)簡(jiǎn)單，但不能提取出對(duì)象的完整區(qū)域，只能提取出邊界。

近來(lái)，學(xué)者將魯棒PCA模型(RPCA)應(yīng)用于運(yùn)動(dòng)目標(biāo)檢測(cè)問(wèn)題。視頻中的背景通常具有較強(qiáng)的相關(guān)性，近似位于同一低秩的子空間內(nèi)，而運(yùn)動(dòng)目標(biāo)呈現(xiàn)出與背景不同的運(yùn)動(dòng)樣式，可被視為偏離該低秩空間的顯著誤差或異常點(diǎn)。整體的思路即為利用視頻每一幀之間的相似性來(lái)形成一個(gè)子空間，通過(guò)這個(gè)子空間進(jìn)行背景建模，同時(shí)運(yùn)動(dòng)目標(biāo)通常只占整個(gè)場(chǎng)景中的少部分，符合誤差稀疏性的約束。因此，應(yīng)用RPCA模型進(jìn)行背景與運(yùn)動(dòng)目標(biāo)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(yùn)動(dòng)目標(biāo)。

視頻中運(yùn)動(dòng)目標(biāo)區(qū)域并不是隨機(jī)出現(xiàn)的，在時(shí)間與空間上具有一定的相關(guān)性和連續(xù)性。然而經(jīng)典的l₁范數(shù)沒(méi)有蘊(yùn)含系數(shù)本身與尺度和結(jié)構(gòu)信息相關(guān)的“結(jié)構(gòu)化稀疏性”，并不能夠有效度量這種時(shí)空上下文的相關(guān)性，分離的對(duì)象存在不完整、不連通等問(wèn)題，未能有效利用運(yùn)動(dòng)目標(biāo)的時(shí)空分布連續(xù)性先驗(yàn)，同時(shí)也不利于消除由于噪聲以及背景隨機(jī)擾動(dòng)引起的非結(jié)構(gòu)化稀疏分量，為此需要構(gòu)建一種結(jié)構(gòu)化稀疏性度量標(biāo)準(zhǔn)，在保持稀疏性約束的同時(shí)，更注重運(yùn)動(dòng)目標(biāo)區(qū)域的時(shí)空相關(guān)性的度量，進(jìn)而魯棒地分割運(yùn)動(dòng)目標(biāo)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題是：提供一種基于群稀疏魯棒PCA的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)魯棒檢測(cè)的目的。

本發(fā)明為解決上述技術(shù)問(wèn)題采用以下技術(shù)方案：

一種基于群稀疏魯棒PCA的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，包括如下步驟：

步驟1、輸入待測(cè)視頻序列D，初始化群稀疏魯棒PCA模型的參數(shù)，該模型為min||A||*+λ||E||Groups.t.D=A+E,]]>其中，||A||_*為背景矩陣A的核范數(shù)，||E||_Group為運(yùn)動(dòng)目標(biāo)矩陣E的Group范數(shù)，λ為正則化參數(shù)；

步驟2、利用過(guò)分割算法對(duì)待測(cè)視頻序列D的每一幀進(jìn)行過(guò)分割，使得過(guò)分割后的各區(qū)域?yàn)橥詤^(qū)域，并得到各同性區(qū)域的邊界坐標(biāo)，將各同性區(qū)域作為一個(gè)分組，得到待測(cè)視頻序列D的總分組數(shù)；

步驟3、設(shè)置最大迭代次數(shù)，對(duì)步驟2得到的所有分組利用增廣拉格朗日乘子法對(duì)步驟1所述背景矩陣A和運(yùn)動(dòng)目標(biāo)矩陣E進(jìn)行交替迭代優(yōu)化，當(dāng)前迭代次數(shù)為k，則：

(1)計(jì)算k+1次迭代時(shí)的E_k+1值，計(jì)算矩陣T＝D-A_k+μ_k^-1Y_k，通過(guò)Group范數(shù)的閾值收縮公式進(jìn)行求解，閾值收縮公式如下：