[發明專利]一種基于RPCA和支持向量機的快速運動目標檢測算法

有效

• 申請號: 202011540986.3
• 申請日: 2020-12-23
• 公開（公告）號: CN112561949B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 李陽;朱愛璽
• 申請（專利權）人: 江蘇信息職業技術學院
• 主分類號: G06T7/215
• 分類號: G06T7/215;G06T7/246;G06T7/194;G06T5/00;G06V20/40;G06V10/26;G06V10/764
• 代理公司: 無錫萬里知識產權代理事務所(特殊普通合伙) 32263
• 代理人: 王傳林

1.一種基于RPCA和支持向量機的快速運動目標檢測算法，其特征在于：

包括模型訓練、目標檢測，所述模型訓練優先于目標檢測進行；

所述模型訓練包括如下六個步驟：

A、超像素分割：將視頻中的每一幀圖像提取出來，并對每一幀圖像進行超像素分割；

B、灰度化：對彩色視頻進行灰度化，將視頻中的每一幀圖像提取出來，并將每一張圖像進行灰度化處理，灰度化處理通過對彩色圖像中的三分量亮度求平均得到灰度值；

C、合并向量：對灰度化后的視頻中的列化成向量，將每一幀對應的列向量組成一個二維矩陣；

D、RPCA分解：對步驟C中得到的二維矩陣進行RPCA分解，得到視頻的前景矩陣和背景矩陣，前景矩陣和背景矩陣的維度是一致的，前景矩陣中的像素值都屬于異常值，且前景矩陣中包含了噪聲和運動目標；

E、提取特征：提取前景和背景超像素塊的特征，具體方法為，得到一個超像素塊所有像素的坐標，然后根據坐標在前景矩陣中取出對應坐標相應的異常值組成一個異常值向量，提取異常值向量的如下四個特征：均值、方差、0范數和直方圖;

F、模型訓練：使用SVM對提取到的前景和背景特征進行訓練；

所述目標檢測包括如下六個步驟：

A、超像素分割；B、灰度化；C、合并向量；D、RPCA分解；

G、提出待檢測視頻幀所有超像素的特征：得到一個超像素塊所有像素的坐標，根據坐標在前景矩陣中取出對應坐標相應的異常值組成一個異常值向量，提取異常值向量的如下四個特征：均值、方差、0范數和直方圖；

H、根據已經訓練好的模型計算超像素特征是否屬于前景，最后輸出前景運動目標。

2.根據權利要求1所述的一種基于RPCA和支持向量機的快速運動目標檢測算法，其特征在于，

所述均值特征的獲取公式為：

其中，X_i為超像素塊中的一個像素,n為一個超像素中包含的像素的個數。

3.根據權利要求2所述的一種基于RPCA和支持向量機的快速運動目標檢測算法，其特征在于，

所述方差特征的獲取公式為：

其中，X_i為超像素塊中的一個像素,n為一個超像素中包含的像素的個數，為均值特征。

4.根據權利要求3所述的一種基于RPCA和支持向量機的快速運動目標檢測算法，其特征在于，

所述0范數的均值表示一個超像素塊非0元素個數占所有元素個數的比例，獲取公式為：

其中，X為一個像素塊中的異常值向量，n為一個超像素中包含的像素的個數。

5.根據權利要求4所述的一種基于RPCA和支持向量機的快速運動目標檢測算法，其特征在于，

所述直方圖特征獲取步驟如下：假設輸入超像素塊C_i，其中1≤i≤N，N為此超像素塊中包含的所有像素的個數，像素值的整個動態范圍為[-255,255]，將此動態范圍平均分為k個區間，k＝34，因此每個區間的動態范圍寬度為15，每個區間的概率密度記為：

其中，n_k表示灰度級為X_k時的像素個數，p(C_k)表示為一個1×34的向量。

6.根據權利要求5所述的一種基于RPCA和支持向量機的快速運動目標檢測算法，其特征在于：

所述均值、方差、0范數和直方圖計算完畢后，將所有特征組成一個特征向量F，F為一個1×37的向量，公式如下：

F＝[X,S²,L₀,p(C_k)]?(5)。