[發明專利]基于指數冪次分布和矩陣分解的在線運動目標檢測方法

在審

• 申請號: 202110287939.0
• 申請日: 2021-03-18
• 公開（公告）號: CN113112506A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 王靖宇;趙越;張科;譚明虎;蘇雨
• 申請（專利權）人: 西北工業大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/215;G06F17/16;G06F17/15
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 金鳳

本發明提供了一種基于指數冪次分布和矩陣分解的在線運動目標檢測方法，將每個視頻幀的噪聲/前景建模為一個單獨的混合指數冪次分布模型，且利用基于時間幀差的運動信息先驗模型描述每一幀的權值矩陣，充分提取完整的運動目標區域，將低秩矩陣分解表示為帶約束的對數似然函數模型，利用EM算法求解出混合指數冪次分布模型的相關參數，且結合增廣拉格朗日乘數法技術及交替方向乘子算法求解背景模型，進而提高運動目標檢測的精確度和完整度。本發明計算復雜度較低，精確度較高，提出局部空間運動信息后驗方法來再次約束目標區域，對運動區域進行一定的后驗，再次濾除動態背景干擾，提高了對運動目標檢測的效率。

技術領域

本發明涉及圖像處理技術領域，尤其是一種在線運動目標檢測方法。

背景技術

大多數圖像處理過程中是以對應運動區域的像素為基本，運動區域的有效檢測對于目標分類、目標識別、目標跟蹤以及行為分析等工作具有非常重要的意義，是計算機視覺和視頻處理領域一個非常重要和有效的研究課題。同時，運動目標檢測也是圖像處理應用的一個重要分支，目前廣泛應用于視頻安防、交通監控、環境感知與機器人導航等領域。

劉仲民,何勝皎(《基于背景減除法的視頻序列運動目標檢測》，計算機應用,2017,37-6,1777-1781)中在對背景減除法的研究基礎上，結合幀間差分法和背景減除法，判斷像素點的運動狀態，分別對靜止和運動的像素點替換和更新，產生與實際背景接近的背景模型，且使用Otsu算法進行目標提取，并使用形態學中的閉運算去除噪聲和冗余信息。但該方法仍是利用幀間差分法提取不完整的運動信息，且估計得到的背景精確性較低，難以滿足紋理復雜及背景動態的情景下的檢測問題。

發明內容

為了克服現有技術的不足，本發明提供一種基于指數冪次分布和矩陣分解的在線運動目標檢測方法。針對現有的可見光視頻序列中運動目標檢測方法，大多數存在背景估計細節模糊、只適用固定形式的噪聲分布及分割目標不完整的問題，本發明將每個視頻幀的噪聲/前景建模為一個單獨的混合指數冪次分布(Mixture of Exponential Power,MoEP)模型，使其比傳統魯棒主成分分析(Robust Principal Component Analysis,RPCA)模型適應范圍更大的噪聲，且利用基于時間幀差的運動信息先驗模型描述每一幀的權值矩陣，充分提取完整的運動目標區域，將低秩矩陣分解(Low-Rank Matrix Factorization,LRMF)表示為帶約束的對數似然函數模型，利用EM(Expectation-Maximization)算法求解出混合指數冪次分布模型的相關參數，且結合增廣拉格朗日乘數法(Augmented LagrangeMultiplier method,ALM)技術及交替方向乘子(Alternating Direction Method ofMultipliers,ADMM)算法求解背景模型，提高背景估計的準確性，進而提高運動目標檢測的精確度和完整度。針對動態背景的問題，依據局部空間運動信息后驗算法來約束目標區域，相比較復雜的總變分、馬爾可夫隨機場及結構稀疏性算法來說，降低了后處理的復雜度，縮短了計算時間，從而實現對視頻序列圖像中的運動目標精確、快速的檢測。

本發明解決其技術問題所采用的技術方案的具體步驟如下：

(1)對長度為n的視頻序列F，隨機抽取其中m幀作為樣本，構建背景估計模型求解權值矩陣，利用增廣拉格朗日算法(ALM)求取初始化的低秩矩陣分解(LRMF)模型；

首先，對當前樣本中的幀f_i圖像中每個像素p_ij構建m個樣本{p₁,p₂,...p_m}，i＝1,2,…,m，然后建立背景估計模型得出初始估計背景B_i，通過當前幀f_i和估計出的背景B_i，利用差分法求解運動信息向量，濾除向量中的噪聲值，即得到當前幀f_i的權值矩陣W_i；