一種基于群稀疏魯棒pca的運動目標檢測方法
【專利摘要】本發(fā)明公開了一種基于群稀疏魯棒PCA的運動目標檢測方法，屬于圖像信息處理【技術(shù)領(lǐng)域】，包括以下步驟：輸入視頻序列；運用過分割算法進行區(qū)域分割，生成多個同性區(qū)域，將其作為群稀疏約束的分組信息；設(shè)置相關(guān)參數(shù)，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(yīng)用核范數(shù)約束估計背景矩陣；更新乘子和懲罰參數(shù)；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(xù)迭代。本發(fā)明利用運動分布的連續(xù)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(qū)域是否為運動目標，能夠更加準確地度量運動目標的區(qū)域邊界，且對復(fù)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】-種基于群稀疏魯棒PCA的運動目標檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于群稀疏（Group Sparsity)魯棒PCA的視頻運動目標檢測方 法，屬于圖像信息處理【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002] 運動目標檢測是對視頻進行有效分析的重要環(huán)節(jié)。傳統(tǒng)的目標檢測多數(shù)是通過背 景減除法或者幀間差分法來實現(xiàn)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(tǒng)的背景建模計算復(fù)雜，分割精度易受噪聲影響，并且對光照變化和動態(tài)紋理等環(huán) 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(xiàn)簡單， 但不能提取出對象的完整區(qū)域，只能提取出邊界。
[0003] 近來，學(xué)者將魯棒PCA模型（RPCA)應(yīng)用于運動目標檢測問題。視頻中的背景通常 具有較強的相關(guān)性，近似位于同一低秩的子空間內(nèi)，而運動目標呈現(xiàn)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占整 個場景中的少部分，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(qū)域并不是隨機出現(xiàn)的，在時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I 1范數(shù)沒有蘊含系數(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空上下文的相關(guān)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(xù)性先驗，同時也不利于消除由于噪聲以及背景隨機擾動引 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)化稀疏性度量標準，在保持稀疏性約束的 同時，更注重運動目標區(qū)域的時空相關(guān)性的度量，進而魯棒地分割運動目標。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是：提供一種基于群稀疏魯棒PCA的運動目標檢測方 法，實現(xiàn)了運動目標魯棒檢測的目的。
[0006] 本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：
[0007] -種基于群稀疏魯棒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(shù)，該模型為

【權(quán)利要求】
1. 一種基于群稀疏魯棒PCA的運動目標檢測方法，其特征在于：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(shù)，該模型為
Group范數(shù)，X為正則化參數(shù)； 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，使得過分割后的各區(qū) 域為同性區(qū)域，并得到各同性區(qū)域的邊界坐標，將各同性區(qū)域作為一個分組，得到待測視頻 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(yōu)化，當前迭代次數(shù)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范數(shù)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，為收縮后的向量值，更新后的
(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，得到更新后的Ak+1; (3) 計算k+1次迭代后的拉格朗日乘子Yk+1以及懲罰參數(shù)y k+1 ; 步驟4、更新迭代次數(shù)為k+1，若更新后的迭代次數(shù)大于步驟3設(shè)置的最大迭代次數(shù)，則 進入步驟5 ;若更新后的迭代次數(shù)小于等于步驟3設(shè)置的最大迭代次數(shù)，則繼續(xù)判斷是否滿 足收斂條件，滿足則進入步驟5,不滿足則重復(fù)步驟3,繼續(xù)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(quán)利要求1所述基于群稀疏魯棒PCA的運動目標檢測方法，其特征在于：步驟2所 述過分割算法為Normalized Cuts區(qū)域分割算法。
3. 如權(quán)利要求1所述基于群稀疏魯棒PCA的運動目標檢測方法，其特征在于：步驟3所 述增廣拉格朗日乘子法的函數(shù)為
其中，Y為拉格朗日乘子，y為懲罰參數(shù)。
4. 如權(quán)利要求1所述基于群稀疏魯棒PCA的運動目標檢測方法，其特征在于：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(quán)利要求1所述基于群稀疏魯棒PCA的運動目標檢測方法，其特征在于：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(shù)。
【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(yōu)先權(quán)日:2014年11月18日
【發(fā)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(xué)