基于多成分魯棒pca的運(yùn)動目標(biāo)檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及圖像信息處理技術(shù)領(lǐng)域，尤其設(shè)及一種基于多成分魯椿PCA的運(yùn)動目 標(biāo)檢測方法。
【背景技術(shù)】
[0002] 視頻運(yùn)動目標(biāo)檢測是智能視頻信號處理中的一個基本問題，也是當(dāng)前計算機(jī)視覺 領(lǐng)域中受人關(guān)注的熱點(diǎn)問題之一。由于視頻圖像中經(jīng)常會包含不同樣式的信息，但我們感 興趣的往往只是其中的運(yùn)動目標(biāo)。視頻運(yùn)動目標(biāo)檢測的目的就是將運(yùn)動目標(biāo)從該些復(fù)雜的 背景環(huán)境中自動提取出來，從模式識別的角度看，我們可W認(rèn)為該是復(fù)雜的背景環(huán)境和運(yùn) 動的前景目標(biāo)的分類問題。視頻運(yùn)動目標(biāo)檢測是實(shí)現(xiàn)視頻分析的重要基礎(chǔ)，在基于對象的 視頻編碼、基于內(nèi)容的視頻檢索、智能視頻監(jiān)控、基于視頻的人機(jī)交互、視頻編輯等領(lǐng)域中 也具有廣泛的應(yīng)用。
[0003] 近年來，國內(nèi)外科研工作者提出了諸多的運(yùn)動目標(biāo)檢測算法，根據(jù)檢測模型的不 同，主要可分為背景差分法、帖間差分法和光流法。雖然該些目標(biāo)檢測方法取得了一定成 功，但它們對場景中復(fù)雜動態(tài)的變化仍不夠穩(wěn)健。視頻中光照的改變，目標(biāo)運(yùn)動形式的多樣 性（非剛性形變），運(yùn)動目標(biāo)同背景間的相似性，場景背景的動態(tài)變化（雨、波浪、噴泉、隨風(fēng) 擺動的樹葉和攝像機(jī)的抖動）等因素均給運(yùn)動目標(biāo)檢測的研究帶來了挑戰(zhàn)。實(shí)踐表明關(guān)于 視頻對象檢測的算法還遠(yuǎn)未成熟，如何尋求一個更為有效的檢測模型是一個難點(diǎn)問題。
[0004] 當(dāng)前，研究者們將魯椿PCA(RobustPrincipeComponentAnalysis,RPCA)理論 引入視頻運(yùn)動目標(biāo)檢測問題，魯椿PCA模型假設(shè)數(shù)據(jù)矩陣M由兩個成分L與S組成，其中 矩陣L具有低秩特性，數(shù)據(jù)矩陣S具有稀疏特性，在一定相干性約束等條件下，通過矩陣的 低秩（核范數(shù)）與稀疏性（1范數(shù)）約束，運(yùn)用凸優(yōu)化方法可恢復(fù)出矩陣的低秩成分L和 稀疏成分S。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)，而前景 目標(biāo)呈現(xiàn)出與背景不同的運(yùn)動樣式W及紋理特征，可被視為偏離該低秩空間的顯著誤差或 異常點(diǎn)，同時運(yùn)動目標(biāo)通常只占整個場景中的一小部分，符合誤差稀疏性的約束，因此應(yīng)用 魯椿PCA模型進(jìn)行背景與前景分離是非常合適的，矩陣的低秩成分L可較好建模背景，而 稀疏部分S則可有效分離運(yùn)動目標(biāo)，對視頻背景的建模取得了為較為出色的結(jié)果，有助于 提升算法的魯椿性與準(zhǔn)確性，為運(yùn)動目標(biāo)檢測問題開辟了新的研究方向。在后續(xù)的研究中， 化OU等提出了GoDec分解模型（GoDecomposition:GoDec)，在原有魯椿PCA模型上引入 了噪聲部分G，允許原矩陣存在一定的噪聲成分。另外，GoDec通過非凸的秩rank(A)和稀 疏度card(巧約束來進(jìn)行成分分離。GoDec能夠?qū)Ρ尘爸械脑肼昗及光照變化保持一定的 魯椿性，但是在復(fù)雜的動態(tài)背景下，檢測到的運(yùn)動目標(biāo)仍然包含大量的背景部分。Wang等 提出用基于概率的魯椿矩陣因子分解（AProb油ilisticApproachtoRobustMatrix Factorization:PRMF)進(jìn)行背景建模。PRMF假定低秩部分滿足高斯分布，運(yùn)用I2范數(shù)來對 矩陣的秩進(jìn)行約束。PRMF在對視頻序列中的運(yùn)動目標(biāo)檢測有一定的效果，能夠?qū)σ恍┰肼?點(diǎn)保持魯椿性，但是在復(fù)雜的動態(tài)背景下，PRMF對背景的表示仍然不足。
[0005] 因此現(xiàn)有的魯椿PCA模型仍存在的許多不足，例如將視頻序列分解為低秩成分A 和運(yùn)動成分E后，E成分中同時包含了復(fù)雜背景中的動態(tài)擾動，常將其誤判為有意義的運(yùn)動 目柄。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術(shù)問題在于，提供一種基于多成分魯椿PCA的運(yùn)動目標(biāo)檢測 方法，本發(fā)明引入成分分解思想，通過相干性約束將E成分進(jìn)一步分解為E1和E2兩個成 分，期望E1成分為顯著的前景目標(biāo)，E2成分為背景擾動，進(jìn)而從背景擾動中分離出有意義 的顯著運(yùn)動目標(biāo)，提升檢測算法的魯椿性。
[0007] 為了解決上述技術(shù)問題，本發(fā)明提供了一種基于多成分魯椿PCA的運(yùn)動目標(biāo)檢測 方法，包括：
[000引 S101、對待檢測視頻序列進(jìn)行行列向量化，獲得視頻數(shù)據(jù)矩陣；
[0009] S102、根據(jù)所述視頻數(shù)據(jù)矩陣，構(gòu)建多成分魯椿PCA模型；
[0010] S103、采用增廣拉格朗日乘子法對所述多成分魯椿PCA模型進(jìn)行交替迭代優(yōu)化和 乘子更新；
[0011] S104、更新迭代次數(shù)，計算并判斷當(dāng)前次迭代是否收斂；
[0012]S105、若當(dāng)前次迭代收斂，則根據(jù)當(dāng)前次迭代結(jié)果計算得到背景矩陣、所檢測得 到的運(yùn)動目標(biāo)矩陣和背景中的動態(tài)變化矩陣，從而實(shí)現(xiàn)運(yùn)動目標(biāo)檢測，否則返回執(zhí)行步驟 S103。
[0013] 進(jìn)一步的，所述S101具體包括；
[0014] 對視頻序列進(jìn)行行列向量化，獲得視頻數(shù)據(jù)矩陣，其中，XGr^n，X表示視頻數(shù)據(jù) 矩陣，R表示視頻帖，m為視頻帖的像素數(shù)，n為視頻帖數(shù)。
[0015] 進(jìn)一步的，所述S102具體包括；
[0016] 根據(jù)所述視頻數(shù)據(jù)矩陣，構(gòu)建多成分魯椿PCA模型，其中，所述多成分魯椿PCA模 型為：
[0017]
【主權(quán)項(xiàng)】
1. 一種基于多成分魯棒PCA的運(yùn)動目標(biāo)檢測方法，其特征在于，包括： 5101、 對待檢測視頻序列進(jìn)行行列向量化，獲得視頻數(shù)據(jù)矩陣； 5102、 根據(jù)所述視頻數(shù)據(jù)矩陣，構(gòu)建多成分魯棒PCA模型； 5103、 采用增廣拉格朗日乘子法對所述多成分魯棒PCA模型進(jìn)行交替迭代優(yōu)化和乘子 更新； 5104、 更新迭代次數(shù)，計算并判斷當(dāng)前次迭代是否收斂； 5105、 若當(dāng)前次迭代收斂，則根據(jù)當(dāng)前次迭代結(jié)果計算得到背景矩陣、所檢測得到的運(yùn) 動目標(biāo)矩陣和背景中的動態(tài)變化矩陣，從而實(shí)現(xiàn)運(yùn)動目標(biāo)檢測，否則返回執(zhí)行步驟S103。
2. 如權(quán)利要求1所述的基于多成分魯棒PCA的運(yùn)動目標(biāo)檢測方法，其特征在于，所述 SlOl具體包括： 對視頻序列進(jìn)行行列向量化，獲得視頻數(shù)據(jù)矩陣，其中，X e ΓΧη，Χ表示視頻數(shù)據(jù)矩陣， R表示視頻幀，m為視頻幀的像素數(shù)，η為視頻幀數(shù)。
3. 如權(quán)利要求2所述的基于多成分魯棒PCA的運(yùn)動目標(biāo)檢測方法，其特征在于，所述 S102具體包括： 根據(jù)所述視頻數(shù)據(jù)矩陣，構(gòu)建多成分魯棒PCA模型，其中，所述多成分魯棒PCA模型 為：
，式中，A e R mXn為低秩成分，
)為矩陣A的核范數(shù)，表示背景矩陣，En E2ERnxn為稀疏成分，λ i、λ 2為 正則化參數(shù)，IIE1II1為稀疏成分1范數(shù)，表示運(yùn)動目標(biāo)矩陣，
為稀疏成分&的
F范數(shù)，表示背景中的動態(tài)變化矩陣， .表示相干性約束，γ表示相干性 權(quán)重參數(shù)。
4. 如權(quán)利要求3所述的基于多成分魯棒PCA的運(yùn)動目標(biāo)檢測方法，其特征在于，所述 S103具體包括： 51031、 構(gòu)建所述多成分魯棒PCA模型的增廣拉格朗日函數(shù)為：
式中，Y e Rmxn為拉格朗日乘子，β表示懲罰系數(shù)； 51032、 固定所述增廣拉格朗日函數(shù)中的EjP E 2，計算參數(shù)T = X-Elk-E2k-Yk/ β k，對計算 參數(shù)T進(jìn)行skinny奇異值閾值收縮，從而求得本次迭代更新后的低秩成分Ak+1，其中，k為 上次迭代次數(shù)，E lk表示上次迭代后E i的值，E 2k表示上次迭代后E 2的值，Y k表示上次迭代后 拉格朗日乘子的值，ek表示上次迭代后懲罰系數(shù)的值； 51033、 固定所述增廣拉格朗日函數(shù)中的A和E2，計算參數(shù) ，對計算參數(shù)T進(jìn)行閾值為
_的軟閾值收縮，從而求得
本次迭代更新后的稀疏成分盡t+1; 51034、 固定所述增廣拉格朗日函數(shù)中的A和E1，并進(jìn)行求導(dǎo)后得到本次迭代更新后的 稀疏成分E2i+1 ; 51035、 更新拉格朗日乘子為
和懲罰參數(shù)ek+1 = min(p |3k，β_)，其中，P為倍數(shù)因子，且ρ>1。
5. 如權(quán)利要求4所述的基于多成分魯棒PCA的運(yùn)動目標(biāo)檢測方法，其特征在于，所述 S104具體包括： 51041、 更新迭代次數(shù)； 51042、 計算收斂性條件RelErrl和RelErr2,其中，
RelErr2 = | |Yk+1-Yk| |F/| |X| |F； 51043、 當(dāng)RelErrD ε 1或1^正1^2> ε 2時，判定位當(dāng)前次迭代收斂，否則判定為不收斂， 其中，ε ρ〖2表不第一閾值和第二閾值。
6. 如權(quán)利要求5所述的基于多成分魯棒PCA的運(yùn)動目標(biāo)檢測方法，其特征在于，所述 S105具體包括： 51051、 若當(dāng)前次迭代收斂，則輸出當(dāng)前次迭代更新后的低秩成分Ak+1、稀疏成分盡?+ι和 稀疏成分^^ ?+1， 51052、 根據(jù)所述低秩成分Ak+1、稀疏成分盡?+ι和稀疏成分·五2?+ι計算得到背景矩陣 |a| L、運(yùn)動目標(biāo)矩陣I Ie1I I1和背景中的動態(tài)變化矩陣I盡& ,從而實(shí)現(xiàn)運(yùn)動目標(biāo)檢測； 51053、 若當(dāng)前次迭代不收斂，則返回執(zhí)行步驟S103。
【專利摘要】本發(fā)明公開了一種基于多成分魯棒PCA的運(yùn)動目標(biāo)檢測方法，包括：S101、對待檢測視頻序列進(jìn)行行列向量化，獲得視頻數(shù)據(jù)矩陣；S102、根據(jù)所述視頻數(shù)據(jù)矩陣，構(gòu)建多成分魯棒PCA模型；S103、采用增廣拉格朗日乘子法對所述多成分魯棒PCA模型進(jìn)行交替迭代優(yōu)化和乘子更新；S104、更新迭代次數(shù)，計算并判斷當(dāng)前次迭代是否收斂；S105、若當(dāng)前次迭代收斂，則根據(jù)當(dāng)前次迭代結(jié)果計算得到背景矩陣、所檢測得到的運(yùn)動目標(biāo)矩陣和背景中的動態(tài)變化矩陣，從而實(shí)現(xiàn)運(yùn)動目標(biāo)檢測，否則返回執(zhí)行步驟S103。本發(fā)明可以從背景擾動中分離出有意義的顯著運(yùn)動目標(biāo)，提升檢測算法的魯棒性。
【IPC分類】G06T7-20
【公開號】CN104867162
【申請?zhí)枴緾N201510275727
【發(fā)明人】孫玉寶, 劉青山, 周偉, 朱松, 孫茂庭
【申請人】南京信息工程大學(xué)
【公開日】2015年8月26日
【申請日】2015年5月26日