[发明专利]基于部分稀疏约束非负矩阵分解的视频运动特征提取方法

说明书

技术领域

本发明属于图像处理技术领域，涉及视频运动特征提取，可用于目标追踪和视频监控中快速、准确、有效的提取视频运动特征，清晰展现运动轨迹。

背景技术

视频运动特征是视频的重要特征之一，广泛应用于目标追踪和视频监控。目前，对于视频运动特征提取已经取得很大的进展，但是如何精确检测视频流中的运动目标仍然是一个具有挑战性的问题。有些算法需要手动调整参数或设定一些假设条件，其中一种广泛应用的方法基于背景差的方法，该方法是一种基于像素的运动特征提取方法，首先需要精确估计视频的背景模型，然后采用当前帧和背景之间的差来提取视频的运动特征。当前帧的每一个像素都和背景模型作比较，若差值大于某已设定的阈值，则该值被认为是当前帧的运动像素。该方法受阈值和闪光的影响较大，若整个视频都处在同一光照强度之下，则该方法可以精确提取出视频的运动特征，但是，如果存在光照强度的改变，而阈值选择的不合理，则会将闪光点认为是运动特征提取出来。

(1).Duan-Yu Chen，Kevin Cannons，Hsiao-Rong Tyan，Sheng-Wen Shih，Hong-YuanMark Liao.Spatiotemporal motion analysis for the detection and classification of movingtargets.IEEE Transactions on multimedia，2008，10(8)：1578-159。这种方法结合高斯混合模型和背景差提取视频运动特征，该方法能够将背景完全静止视频中的运动特征较好地提取出来，但对于背景有闪光点和晃动的视频，在提取运动特征过程中将产生更多的噪声点，不能将运动特征和噪声完全区分，严重影响运动特征提取的准确度。.

(2).Y-P. Guan.Spatio-temporal motion-based foreground segmentation and shadowsuppression.IET Computer vision，2008，4(1)：50-60。这种方法基于多尺度小波变换进行运动目标检测方法，能够有效地抑制目标的阴影问题，最佳门限的选择可以自动确定，不需要复杂的监督学习或手动校准，但该方法在提取运动特征时需要用到参考帧，若参考帧中含有运动特征，则会对目标帧产生运动重影，不能很好地区分目标帧运动特征。

非负矩阵分解NMF(Non-Negative Matrix Factorization)是在矩阵中所有元素为非负条件下的一种矩阵分解方法，能够大大降低数据特征的维数，分解特性合乎人类视觉感知直观体验，分解结果具有可解释和明确的物理意义，自提出以来受到人们的广泛关注，已成功应用于模式识别、计算机视觉和图像工程等多个领域。

NMF能够将信号分解成一组基信号的线性加权和，而视频帧可以看作静止分量与运动分量的线性加权和，一般来说，静止分量是非稀疏的，运动分量是稀疏的，因此可以利用NMF方法提取视频运动分量。

目前已提出的非负矩阵分解方法主要有：

(3).Lee D D，Seung H S.Learning the parts of objects with nonnegative matrixfactorization.Nature，1999，401(6755)：788-791。提出了一种新的矩阵分解方法-非负矩阵分解。它能够把一个非负矩阵(矩阵的所有元素均为非负)分解为两个非负矩阵的乘积，同时实现非线性的维数约减。基本非负矩阵分解的结果具有一定的稀疏性，但其稀疏性并不令人满意。

(4).P. O.Hoyer.Non-negative matrix factorization with sparseness constraints.J.ofMach.Learning Res.，5：1457-1469，2004。提出了一种可精确控制稀疏性的非负矩阵分解方法，能够以非线性投影同时实现基矩阵和系数矩阵稀疏性的精确控制，但稀疏性约束添加在所有基向量上，并且当施加较高稀疏性约束时，对数据的描述力不够，分解误差过大，收敛速度缓慢。

发明内容

本发明目的是针对上述已有技术的不足，提出了一种基于部分稀疏约束非负矩阵分解的视频运动特征提取方法，以快速、准确、有效的提取视频运动特征，清晰展现运动轨迹。

实现本发明的技术关键是在部分基矩阵列向量中加入了稀疏约束，具体实现步骤包括如下：