[发明专利]一种基于字典学习的低照度运动检测方法

权利要求书

1.一种基于字典学习的低照度运动检测方法，其特征在于，该方法为：

1）从被监控场景的视频图像I中提取N张背景图像，将每张所述背景图像分成m×l个背景图像块；将第f张背景图像的第j个背景图像块矢量化为向量所有背景图像上第j个位置的背景图像块构成矩阵将矩阵X_j作为所有背景图像上第j个位置的背景图像块的训练集；其中，f=1,2,…,N；j=1,2,…m×l；

2）从X_j中随机选择k个向量作为初始字典D₀；

3）令t=1；

4）从X_j中选择一个向量，记为x_t，利用下式计算背景图像块训练集X_j的稀疏系数其中λ为平衡参数；

5）利用α_t和D_t-1更新字典，得到更新后的字典D_t=[d₁,d₂,…d_k]：

de=1max(||ce||2,1)ce;]]>

其中，e=1,2,…k；d_e'、d_e分别为字典D_t-1、D_t中第e个原子；A=[a1,···,ak]=Σi=1tαiαiT;[b1,···,bk]=Σi=1txiαiT;]]>A_ee为A的第e行第e列的元素；

6）判断D_t是否满足下列收敛公式：若满足，则进入步骤7）；否则，用D_t替代D_t-1，重复步骤5），直到更新后的字典满足所述收敛公式，进入7）；

7）令t=t+1，采用随机梯度下降的方法，从X_j中选择下一个向量，重复上述步骤4）～6），直到t=5～10，得到所有背景图像上第j个位置的背景图像块的字典D_j和稀疏系数α_j，则第j个位置的背景图像块的背景模型I_B(j)为：

I_B(j)=D_jα_j；

8）对于所有背景图像上其余位置的背景图像块训练集，重复上述步骤2）～7），直到得到所有背景图像块训练集的字典D=[D₁,D₂,…,D_m×l]和稀疏系数α=[α1T,α2T,···,αm×lT]T;]]>

9）从所述视频图像I中提取一张与所述背景图像大小相同的测试图像，将所述测试图像分成m×l个测试图像块；将每个测试图像块矢量化为向量xrj'，所有矢量化后的测试图像块构成矩阵

10）利用下式计算X'_j中第j个矢量化后的测试图像块的稀疏系数α_j'则所述测试图像的稀疏系数α′=[α1′T,α2′T,···,αm×l′T]T;]]>

11）利用下式计算所述测试图像第j个测试图像块的前景检测值I_F(j)：

I_F(j)=∑(D_jα_j′-I_B(j))；

12）判断I_F(j)是否大于阈值T，若大于，则I_F属于前景；否则I_F(j)属于背景，将I_F(j)置0；其中T的取值范围为：u、σ分别为背景模型I_B与各背景图像块训练集差值的均值构成的向量的均值和方差。

2.根据权利要求1所述的基于字典学习的低照度运动检测方法，其特征在于，该方法还包括：

13）对I_F(j)进行加权后处理，得到加权处理后的前景检测值I_F′(j)：

IF′(j)=(1-SSIMj)*(IF(j)+Σp∈neighbor(j)IF(p));]]>

其中，I_F(j)、I_F′(j)分别为第j个测试图像块加权前后的前景检测值，SSIM_j为所述测试图像与背景模型I_B(j)中第j个位置的背景图像块的结构相似度指数；neighbour(j)表示第j个测试图像块的3×3邻域，I_F(p)表示第j个测试图像块3×3邻域内的测试图像块的前景检测值；

14）判断I_F′(j)是否大于阈值T，若大于，则I_F′(j)属于前景；否则I_F′(j)属于背景。