[发明专利]一种稀疏编码背景建模方法

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种稀疏编码背景建模方法。

背景技术

在图像处理技术领域中背景提取和背景去除是图像处理中一项关键的步骤，现有技术中的背景建模方法主要分为像素级的方法和帧级的方法。典型的像素级方法包括：帧差法[1]，核密度法[3]和混合高斯法[2]。帧差法使用相邻帧的差值进行运动目标检测，这种方法算法简单，计算速度快，但是对于前景的检测不够精确。尤其是当前景面积较大，像素的亮度分布较为均匀，运动速度较慢时，帧差法对前景的检测将出现大的空洞。混合高斯法认为背景像素可以使用多个高斯分布进行表征，并因此使用多个不同的高斯分布实现对背景的建模。混合高斯法可以根据当前的图像对背景模型的参数进行更新，能够较好的实现对动态背景的建模，是一种非常常用且有效的背景建模方法。而且在原算法的基础上，也有很多的改进方法提出[4,5]。但是，并不是在所有的情况下混合高斯模型都能够准确的对背景进行建模，比如，当前景与背景的像素比较相似时，混合高斯模型常常误将部分前景像素检测为背景。不同于混合高斯法中使用高斯分布对背景进行建模，核密度法使用核密度估计估算背景像素的概率分布并以之对背景建模。具体而言，对于一个像素点，核密度估计采样过去几帧中这个像素点处的像素值，并使用这些像素值的核函数的均值对此像素点像素值的概率分布进行估计。核密度法是一种非参数的估计方法，其对概率密度的估计并不局限于特定的概率密度分布，因此可以对任意形式的背景分布做出估计，灵活性更高。但是核密度法的运算量较大，估计的时间复杂度较高。

不同于像素级的模型对各帧内的背景像素的分布进行建模，帧级的模型通过分析帧间的图像结构对背景进行建模。目前比较常见的帧级模型有PCA模型[6]，稀疏编码模型[9]和低秩[7,8]模型。PCA模型假设各帧的背景图像分布于一个低维的子空间中，并通过PCA学习得到的基函数对背景图像进行重建。与PCA模型相似，稀疏编码模型使用字典中的原子对视频图像的背景进行表征，并根据背景建模的特点，将普通稀疏编码中的2范数误差项替换为1范数误差项，加强了算法的鲁棒性。同样是基于子空间的假设，Candes等人假设潜在的背景图片都列于一个低秩子空间中，因此通过寻找图像序列的低秩表征来进行背景建模。在Candes等人工作的基础上，Zhou等人利用马尔可夫随机场对前景所在区域加入了连续性约束，实现了更好的背景建模效果。

目前的帧级模型都是基于潜在背景图像位于一个线性子空间中的假设，直接对全局背景进行建模。这种对直接对全局背景进行建模的方法对于较强烈的局部背景变动比较敏感，然而帧级的全局模型不能区分背景中运动目标和前景中运动目标。

发明内容

根据现有技术存在的问题，本发明公开的一种稀疏编码背景建模方法，对采集到的图像进行背景建模，具体采用如下方式：该方法采用判别性原子模型方法对图像进行背景建模，所述判别性原子模型方法采用如下方式：

步骤1：将采集到图像分割成多个图像块，对图像块按照下述公式进行稀疏编码；

argminD,X||Y-DX||22+λΣi||xic||0]]>

式中：Y＝[y₁,y₂,...,y_n]∈为图像块组成的集合，D＝[d₁,d₂,...,d_k]∈为k个原子组成的字典，通过KSVD算法求解，X∈为稀疏编码的系数，通过正交匹配追踪算法求解，为X的第i列，λ是用于平衡重建误差和稀疏度的参数；