[发明专利]一种基于群稀疏鲁棒PCA的运动目标检测方法

说明书

技术领域

本发明涉及一种基于群稀疏(Group Sparsity)鲁棒PCA的视频运动目标检测方法，属于图像信息处理技术领域。

背景技术

运动目标检测是对视频进行有效分析的重要环节。传统的目标检测多数是通过背景减除法或者帧间差分法来实现的。背景减除法中背景建模对运动目标的检测非常重要，然而传统的背景建模计算复杂，分割精度易受噪声影响，并且对光照变化和动态纹理等环境变化很敏感。帧间差分法通过相邻两帧作差分运算来获得运动目标轮廓，算法实现简单，但不能提取出对象的完整区域，只能提取出边界。

近来，学者将鲁棒PCA模型(RPCA)应用于运动目标检测问题。视频中的背景通常具有较强的相关性，近似位于同一低秩的子空间内，而运动目标呈现出与背景不同的运动样式，可被视为偏离该低秩空间的显著误差或异常点。整体的思路即为利用视频每一帧之间的相似性来形成一个子空间，通过这个子空间进行背景建模，同时运动目标通常只占整个场景中的少部分，符合误差稀疏性的约束。因此，应用RPCA模型进行背景与运动目标分离是合适的，低秩部分可较好建模背景，而稀疏部分则可有效分离运动目标。

视频中运动目标区域并不是随机出现的，在时间与空间上具有一定的相关性和连续性。然而经典的l₁范数没有蕴含系数本身与尺度和结构信息相关的“结构化稀疏性”，并不能够有效度量这种时空上下文的相关性，分离的对象存在不完整、不连通等问题，未能有效利用运动目标的时空分布连续性先验，同时也不利于消除由于噪声以及背景随机扰动引起的非结构化稀疏分量，为此需要构建一种结构化稀疏性度量标准，在保持稀疏性约束的同时，更注重运动目标区域的时空相关性的度量，进而鲁棒地分割运动目标。

发明内容

本发明所要解决的技术问题是：提供一种基于群稀疏鲁棒PCA的运动目标检测方法，实现了运动目标鲁棒检测的目的。

本发明为解决上述技术问题采用以下技术方案：

一种基于群稀疏鲁棒PCA的运动目标检测方法，包括如下步骤：

步骤1、输入待测视频序列D，初始化群稀疏鲁棒PCA模型的参数，该模型为min||A||*+λ||E||Groups.t.D=A+E,]]>其中，||A||_*为背景矩阵A的核范数，||E||_Group为运动目标矩阵E的Group范数，λ为正则化参数；

步骤2、利用过分割算法对待测视频序列D的每一帧进行过分割，使得过分割后的各区域为同性区域，并得到各同性区域的边界坐标，将各同性区域作为一个分组，得到待测视频序列D的总分组数；

步骤3、设置最大迭代次数，对步骤2得到的所有分组利用增广拉格朗日乘子法对步骤1所述背景矩阵A和运动目标矩阵E进行交替迭代优化，当前迭代次数为k，则：

(1)计算k+1次迭代时的E_k+1值，计算矩阵T＝D-A_k+μ_k^-1Y_k，通过Group范数的阈值收缩公式进行求解，阈值收缩公式如下：