[发明专利]基于局部约束非负矩阵分解的运动显著区域提取方法

说明书

本发明公开了一种基于局部约束非负矩阵分解的运动显著区域提取方法，主要解决复杂背景对于运动特征提取所造成的干扰问题。其技术方案是：1.获取样本视频序列，提取长度相同的稠密轨迹并构造非负数据矩阵；2.向非负矩阵分解模型中引入局部约束项，构造局部约束非负矩阵分解的目标函数；3.对目标函数优化求解，得到基矩阵和系数矩阵的迭代规则；4.分解数据矩阵得到聚类结果；5.对得到的聚类簇排序后筛选，得到运动主体的轨迹；6.对运动主体轨迹进行形态学膨胀，获得各视频帧中的运动显著区域。本发明能获得有效的显著区域，以降低运动视频中复杂背景对特征提取造成的干扰，可用于智能视频监控、运动分析及人机交互中。

技术领域

本发明属于图像处理技术领域，具体涉及一种运动显著性区域的提取方法，可用于智能视频监控、运动分析及人机交互中。

背景技术

视频运动特征提取是视频处理中最为关键的技术之一，广泛应用于视频行为识别和目标追踪。目前，对于视频运动特征的提取已经取得了一定的进展，但是如何有效去除背景对运动特征提取的干扰仍然是一个具有挑战性的问题。在运动特征提取中较为常见的背景去除方法有：

(1)Murase H,Sakai R.Moving object recognition in eigenspacerepresentation:gait analysis and lip reading[J].Pattern recognition letters,1996,17(2):155-162.文中采用卡尔曼滤波算法，对当前帧对应像素的导数和灰度进行估计，即通过递推算子由前一帧像素的灰度值及其对应的导数值估计当前帧，实现对背景模型的实时更新和抵抗光照变化影响，但是这种方法一旦模型出现错误，错误持续的时间相当长。

(2)Stauffer C,Grimson W E L.Adaptive background mixture models forreal-time tracking[C]//Computer Vision and Pattern Recognition,1999.IEEEComputer Society Conference on.IEEE,1999,2.文中运用混合高斯分布，克服了核密度估计算法需要存放大量数据的难题，实现了对单个像素建立模型并自动更新，克服了光照变化和背景复杂带来的影响，但是这种模型本身包含较多参数因而较复杂。

非负矩阵分解NMF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。

目前已提出的非负矩阵分解方法主要有：

Lee D D,Seung H S.Learning the parts of objects with nonnegativematrix factorization.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。该种方法是将一个所有元素都非负的矩阵分解为两个元素依旧非负矩阵的乘积，同时有效降低维数。基本非负矩阵分解能够用于数据聚类，但其在聚类过程中仅仅依靠低维特征的相似性，很容易导致聚类簇之间的交叉混叠，因此聚类效果并不令人满意。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于局部约束非负矩阵分解的运动显著性区域提取方法，以提高聚类效果，从而有效去除复杂背景，获得运动显著性区域，更准确地提取有效的视频运动特征信息。

实现本发明的技术关键是在非负矩阵分解算法的目标函数中引入系数矩阵的局部约束项，利用该种局部约束非负矩阵分解算法进行视频序列的轨迹聚类，使得同类样本的聚类簇更紧凑。其实现步骤包括如下：

(1)获取样本视频序列，设置轨迹提取的长度m，并进行稠密轨迹提取；