[发明专利]基于高斯极值滤波和群稀疏RPCA的运动目标检测方法

说明书

本发明公开了基于高斯极值滤波和群稀疏RPCA的运动目标检测方法。针对动态背景下的运动目标检测问题，提出了一种基于高斯极值滤波(Gaussian max‑pooling)和群稀疏RPCA(Robust Principal Component Analysis)的运动目标检测方法，此方法包含两个主要模块：1)提出一种称为高斯极值滤波的新方法，为每一个像素点重新估计重一个最合适的灰度值，从而减小动态背景对目标检测的影响；2)提出一个称为群稀疏RPCA的新模型，对运动目标帧内和帧间的连续性进行建模，以实现更精确的运动目标检测。本发明在动态背景下比其它同类方法有更高的检测精度，能为视频监控系统提供一种更有效的运动目标检测算法。

技术领域

本发明涉及基于高斯极值滤波和群稀疏RPCA的运动目标检测方法，属于计算机软件技术领域。

背景技术

近些年来，智能视频监控逐渐成为了安防领域中最核心的技术之一，随着摄像机技术的不断提升，其得到了广泛使用，尤其是在安全较为敏感的场合：如车站、机场、学校、银行等等。然而当前的视频监控只是对时间进行简单的记录，且我们只能耗费大量的人力、物力从海量的视频监控数据中观察、浏览从而获取有用的信息。因此为了能够让视频监控系统能够智能地理解视频场景中的行为已成为迫切的需求。智能视频监控的目标是自动的发现监控场景的违规行为、可疑目标等；其中运动目标检测和跟踪是智能视频监控中的核心部分，因此其得到了研究者们的广泛关注。运动目标检测是智能视频监控中的重要的基础，其对于目标建模、跟踪和识别有着重要的影响，其目的是从图像序列中将前景变化的部分提取出来。

在动态背景下(如：树叶的摆动、水面的波浪)，运动目标检测是一项具备挑战性的任务。经过学者们的不断努力，许多方法被不断地提出。Wren使用单高斯模型对背景建模，目的在于对室内的行人进行检测。因为室外的环境是多模态的，所以这个方法不能较好地在室外进行行人检测。Stauffer提出了提出了一种基于高斯混合模型的目标检测方法，该方法使用多个单高斯模型对背景进行建模，解决了像素的多峰分布，其认为每个像素之间互不相关，对每个像素点的处理都是相互独立的，每个像素点是由不同权值的多个高斯混合分布叠加而成，能够适应不同的场景；不同于单高斯模型，其充分使用了历史帧信息来表示背景，能够适应复杂的像素分布密度，但是其计算量较大，不能较好的处理突然的背景变化。Oliver使用主成分分析(PCA)对背景进行建模，该模型将高维数据投影到低维子空间中，在一定程度上，该方法可以有效地处理全局光照变化。但是其不能有效地处理局部光照变化且不能有效地检测出慢速运动目标。Elgammal提出了非参数核密度(Kernel DensityEstimation,KDE)背景建模方法，其主要是通过对每个像素点的连续的前N帧像素值采集，然后利用高斯内核估计该像素点的概率密度分布，并以此作为判断是否为运动目标的依据，该方法适应性强，准确性较高。Vibe(Visual Background Extrator)方法假设每一个像素和其领域像素的像素值在空域上有相似的分布，采用领域像素来建立背景模型，通过对比背景模型和当前输入像素值来检测前景。PBAS(Pixel-Based Adaptive Segmenter)是一种基于像素的无参数模型，其通过对前N帧像素及其梯度幅值作为背景模型。虽然方法都取得了良好的效果，但是其仍然对动态背景较为敏感。

近些年，基于矩阵低秩分解的鲁棒主成分分析(robust principle componentanalysis,RPCA)在机器视觉和图像处理领域中引起了学者们的广泛关注，并且其已经成功运动到了运动目标检测中。在监控视频中，由于摄像机的位置不动，因此连续的帧的背景具有很强的相关性，且运动目标与背景的差别较大，可将其作为低秩空间中的显著误差或者异常点。且运动目标通常只占了整个场景的一小部分，符合误差稀疏性的约束，因此RPCA可以有效地对实现背景建模和运动目标检测。RPCA模型可以直接从含有运动对象的序列图像中进行背景估计，不需要使用无运动目标的序列图像来进行背景建模。低秩模型可以有效地处理噪声、数据缺失、缓慢的光照变换等问题，且需要调节的参数较少。