[发明专利]一种基于低秩分解和表示联合学习的运动目标检测方法

权利要求书

1.一种基于低秩分解和表示联合学习的运动目标检测方法，其特征在于，包括以下步骤：

(101)获得待检测视频序列的每一帧图像；

(102)对每帧图像进行超像素分割，以超像素为单位提取特征组成向量，将整个视频序列中每一帧的向量合并组成矩阵；

(103)基于视频序列中的背景图像彼此线性相关，先验假设运动目标是相对较小的连续碎片；并且基于表示模型，表示模型是指图像中的每个超像素均可用该图像中其他超像素的线性组合来表示，而线性组合的系数即表示系数，用表示系数描述一帧之中超像素之间的全局关系，得到算法模型；

(104)对模型进行求解，得到每一帧中每个超像素的标签，将超像素的标签赋予该超像素内的每个像素点，即可得到每帧图像的检测结果；

在所述步骤(102)中，根据每一帧的超像素分割结果，以超像素为单位提取超像素的特征组成特征向量其中t表示第t帧，k表示一帧之中超像素的个数，第i个超像素的特征向量x_i是lab颜色均值、直方图或者是底层特征的组合；整个视频序列中每一帧的特征向量合并组成矩阵X＝[X¹,X²,…,Xⁿ]，其中n为视频序列的总帧数；

在所述步骤(103)中，为背景矩阵B加入低秩约束λ‖B‖_*，其中λ是控制参数，控制背景模型的复杂度；

前景S的稀疏平滑约束公式

其中第一项使用L1范数对S进行稀疏约束，表示前景目标在图像中占小部分；

第二项对超像素进行平滑性约束，即邻近超像素之间的标签尽可能相似；

β和η是控制参数，β控制前景目标的稀疏性，η控制两个超像素之间的相关性，是第t帧超像素的二进制标签，若第i个超像素是前景，即运动目标，则取1，否则取0；

对于每一帧图像，表示模型F^t＝F^tZ^t+E^t(t∈[1,2,…,n])；

其中即一帧图像的特征矩阵，Z^t为表示系数，E^t为噪声，表示系数Z^t反映了当前帧的每个超像素与其它超像素之间的相似关系，用于描述一帧之中超像素之间的全局关系，平滑性约束改进为

2.根据权利要求1所述的一种基于低秩分解和表示联合学习的运动目标检测方法，其特征在于，所述步骤(101)中，首先获取待检测视频序列，所述视频序列中背景固定，即实现监控场景下的运动目标检测，图像宽为W，高为H，则获取的每帧图像为W*H*3，其中3代表RGB三个通道中图像的像素值。

3.根据权利要求1所述的一种基于低秩分解和表示联合学习的运动目标检测方法，其特征在于，在表示模型中，用核范数对Z^t进行低秩约束，用L1范数对E^t进行稀疏约束，得到约束公式∑_t(‖Z^t‖_*+α‖E^t‖₁)，其中α是控制参数，控制噪声的稀疏性。

4.根据权利要求3所述的一种基于低秩分解和表示联合学习的运动目标检测方法，其特征在于，所述算法模型为：

约束条件为F^t＝F^tZ^t+E^t(t∈[1，2,…，n])，其中是S的互补矩阵，若超像素是前景，也即运动目标，则取0，否则取1。

5.根据权利要求4所述的一种基于低秩分解和表示联合学习的运动目标检测方法，其特征在于，所述步骤(104)中，求解模型之后得到每一帧的每个超像素的标签s_i，所述超像素的标签表示超像素属于前景或者背景，并将超像素的标签赋予该超像素内的每个像素点，最终根据每一帧中每个像素点的标签来确定每一帧的检测结果。