[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

说明书

本发明公开了一种基于低秩分解和表示联合学习的运动目标检测方法，获得待检测视频序列的每一帧图像；对每帧图像进行超像素分割，并提取特征向量合并组成矩阵；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，且可用表示模型中的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；对模型进行求解，得到每一帧中每个超像素的标签，可得到每帧图像的检测结果。本发明相比现有的以像素为单位进行运动目标检测效率更高，内存开销更少；利用表示模型得到的超像素之间的全局关系，相比现有的只使用局部的结构连续约束进行检测的准确性更高。

技术领域

本发明涉及一种计算机视觉学习进行运动目标检测的技术，尤其涉及的是一种基于低秩分解和表示联合学习的运动目标检测方法。

背景技术

运动目标检测是计算机视觉领域的基础课题，在视频监控、驾驶导航和现实增强等领域有着广泛的应用价值。运动目标检测是指在一段视频序列中将运动的目标从视频中定位和分割出来，是后续目标识别和跟踪、行为分析等任务的基础。传统的运动目标检测方式有三种：

(1)光流法Determining Optical flow.确定光流，即利用光流方程计算出每个像素点的运动状态矢量，从而发现运动的像素点，并且能够对这些像素点进行跟踪。

(2)帧差法，将视频序列中连续两帧的对应像素位置相减，得到的灰度差值构成帧间差分图像，如果灰度差值大于设定的阈值，则判定该像素点为运动目标，否则判定该像素点为背景。

(3)背景减除法，先构建一个不包含运动物体的静态背景图像，然后用当前图像与背景图像对应像素点的灰度差值来判断运动目标，如果灰度差值大于设定的阈值，则判定该像素点为运动目标，否则判定该像素点为背景。

上述这些检测方法大多建立在像素级别的层面上，以统计学习为基础，试图从像素值的角度上区分出运动目标与背景，对背景场景的考虑过于简单，难以处理真实的视频场景。

最近较为流行的背景减除法是将基于低秩和稀疏分解的鲁棒主成分分析(Robustprincipal component analysis：RPCA)Robust principal component analysis:exactrecovery of corrupted low-rank matrices by convex optimization.鲁棒主成分分析：通过凸优化精确恢复损坏的低秩矩阵。应用于运动目标检测，即将视频序列的每一帧图像向量化后组成的矩阵分解成低秩的背景部分和稀疏的前景部分(即运动目标)。

开创性的工作Robust principal component analysis.鲁棒主成分分析。表明可以通过主成分追寻(Principal Component Pursuit：PCP)从未知的模式损坏中恢复低秩模型，稳定的主成分追寻(Stable Principal Component Pursuit：SPCP)Stable principalcomponent pursuit.稳定的主成分追寻。是PCP的扩展，能够较好的处理稀疏粗略误差以及小噪声，但是这些方法在对前景目标建模时均未考虑结构连续的约束条件，容易导致“空洞”和异常噪声。

为此，Moving object detection by detecting contiguous outliers in thelow-rank representation.通过检测低秩表示中的连续异常值进行运动目标检测。DECOLOR对前景目标加入结构连续的约束，将其建模成马尔科夫随机场，但是这个方法是对视频序列进行批量处理，无法处理任意长的视频。

为解决这个问题，Corola:A sequential solution to moving objectdetection using low-rank approximation.Corola：使用低秩近似进行运动目标检测的连续解决方案。COROLA对DECOLOR进行扩展，使其能够在线处理视频序列，且其为了提高前景目标检测的准确性加入了高斯混合模型。