[发明专利]多摄像机视频跨区域人体运动姿态目标识别方法

权利要求书

1.多摄像机视频跨区域人体运动姿态目标识别方法，其特征在于：包括以下步骤，

一，从智能监控系统中采集多摄像机视频跨区域人体运动目标的高清多帧视频图像，

二、压缩感知的联合稀疏及求解联合稀疏优化模型和交替更新：

通过计算压缩粒子观测值矩阵的稀疏表示系数来获得观测值矩阵，实现数据压缩的效果；采用自适应阈值的交替迭参数代重构算法，利用交替更新策略实现了参数交替更新

联合稀疏优化模型：

其中，为拉格朗日乘子矩阵，δ_ij∈R^m×n(i＝1,2.j＝1,2)，β＞0定义为罚值参数，式(3)中,A(·),C(·):R^m×n都是个线性算子,其具体定义式如下：

其中，A(·)以及C(·)中的元素0代表零元素矩阵，该矩阵的大小与矩阵φ及Z相同，式(3)将式(2)所表示不含约束条件的优化问题，用增广拉格朗日算法来求解式(3)的优化问题，求解过程包括拉格朗日方程变量优化和更新这两个迭代步骤：

δ^k+1＝δ^k+β^k(C(Z^k+1)-A(θ^k+1)) (6)

因此，利用交替更新来更新式(5)中的变量矩阵θ及Z，所使用的交替更新的具体步骤为：

固定Z^k，忽略式(3)中的常数项后，式(7)的子优化问题如下：

忽略式(9)中的常数项部分，最终的θ^k+1更新方式为：

式(10)中，函数为一个对矩阵X进行处理的算子，该算子的输出为一个矩阵，其中输出矩阵每一行的更新方法为：

式(11)中,[ρ_α(X)](i,:)表示输出矩阵[ρ_α(X)]的第i行；X(i,:)表示矩阵X的第i行；0表示与行向量X(i,:)同维度大小的零向量；α表示软阈值，θ^k+1固定，式(8)所涉及的子优化问题如下：

式(12)是一个最小二乘问题，可通过将其导数置0来对其进行求解，求解过程为：

通过重构算法中的算子C(·)，对(13)进行整理，可将其重新表示为：

其中，式(14)中函数可简化为：

将公式(15)带入(14)可得：

其中

式(17)是一个最小二乘问题，通过将其导数为0来对其进行求解:Z^k+1的最终更新方式为：

其中，

固定θ^k+1以及Z^k+1的更新通过求解下述子优化问题,求解式(3)的凸优化问题,采用自适应交替迭代参数重构算法，

输入:A,φ,Y

输出:θ

初始化:θ⁰＝Z⁰＝0,β⁰＝1×10^-6,δ⁰11,12,21,22＝0,当满足条件:||θ^k+1-θ^k||_F＞10^-6,继续执行迭代循环：

固定Z^k:

固定θ^k+1:

更新拉格朗日乘子:δ^K＝¹＝δ^k+C(Z^k+1)-A(θ^K+1)

更新β^k+1:β^k+1＝min(β,hβ^k)

K＝K+1

结束迭代，

三，图像重构：基于压缩感知的图像重构算法，从求得的压缩观测值矩阵最优解Y中图像重构出图像X，采用自适应阈值交替迭代参数重构算法，在迭代过程中自适应选取阈值迭代图像重构，基于压缩感知的图像重构,从观测值矩阵Y中重构出原图像X，因为，Y＝φX,为了实现基于压缩感知的图像重构，将优化问题表示如下：

式(14)中，Z＝X^k-X^k+1优化目标函数为：

Z的优化问题表示为：

要求解式(21 )，令目标函数导数为0得：

经整理可得：

Z＝(I+Gφ^Tφ)^-1Gφ^T(Y-φX^k-1) (23)

将Z＝(X^k-X^k-1)带入式(23 )，经整理得：

X^k＝X^k-1+(φ^Tφ+G)^-1φ^T(Y-φX^k-1)＝B^k+F^k (24)

通过图像重构获得原图像的优化解X^k＝B^k+F^k，

四，识别人体运动姿态目标：采用设定阈值T，利用二值化图像识别人体运动姿态目标：

已求得原图像的优化解X^k，因为，X^k＝B^k+F^k优化解的背景及前景，利用优化解的当前图像与背景图像对比得到前景运动区域，可以获得完整的目标区域，提出基于优化解的背景减除法，将当前图像对比背景图像，得到帧差图像D^k，

D^k＝|F^k-B^k| (25)

其中，F^k为当前图像，B^k为背景图像，通过式(26 )对结果图像D^k进行二值化处理，获得前景运动区域，

其中，T为设定阈值，M^k是二值化图像，如果D^k≤T时表示场景中没有运动目标，D^k＞T时表示场景中有人体运动目标出现，在背景图像B^k稳定的条件下，通过将当前图像与背景图像进行差值运算能准确识别人体运动姿态目标。

2.根据权利要求1所述的多摄像机视频跨区域人体运动姿态目标识别方法，其特征在于：步骤三和四之间还存在步骤：优化解的背景图像实时更新：式(27 )实现了背景区域更新，在二值化图像为0时才进行背景图像的实时更新，为1时不进行背景的更新：

其中，ρ∈[0,1]为加权系数，更新后的背景图像就可以反应当前背景状态变化和更新速率。