[发明专利]动态背景下基于低秩及稀疏分解的动目标检测方法

说明书

本发明属于计算机视觉领域，涉及动态背景下基于低秩及稀疏分解的动目标检测方法，该方法首先引入伽马范数(γ‑norm)近乎无偏地逼近秩函数以解决核范数过度惩罚较大奇异值导致所得最小化问题无法获得最优解进而降低检测性能的问题，利用Lsubgt;1/2/subgt;范数抽取稀疏前景目标以增强对噪声的稳健性。基于虚警像素具有稀疏且空间不连续特性提出空间连续性约束以抑制动态背景像素，进而构建目标检测模型。利用基于交替方向最小化策略扩展的增广拉格朗日乘子法对所得优化问题求解。本发明显著改善动态背景情况下动目标检测精度。

技术领域

本发明属于计算机视觉领域，涉及动态背景下基于低秩及稀疏分解的动目标检测方法。

背景技术

动目标检测是计算机视觉领域极具活力的研究方向之一，在交通监控，车流量检测，增强现实等方面具有广泛应用。作为自动视频分析的第一步，动目标检测旨在确定和分割感兴趣目标，据此为后续目标追踪和行为识别提供依据。

近年来，众多基于视频的动目标检测方法相继被提出，相关算法大致可分为以下三类：帧差法，光流法和背景减除(background subtraction，BS)法。其中，帧差法快速简单，但其仅在相邻帧间比较动目标与背景差异导致无法提取完整目标区域。光流法依据视频序列时空梯度估算运动场，无需场景任何先验信息，然而需计算整幅图像光流信息，因而计算开销较大，通常无法满足实时性需求。BS法作为动目标检测常用方法，其将建模所得背景模板和视频帧对比，把变化部分视为运动目标。BS法关键在于背景模型构建，其中传统中值模型、均值模型和单高斯模型等构建方法虽较为简单，但存在大量环境噪声或运动背景时目标检测效果不甚理想。针对此问题，Stauffer等提出高斯混合(mixture of Gaussian，MoG)模型，该模型未将所有像素建模为特定分布，而利用MoG对逐个像素建模，因而可获得相对稳定且精确的模型，然而由于模型参数固定导致其难以适应场景变化。针对此缺点，Zivkovic提出一种改进自适应高斯混合模型，各像素MoG参数及数量均自适应场景变化，但建模时间较长，不利于实时处理。针对此问题，Candès等提出稳健主分量分析(robustprincipal component analysis，RPCA)模型，将观测矩阵分解为低秩与稀疏矩阵，分别对背景和前景建模，而后利用主分量追踪(principal component pursuit，PCP)方法求解该问题。由于RPCA模型不存在参数更新问题，因而可显著改善目标检测实时性能，然而其未考虑观测噪声影响，使得噪声环境下动目标检测精度显著下降。基于此，Ding等提出贝叶斯稳健主分量分析(Bayesian robust principal component analysis，BRPCA)模型，将观测矩阵表示为低秩矩阵、稀疏矩阵和噪声矩阵的叠加，同时引入贝叶斯方法以增强模型对噪声的稳健性。然而，实际场景中，当观测矩阵出现数据丢失时，该模型所使用的L₂损失项将导致检测性能下降。针对此问题，Wang等提出稳健矩阵分解的概率(probabilistic robustmatrix factorization，PRMF)方法，基于L₁损失项及L₂正则项以改善数据丢失情况下矩阵分解的稳健性。然而，由于其未能利用前景像素空间分布特性从而导致算法虚警率较高，进而使得动态背景下动目标检测性能较低。针对此问题，Zhou等提出低秩表示检测连续前景(detecting contiguous outliers in the low-rank representation，DECOLOR)方法，利用视频序列中稀疏前景聚类特性解决动态背景下PRMF方法动目标检测性能不佳问题，然而由于该模型的贪婪特性，强运动背景场景下动目标周围部分背景像素被分类为前景，从而导致动目标检测精度显著降低。

发明内容

针对背景运动引起动目标检测精度显著下降的问题，本发明提出动态背景下基于低秩及稀疏分解的动目标检测方法。