[发明专利]一种基于低秩矩阵分解的抗噪运动目标检测算法

说明书

技术领域

本发明涉及数字图像处理领域，特别是一种针对图像序列受噪声信号污染条件下，利用连续视频帧的相似性进行低秩约束下的矩阵分解，得到对噪声鲁棒的前景检测结果。

背景技术

近十几年来，随着数码技术的普及和计算机性能的提升，智能视频分析作为计算机应用中的重要组成部分得到了国内外学者的密切关注与研究。Yilmaz指出智能视频分析分为三个关键的步骤：运动目标检测、目标跟踪和行为识别。作为智能视频的第一步，运动目标检测是指一类从给定的图像序列或监控视频中准确、完整地提取运动目标的方法，所提取的运动目标信息是跟踪、目标识别、行为理解等高层次视频处理技术的基础。从90年代至今，运动目标检测技术已经成为一个经典、成熟的研究领域，其所面对的问题与挑战也越来越清晰，Brutzer将这些问题与挑战分为光照、动态背景、伪装、阴影、带有前景的训练集、视频噪声六类。其中，现有的大部分方法注重检测模型的更新、后处理等方法以适应前五类问题与挑战，却对于受污染信号这一基本问题没有较深入的讨论与研究。噪声作为一种最常见和主要的污染信号，存在于数字图像、视频采集的各个过程中，并会对图像复原、运动检测、目标识别等图像、视频处理带来极大的影响，这也是图像去噪问题一直备受关注的原因之一。

如附图3所示，第一行为测试图像帧，从左到右，测试图像帧的噪声由零逐渐增加，观察对比方法KDE(第三行)，SOBS(第四行)，ViBe(第五行)在没有噪声的情况下(第一列)检测结果准确，能够较好地识别出运动目标，当噪声增加时，现有的方法非参数模型(KDE)，自适应背景模型(SOBS)，视觉背景提取子(ViBe)均出现不同程度的失效，受噪声的影响明显。因此，一种抗噪的运动目标检测算法对于噪声环境下的检测具有实际的应用意义与价值。

发明内容

本发明所要解决的技术问题是针对现有技术不足，提供一种基于低秩矩阵分解的抗噪运动目标检测方法，能在含噪条件下，使得运动目标检测仍具有准确性和抗噪性。

为解决上述技术问题，本发明所采用的技术方案是：一种基于低秩矩阵分解的抗噪运动目标检测方法，具体步骤如下：

(S1)初始化参数设置，定义视频时间窗的大小为N，获取监控视频，共有Q帧图像，定义i表示图像帧索引号，从监控视频第i帧图像开始选择连续的N帧图像作为视频矩阵D，即视频矩阵D包含N个列向量；初值i＝1，N,Q取值为整数；

(S2)将视频矩阵D转换为下列形式：

D＝[Vec(I_i)|...|Vec(I_i+N-1)]∈R^mn×N

则I_i表示视频中经过灰度化的第i帧图像，i取值范围为所处理视频的总帧数；Vec(·)表示矢量化函数，即Vec:R^m×n→R^mn×1，m和n分别表示图像帧的宽和高；R^m×n表示大小为m×n的实数空间，R^mn×1表示大小为mn×1大小的实数空间，R^mn×N表示大小为mn×N大小的实数空间；

(S3)视频矩阵D存在低秩分解为下式：

minA,Erank(A)+γ||E||0s.t||D-A-E||F≤ϵ---(1)]]>