[发明专利]基于RPCA与三帧差分融合的运动目标检测方法

说明书

技术领域

本发明涉及机器视觉和数字图像处理技术领域，尤其涉及基于RPCA与三帧差分融合的运动目标检测方法。

背景技术

智能视频监控技术的应用将大大提升安防监控在维护社会公共安全方面的价值。监控视频中的人体异常行为检测是智能监控系统的重要组成部分，可以对监控视频中的异常行为进行预警。视频中的运动目标检测是人体异常行为检测的基础，因此，对视频中运动目标检测方法的研究具有很重要的现实意义。

传统的运动目标检测算法包括帧差法、光流法和背景减除法。在上个世纪70年代末，Jain等人提出了使用帧间差分的方法来提取运动目标。帧间差法对包含运动目标的场景有着比较强的鲁棒性，且运算速度快，但该方法一般不能完全检测出运动物体的所有像素点，常常在检测到的运动物体内部出现“空洞”现象。

光流法是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。光流法既适用于静止的背景，也适用于摄像头运动的情况，但光流法最大的缺点就是其计算量大，不适用于实时的监控系统。

背景减除法必须要有背景图像，并且背景图像必须是随着光照或外部环境的变化而实时更新的，因此背景减除法的关键是背景建模及其更新。1997年Wren等人提出使用单高斯进行背景建模方法，利用阈值判断像素点是否属于前景。但因为背景的复杂性，单高斯模型并不能满足要求。随后，1999年Stauffer等人提出了经典的混合高斯背景建模法。针对混合高斯模型算法计算量大的问题，Zivkovic等人提出了一种高斯模型个数自适应的算法，使得算法效率、鲁棒性得以提升。2009年，Barnich等人提出了一种新颖的基于像素点的运动目标检测法，并命名为视觉背景提取法(ViBe)，该算法直接对每一个像素点按照一定的规则随机地选取一定数量的像素值进行背景建模，然后采用欧氏距离对像素点进行前景与背景的分类，但ViBe算法的缺点是容易产生“鬼影”以及运动目标检测不完整的问题。

近年来，用矩阵分解的方法来实现运动目标检测引起了广泛的关注。这类方法认为观测视频中的背景部分能够被低秩矩阵所捕捉到。RPCA考虑的是这样的一个问题，一般我们的数据矩阵会包含结构信息，也包含噪声，那么我们可以将这个矩阵分解为两个矩阵相加，一个是低秩的，另一个是稀疏的。其中低秩矩阵就代表运动目标检测中的背景，稀疏矩阵则代表运动目标检测中的运动前景。

发明内容

为了克服传统三帧差分法进行运动目标检测时容易出现大量“空洞”的问题，考虑到三帧差分法比较简单且易于在硬件中实现，本发明旨在提供基于RPCA与三帧差分融合的运动目标检测方法，将视频背景加入到帧间差分，从而避免了背景像素对于前景检测的影响，能够在复杂背景环境中提取出完整、准确的运动前景。

为了解决上述技术问题，本发明通过以下技术方案实现：

基于RPCA与三帧差分融合的运动目标检测方法，包括如下步骤：

Step1,视频数据读入：将输入的监控视频读为一帧一帧的图片并进行保存；

在对视频进行处理时，首先将视频读为一帧帧的图片I₁,I₂,…I_k∈N^m*n，其中m，n为每帧图片的大小；

对于第k帧中运动前景的检测，选取第k-1帧和第k帧图像I_k-1，I_k；

Step2,灰度化处理：读取所需处理的视频当前帧图片并转化为灰度图像；

对I_k-1，I_k进行灰度化处理，得到灰度图像，记为I₁，I₃；

Step3,RPCA背景提取：对所读取的视频当前帧通过RPCA方法进行背景提取；

将I_k通过RPCA方法进行背景恢复，从而得到代表背景的低秩矩阵A_k，记为I₂；

Step4,邻间差分：将Step3中所提取的视频当前帧的背景I₂做为三帧差分的中间帧，视频的前一帧I₁作为三帧差分的前一帧，视频当前帧I₃作为三帧差分的后一帧进行邻间差分；

求解差分图像diff1和diff2：

diff1＝|I₁(x,y)-I₂(x,y)|