[发明专利]基于加权非凸正则化和迭代重约束低秩表示的动态视频分割方法

说明书

基于加权非凸正则化和迭代重约束低秩表示的动态视频分割方法，包括如下步骤：(1)针对误差矩阵引入加权因子W，确定权值矩阵的约束形式；(2)结合W矩阵计算空间Laplacian结构矩阵L；(3)针对表示矩阵Z的奇异值引入加权的非凸Rational函数；(4)通过步骤1、2和3优化现存GLRR框架，提出IRWNR模型；(5)采用IRM框架(算法1)迭代优化目标模型中的未知变量W、L和Z；(6)采用近端梯度(EIPG)算法(算法2)解决Z的子问题；(7)采用分块奇异值阈值逼近法(算法3)实现算法2中的SVT操作；(8)迭代优化得到W,L和Z，用于实现动态视频分割。具有运行效率高、数据适应性强、准确度高、鲁棒性强的优点。

技术领域

本发明涉及一种基于加权非凸正则化和迭代重约束低秩表示方法的动态视频分割。

背景技术

在捕获子空间数据以及子空间数据结构的方法中，低秩表示是一种极具应用前景的方法。低秩表示广泛应用于信号处理和计算机视觉的领域,如场景分类、动态分割、人脸识别和异常检测等。低秩表示的优越性主要表现在以下三个方面:一是在观测数据下的基础多低阶子空间的自然假设；二是具有特定抗噪声约束的自表征；三是利用核范数低秩正则化的凸近似。然而，这些特征也是低秩表示的局限性所在，其局限性是应该事先知道错误的结构，而数据的内在级别可能是松散的和有效近似的。

为了解决异质噪声及获取更近似于原始低秩假设，近年来的研究提出了大量基于低秩表示框架下的聚类方法。例如，用代码数据的线性组合来表示每个样本，并通过对正则化和约束的不同选择来选择一个最佳的表示矩阵。对于残差项，不同的噪声需要采用不同的规范。然而，这些约束只有在获取错误结构正确的先验知识的情况下才能正常工作，因此通常很难实现。

最近的研究在形成更好的系数矩阵Z的假设下研究几何结构，两个样本在本质上是相近的数据分布的多种形式，然后这两个点在子空间上是相互靠近的。这种想法启发了胡等人提出了光滑表示聚类，考虑到本地输入数据流。Fang等人将低秩表示引入高斯场和函数，解决了经典分簇算法先关联矩阵构建后谱分析的次优性，然而算法需要带标签数据，无法直接进行无监督聚类应用。针对LRR存在的稀疏性不足及噪声敏感等问题，Li等人提出了一种基于局部图拉普拉斯约束的鲁棒低秩表示聚类模型，在保持表示矩阵分块对角的特性下，增强了其稀疏性，减弱了表示字典数据之间的线性相关性。Yin等人则将图拉普拉斯正则项引入隐低秩表示算法，兼顾样本空间和特征空间的子域流形进行分簇应用。最近，Yin等人进一步提出非负稀疏Laplacian正则约束的LRR模型(Non-negative SparseLaplacian regularized LRR,NSLLRR)，以非负性、稀疏性为条件，增加超图拉普拉斯约束，其性能报道优于其它分簇算法。此外，平滑表示分簇算法(SmoothRepresentationClustering,SMR)提出强制组效应概念，并通过样本邻域相似度增强分簇算法的组效应，不仅具有优秀的分簇效果，且其求解过程不需要迭代运算，效率优于现存其他LRR型算法。

发明内容

本发明解决传统低秩表示方法中存在高维数据计算复杂、实时性差、抗噪声能力差等缺点，提出一种加权非凸正则化的迭代重构低秩表示方法，来用作动态视频分割。

为克服噪声约束的限制，本发明引入噪声惩罚因子将其整合到统一的目标函数中，优化图低秩方法(Graph LRR,GLRR)提出加权非凸正则化和迭代重约束低秩表示方法(Iterative reconstrained low-rank representation model with weightednonconvex regularization,IRWNR)，具有更清晰的块对角表示矩阵，并改善了噪声干扰下的子空间聚类效果。

基于加权非凸正则化和迭代重约束低秩表示的动态视频分割方法，包括如下步骤：

步骤1，针对误差矩阵引入加权因子W，确定权值矩阵的约束形式；

步骤2，结合W矩阵计算空间Laplacian结构矩阵L；