[发明专利]基于自适应鲁棒主成分分析的视频前景分离方法和系统

说明书

本发明涉及一种基于自适应鲁棒主成分分析的视频前景分离方法和系统，包括：首先将图像序列中的每幅图像按行拉成列向量，然后将列向量组合成一个新矩阵M；对矩阵M进行奇异值分解，并将第r个奇异值作为奇异值阈值运算的初始阈值；然后重构前r个奇异值形成新矩阵M_r，并计算各个奇异值单独重构形成的矩阵所包含的信息占矩阵M_r所包含的信息的比例；根据比例大小对奇异值自适应地稀疏化。最后，根据非精确增广拉格朗日乘子法，通过奇异值阈值运算模型将矩阵M分解成一个低秩矩阵和一个稀疏矩阵。实验表明，本发明方法考虑到了前景目标与背景间的信息融合影响，很精确地分离出了低秩的背景部分与稀疏的前景部分。

技术领域

本发明属于视频图像处理领域，涉及一种基于自适应鲁棒主成分分析的视频前景分离的方法，特别是针对静态摄像机下的监控图像前景背景分离方法。

背景技术

伴随网络技术和数字视频技术的飞速发展，监控技术日益面向智能化、网络化方向发展，这使得对监控图像背景提取技术的要求越来越高。背景提取常用于从一个静态摄像机获取的场景中分割出动态目标，典型方法有：基本背景建模法、背景估计法、模糊背景建模法和统计背景建模法。这些传统方法的基本思路是首先通过学习一段训练图像序列提取出该图像序列的背景特征，从而建立一个数学模型来描述其背景，然后用该背景模型对需要检测的图像序列进行处理(一般采用背景相减法)，提取出当前图像中与背景模型中性质不同的像素点，即为图像的动态目标。然而，由于视频监控的场景会随着时间发生变化(光照、阴影等)，这些方法需要及时更新背景模型，因而存在着背景模型不能快速准确地适应场景中的局部变化问题。同时，由于需要预先学习训练序列构造背景模型，这些都制约了它们在视频监控智能化和网络化中的应用。由此可见，在场景变化情况下实现对运动目标的准确检测在视频监控系统中具有十分重要的意义。

当前，研究者们将鲁棒主成分分析(RPCA)理论引入到视频图像背景重构领域。鲁棒主成分分析(RPCA)，是通过秩最小化(核范数约束)恢复出被前景目标覆盖的低秩背景的一种方法。该方法采用非精确拉格朗日乘子法(Inexact Augmented LagrangeMultiplier)，以奇异值阈值运算(Singular Value Thresholding Operator)为求解工具，通过迭代求解出全局最优的低秩矩阵和稀疏矩阵。视频中的背景通常具有较强的相关性，近似位于同一低秩的子空间内，而前景目标呈现出与背景不同的纹理特征，可被视为偏离该低秩空间的显著误差或异常点，同时前景目标通常只占整个场景中的一小部分，因此应用鲁棒PCA模型进行背景与前景分离是非常合适的。矩阵的低秩成分可较好建模背景，而稀疏部分则可有效分离前景目标，对视频背景的建模取得了较为出色的结果，有助于提升算法的鲁棒性与准确性，为前景目标检测问题开辟了新的研究方向。

由于各个奇异值是以不同的尺度含有前景和背景的信息，而核范数对所有的奇异值是以相同的尺度进行稀疏化，因此RPCA在得到低秩的同时并不能精准地恢复出不含有异常信息(欠分割、过分割)的背景。另外，鲁棒主成分分析方法中，奇异值阈值运算的阈值选择是和图像序列矩阵的尺寸联系在一起的，因此若图像序列的图像数目过少时，鲁棒主成分分析方法求解的迭代过程有可能会是跌宕收敛，而非直接收敛到全局最优。

为了消除前景目标与背景信息相互融合致使恢复出的低秩背景效果不佳，及迭代过程可能非直接收敛的问题。本发明首先重定了初始阈值的大小，然后对奇异值设置稀疏权重，使其对奇异值的稀疏化以不同尺度的进行。

发明内容

本发明的目的在于克服RPCA恢复出的低秩背景效果不佳的问题，提出一种自适应鲁棒主成分分析方法。该方法通过对图像序列奇异值分解，然后分析各个奇异值的重构矩阵所包含的信息量，根据信息量的比列来自适应地稀疏化奇异值，提高了求解迭代的收敛效率，且使迭代直接收敛到全局最优解，准确地恢复出了低秩的背景。

为了达到上述目的，本发明提供的技术方案如下：基于自适应鲁棒主成分分析的视频前景分离方法，包括如下步骤：