[发明专利]基于低秩稀疏分解的运动目标检测方法

说明书

本发明公开了一种基于低秩稀疏分解的运动目标检测方法，包括以下步骤：一是根据结构化分布的稀疏信号，构造具有重叠块结构的结构化稀疏诱导范数表达式；二是将上述的结构化稀疏诱导范数表达式扩展，得到应用于视频的最终结构化稀疏诱导范数表达式；三是将低秩稀疏分解算法中的稀疏部分S进一步分为动态背景E和前景运动目标F；四是结合上述结构化稀疏诱导范数表达式和稀疏部分的近一步划分，获得最终的低秩稀疏分解模型；五是对所获取的低秩稀疏分解模型求解，根据所求得解得到前景目标。本发明在前景目标检测上，特别是针对具有动态背景下的运动目标检测上，提取的前景目标无论是从视觉效果，还是从F‑measure值都优于其他模型提取的前景目标。

技术领域

本发明涉及一种运动目标检测方法，特别是涉及一种基于低秩稀疏分解的运动目标检测方法。

背景技术

运动目标检测的基本任务是将前景运动目标从观测的视频中提取出来，也就是视频前景和背景的分离。经典的视频前背景分离方法有光流法、帧差法和背景差分法。利用背景差分法的运动目标检测的基本思想是把视频序列中的当前帧和背景模型相比较，不同的部分就被认为是前景，因此在基于背景差分法的运动目标检测中背景建模就显得尤为重要。然而许多背景建模方法是基于像素级的，比如混合高斯模型、像素采样模型等等。由于这些建模方法是基于像素的，所以往往会忽略了像素点之间的联系，在处理一些复杂场景下的视频前背景分离时不能取得良好的分离效果。

低秩稀疏分解(Low-Rank and Sparse Decomposition,LRSD)在计算机视觉等众多领域都有广泛应用，运动目标检测是其典型的应用之一，它可以同时完成前背景分离，实现背景建模和前景运动目标提取。在观测视频中帧与帧之间的背景有较强的相关性，可以将其近似的看作低秩矩阵。而前景目标呈现出与背景不同的运动样式，所以可以被认为是低秩矩阵中的误差点或者异常点，而且运动目标通常只占整个背景中的一小部分，符合误差图像的稀疏性。因此低秩稀疏分解模型认为观测的视频数据可以分为具有低秩特性的背景和稀疏特性的前景，低秩成分可以较好地对背景进行建模，而稀疏部分则可以有效地分离出运动目标。

低秩稀疏分解方法不断被应用到运动目标检测中，由Candes等人提出了如下经典的低秩稀疏分解模型：

其中λ＞0是正则化参数，rank(·)表示秩函数，||·||₀表示l₀范数，即矩阵的非零元素的个数。M表示观测的视频矩阵，L为低秩矩阵表示背景，S为稀疏矩阵表示观测视频数据中的运动目标。由于上述模型是NP-hard问题，不易直接求解，将上式进行凸松弛得到如下的优化模型：

其中||·||_*表示核范数，即矩阵奇异值之和，||·||₁表示l₁范数，即矩阵所有元素绝对值之和。该模型可以在对背景进行建模的同时能够分离出前景目标，通过实验结果可以表明该模型对于简单场景下的视频数据可以检测出运动目标。

在实际处理的视频中前景目标像素是具有时空信息和结构信息的，而在传统模型中是利用l₁范数去约束稀疏项的，所以导致其在运动目标检测中是将前景像素作为独立的像素点进行处理的，忽视了在真实视频中被视为运动目标的前景目标是具有潜在的时空信息和结构化分布特征的。此外，当检测场景具有复杂性时，背景会存在一定程度的运动变化，比如水纹、树叶晃动、光照变化等，可能导致背景像素被误判为前景点，对前景提取结果产生不同程度的干扰。

发明内容

发明目的：本发明提供了一种基于低秩稀疏分解的运动目标检测方法，解决了现有方法中忽略前景目标像素中时空信息和结构信息而导致的运动目标检测不完整，以及在复杂场景下动态背景容易误判为前景点，对前景提取结果产生干扰的问题。