[发明专利]雨雪天气条件下的运动目标检测方法

说明书

本发明是一种雨雪天气条件下的运动目标检测方法。该方法在监控区域架设视频采集设备，对采集到的视频数据逐帧处理。雨雪天气条件下的目标检测由于环境复杂很难检测出高精度的真实的前景，针对这一问题，利用RPCA这一工具，在低秩稀疏分解框架下，使用核范数的强低秩性对背景进行建模，利用收敛凸优化算法的三维全变分范数正则化结合正则化对前景目标的时空平滑性和噪声(动态分量)的稀疏性进行约束。针对所提出的模型，采用交替迭代乘子法的思想，利用增广拉格朗日乘子法对目标函数进行优化求解，实现精确地的目标检测。本发明能够克服雨雪天气条件下的噪声干扰，检测出精确的运动目标。

技术领域

本发明涉及计算机视觉与视频图像处理技术领域，特别涉及一种针对雨雪天气影响下的视频运动目标检测方法。

背景技术

在视频监控系统中，运动目标的检测是识别视频数据中有用信息的重要任务，如入侵检测、边缘对象、交通数据采集等，实时环境中的目标检测具有重要的应用价值。在自然环境采集的视频，环境相对复杂，包括动态背景、光照变化、遮挡、相机抖动等影响，这些都会降低视频的质量，但这些问题现已有较好的解决方法。然而在恶劣天气下的运动目标检测仍然是一个难题，尤其是雨雪天气条件下。

背景差分法是经典的运动目标检测算法之一，其核心是利用当前图像与背景图像的差分来检测运动目标，但背景差分法只有在静态相机、恒定光照和静态背景下背景差分法效果良好。近年来，鲁棒主成分分析(RPCA)在计算机视觉的许多研究中得到了广泛的应用。然而，它只能在静态背景下工作，现实场景的背景在本质上并不总是静态的，物体的运动也不均匀。为了克服RPCA中存在的不足，国内外学者进行了大量的研究。提出了一种低秩表示的连续目标检测(DECOLOR)算法，基于RPCA模板，利用正则化非凸l₀范数和马尔可夫随机域(MRF)提取运动目标和背景，该方法比RPCA具有更好的结果，但该方法只能检测靠近移动对象的区域。经过进一步研究提出了一种全变分正则化RPCA算法(TVRPCA)，将空间和时间连续引入到原始RPCA中，处理动态背景和长期或缓慢移动的对象。然而，只有当动态自然背景比具有平滑边界和轨迹的运动前景更稀疏时，这种方法才有效。虽然应用RPCA模型在目标检测上取得了很多成果，但大多数算法分别将背景和前景估计为低秩和稀疏分量，这些算法没有同时利用背景和前景的结构特性，显然在恶劣天气这种极端天气下是不够有效的。

恶劣天气条件下的运动目标检测主要面临很多挑战，比如整个视频中都有不规律飘动的雪花，这些背景噪声都会干扰目标的检测；户外拍摄的镜头由于天气的原因可能会结冰或雨水而影响拍摄镜头；雪天背景亮度较大，运动目标在背景表面投射弱阴影而不清晰；长时间在户外运动的目标，表面被雪花覆盖，获取的目标产生大量空洞。这些问题给高精度的运动目标检测带来了挑战。单纯的依靠RPCA模型已经不能解决前景空洞等问题，本方法利用RPCA这一工具，在低秩稀疏分解框架下，通过采用收敛凸优化算法的三维全变分(TV)范数正则化，结合l₁正则化对前景目标的时空平滑性和噪声(即雪花或雨夹雪)的稀疏性进行建模，检测出完整且边缘完好的运动目标。

发明内容

本发明要解决的技术问题是，现有技术对雨雪天气视频图像的检测准确度不高，雨雪天气下视频图像受到天气条件的影响很大，使得精确检测出视频目标十分困难。

本发明的技术方案为：一种针对雨雪天气条件下的运动目标检测方法，将输入的监控视频读入，并将每一帧图片灰度化并保存。首先将视频序列中的每一帧排列为一个列向量，所有的视频帧组成的矩阵对应的就是二维观测数据矩阵，然后利用RPCA这一工具，在低秩稀疏分解框架下，使用核范数的强低秩性对背景进行建模，利用三维全变分正则化结合l₁正则化对前景目标的时空平滑性和噪声(动态分量)的稀疏性进行约束，从而弥补现有RPCA模型的不足。针对所提出的模型，采用交替迭代乘子法的思想，利用增广拉格朗日乘子法对目标函数进行优化求解，实现精确地的目标检测。

本发明具体步骤如下：