[发明专利]缓变运动背景中运动目标检测方法在审
申请号: | 202010962686.8 | 申请日: | 2020-09-14 |
公开(公告)号: | CN112150502A | 公开(公告)日: | 2020-12-29 |
发明(设计)人: | 胡正平;李淑芳 | 申请(专利权)人: | 燕山大学 |
主分类号: | G06T7/194 | 分类号: | G06T7/194;G06T7/136;G06K9/62;G06K9/00 |
代理公司: | 广东有知猫知识产权代理有限公司 44681 | 代理人: | 冯姣 |
地址: | 066004 河北*** | 国省代码: | 河北;13 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 运动 背景 目标 检测 方法 | ||
1.缓变运动背景中运动目标检测方法,其特征在于,包括以下步骤:
步骤一:在摄像机视频中,每帧图像都可以分割为前景目标和背景两部分,假设摄像机视频分辨率为p×q,运动背景序列为B1,B2,…,Bk,图像序列为X1,X2,…,Xm,则当前视频图像可以表示为:
X=B+E (1)
其中式中,B和E分别表示背景图像和运动目标图像;
步骤二:根据背景矩阵A与前景矩阵E分别具有低秩与稀疏的特性,可以将视频矩阵分解成为低秩矩阵和稀疏矩阵两部分,提出通过主元追求求解:
其中式中,λ为非负参数;||E||0为矩阵E的l0范数,即矩阵中非零元素的个数;rank(B)为矩阵B的秩函数,即矩阵非零奇异值的个数;
步骤三:由于步骤二中秩函数和l0范数是非凸的,上式所表示的矩阵分解为一个NP难问题,故需要在此基础上对模型进行修正,PCP方法用核范数来逼近矩阵的秩,用矩阵的l1范数来约束稀疏性,进而可以得到一个凸优化问题的求解模型:
其中式中,||B||*为矩阵B的核范数,即矩阵所有奇异值之和;||E||1为矩阵E的l1范数,即矩阵所有元素绝对值之和,通过求解此模型,可以分解出低秩背景矩阵B和稀疏前景矩阵E;
步骤四:对于视频序列中的目标检测,可以先利用训练样本得到初始的背景模型,然后再使用字典学习的方法对背景模型进行更新,因此构造最小化约束函数对背景进行初始建模:
其中式中,D为待训练的数据字典,通过K-SVD得到初始的训练字典,D(0)和背景图像B在D上分解的稀疏系数;
步骤五:在步骤四种得到初始的背景稀疏表示模型后,提取待检测视频序列中当前时刻的近邻帧序列Xn,Xn+1,…,Xn+q,通过K-SVD字典学习方法,完成字典原子dk和稀疏系数的迭代更新操作,寻找最优数据字典D,使基于此字典的背景图像最优逼近近邻帧图像背景的观测值,从而得到更新的最优背景模型B:
步骤六:从子空间集合中均匀采样一组数据点l∈Rd,如果有足够的采样密度,那么每个样本就可以用来自同一子空间的其他样本的线性组合进行表示,对于缓慢移动的摄像机,可以把连续的背景视频序列看作是一系列的子空间集合,则有:
即背景视频序列都可以由其他的视频序列线性组合表示得到,那么表达式(8)可以转变为:
同理可以考虑图像视频由前面的图像视频递推得到,结合字典稀疏表示,当前图像视频序列Xj则可表示为:
即将背景视频作为字典来表示当前图像视频序列,那么Xj可以由(B1,B2,…,Bk)稀疏逼近,然后根据差分法判定运动目标:
其中d为设定阈值,通过阈值的大小判断像素点是否属于前景目标,若小于该阈值则属于背景像素点,否则为前景像素点。
2.根据权利要求1所述的缓变运动背景中运动目标检测方法,其特征在于:所述在低秩稀疏分解的基础上,将视频序列作为子空间集合进行处理,利用稀疏逼近递推表示计算模型。
3.根据权利要求1所述的缓变运动背景中运动目标检测方法,其特征在于:所述将视频子空间分别下采样到320×180、160×90、80×45、64×36等不同空间尺寸,在稀疏系数上映射回去,使用下采样以后的稀疏逼近表示目标对象检测。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于燕山大学,未经燕山大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010962686.8/1.html,转载请声明来源钻瓜专利网。