[发明专利]缓变运动背景中运动目标检测方法

说明书

本发明涉及模式识别领域的运动目标检测技术领域，且公开了缓变运动背景中运动目标检测方法，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,…,B_k，图像序列为X₁,X₂,…,X_m，该缓变运动背景中运动目标检测方法过程包括：首先运用低秩稀疏分解进行数据降维，将视频序列看做子空间集合，结合字典稀疏表示，提出利用稀疏逼近递推表示计算模型，然后使用背景差分法计算运动目标对象，从而有效降低运算复杂度和减少运行时间；其次根据稀疏编码迁移思想，在下采样空间上进行上述操作，从而进一步降低运算量和对内存存储的要求，同时适应多尺度目标对象并能克服异常区域很大带来的影响。

技术领域

本发明涉及模式识别领域的运动目标检测技术领域，具体为缓变运动背景中运动目标检测方法。

背景技术

在计算机视觉和模式识识别领域中，运动目标检测是一个非常重要且活跃的研究方向，目前运动目标检测已广泛应用于许多领域，如工业监测、交通管制、机器人导航、行为识别和智能监控等。

为了能够解决背景变化、光照变化、运动阴影干扰等问题，并且准确、实时、高效检测出摄像机中目标对象，相关研究学者进行了大量的算法模型研究与改进。早期由于压缩感知与稀疏表示理论的发展，稀疏表示和字典学习理论被应用于运动目标检测当中，并取得了一定的效果。Bilgazyev等人使用图像的稀疏表示方法提取出图像的结构特征，并实现了图像的有效稀疏表示[1]。而Liu等人提则出鲁棒稀疏表示模型，使用最小平方误差代替稀疏误差[2]。用稀疏逼近的方法来取代原始图像数据表示，能够从实质上降低存储要求，提高运算速度，从而降低处理成本，但是稀疏系数并没有时空上的关联。因此，Cong等人研究了基于基追踪算法的稀疏表示和字典学习方法，利用训练样本更新字典原子，并使用字典原子和稀疏系数重构出背景模型[3]。由于模型没有利用近邻帧图像来更新背景模型，使得背景模型的自适应能力不够强。通过数据字典可以逼近视频序列，但是在稀疏分解和目标重构的过程中，数据字典比较大，同时仍不免会丢失一些重要的数据，因此有研究者提出通过数学理论对高维数据进行降维。为了快速准确地处理数据，需要建立相应的子空间学习模型，将高维空间中的数据压缩降维到低维子空间中。例如，Oliver等人最先使用PCA来构建背景模型，从而极大地降低了视频数据的维度[4]。在原始矩阵被高斯噪声污染的情况下，经典的PCA对于噪声较小的情况下能够很好地实现降维。但是当噪声较大时，即使噪声只是影响了矩阵中的某一部分，PCA问题都会受到影响。而鲁棒性主成分分析(RPCA)的提出，就是为解决这一缺陷。随后，Javed等人通过使用改进的RPCA从一组矩阵生成低秩矩阵来创建背景模型[5]。针对移动摄像机，需要将二维参数转换集成到模型中，以补偿移动摄像机引起的背景运动。Hu等人提出利用张量核范数来开发背景的时空冗余，并利用融合稀疏正则化器对前景进行时空平滑的自适应约束[6]。近期Thomas等人则是通过把视频的所有帧集合作为联合子空间，并计算摄像机低速运动下的参考视频的稀疏残差，进而完成对目标对象的低秩表示[7]。将低秩与稀疏分解用于移动摄像机中动态对象的检测，虽有有着突出的优点，但是其计算复杂度相对比较高，实时性也比较差。对实时性的需求也就意味着很快的计算时间和很低的内存硬件需求。因此Qin等人尝试借助图切和编码迁移实现快速并且鲁棒的运动目标检测方法[8]。同时Galoogahi等人提出了一种在移动摄像机中对高帧率数据集的目标跟踪方法进行测试的基准，可以从速度和精度两方面有效地评估方法的性能[9]。最近de Carvalho等人提出了使用多分辨率方法可以实时有效地检测移动摄像机中不同尺寸的异常对象[10]。

目前现有技术的缺陷和不足：

(1)基于背景差分建模的方法对于平缓的摄像机运动和特定的PTZ情况有较好的性能，但是由于其适度的复杂性，因此在实时应用程序中难以应用广泛。