[发明专利]基于加权低秩和邻域组稀疏分解的运动目标检测方法

说明书

本发明公开一种基于加权低秩和邻域组稀疏分解的移动目标检测方法，包括：一取每帧图像的灰度图，并将像素归一化到[0,1]区间；二根据像素的圆形邻域，构造每个视频帧的重叠局部图像组，并给出邻域组稀疏诱导范数的表达式；三将D分解为低秩背景矩阵B、结构化稀疏前景S以及高斯噪声矩阵E；四以S的结构信息和背景减除后的残差噪声建模结果，构造权重W；五根据上述过程建立最终的加权低秩和邻域组稀疏分解模型；六对第五步的模型以交替方向乘子法求解，在迭代过程中更新权重，最终得到前景目标。本本发明可检测出短暂或较长时间停滞的前景对象、能处理复杂的动态背景和增强检测前景的完整性，在F‑measure指标和视觉效果上都优于其他模型的检测效果。

技术领域

本发明的技术方案涉及一种运动目标检测方法，特别是涉及一种基于加权低秩分解和邻域组稀疏分解的移动目标检测方法。

背景技术

一般来说，视频中的研究目标都是处于持续或间歇性运动，例如：行人、车辆等。人们需要对这些运动目标(前景)进行提取和解释。运动目标检测的目的是将前景与背景分离，最终实现前景的检测。运动目标检测是视频分析的基础性工作，也是目标跟踪、行为识别等一系列高层视觉任务的预处理步骤；不仅是计算机视觉课题研究的重要部分，同时在实际生活中被广泛应用，例如：智能交通、智能监控以及医疗领域等。

低秩稀疏分解(Low-Rank and Sparse Decomposition,LRSD)是视频建模中常用的方法之一，可以同时分离出视频帧的前景与背景。它的基本假设是：在固定摄像机情况下，观测视频中帧与帧之间的背景有较强的相关性，可将其近似为低秩的；前景像素作为离群值，同时它占据视频背景的一小部分，所以前景具有稀疏离群特性。

低秩稀疏分解应用到移动目标检测任务中，基本步骤是：给定n个帧的视频序列，每帧包含m个像素，然后将这些帧向量化并堆叠为矩阵每帧包含静态背景分量和前景分量观测矩阵D可以分解为D＝B+S。LRSD可以通过最小化以下问题实现：

其中||g||_*和||g||₁分别定义核范数和L1范数。α调控稀疏矩阵F的稀疏度。这个问题被成为RPCA-PCP。经实验发现，该模型在简单的视频场景下基本能检测出运动目标。近些年来，大部分学者改进了前景的L1稀疏约束，考虑到了前景的结构化分布特征以及时空连续特性。重叠组稀疏诱导范数是常用的结构化前景的方法之一，它促使估计到的前景保持空间连续性，在适应动态背景和提高前景检测的完整性方面，有着较高的性能。目前大多采用固定大小的矩形滑动窗口构造局部图像组，不能准确捕捉像素邻域关系。

基于LRSD的方法的优势在于背景与前景的联合求解，二者相互作用。具体来说，背景建模方面，可以在原视频帧中减去前景，降低它对背景建模的干扰，余下部分再通过低秩约束求解背景；在前景检测时也同理。它的不足之处在于忽略了前景的结构信息对背景建模的影响，在前景出现短暂停滞时，导致无法建模“干净”的背景，影响前景检测。

加权低秩分解(Weighted Low-Rank Matrix Factorization，WLRMF)是用以单纯建模背景，并通过背景减除和阈值分割等后处理方法检测前景。基本的数学表达为：

其中r＝min{m,n}。W和p需要根据具体的模型来定义和求解。在WLRMF方法中，可加入其他的辅助信息到权重W中，使W发挥修正背景的作用，例如由孟德宇等人提出的基于混合噪声建模的低秩分解，其中的权重来自混合噪声建模的结果。然而，该方法只解决或改进了背景建模，并没有显式建模前景，无法利用前景的结构特性修正背景模型。

发明内容