[发明专利]一种基于群稀疏鲁棒PCA的运动目标检测方法

摘要

本发明公开了一种基于群稀疏鲁棒PCA的运动目标检测方法，属于图像信息处理技术领域，包括以下步骤：输入视频序列；运用过分割算法进行区域分割，生成多个同性区域，将其作为群稀疏约束的分组信息；设置相关参数，使用增广拉格朗日乘子法迭代求解；通过群稀疏约束估计运动目标矩阵；应用核范数约束估计背景矩阵；更新乘子和惩罚参数；判断收敛性，如果收敛则输出所得的背景和运动目标，否则继续迭代。本发明利用运动分布的连续性先验，建立群稀疏鲁棒PCA运动目标检测模型，运用群稀疏准则判别各同性区域是否为运动目标，能够更加准确地度量运动目标的区域边界，且对复杂的背景运动更加鲁棒，达到了运动目标鲁棒检测的目的。

主权项

一种基于群稀疏鲁棒PCA的运动目标检测方法，其特征在于：包括如下步骤：步骤1、输入待测视频序列D，初始化群稀疏鲁棒PCA模型的参数，该模型为$\left\{\begin{array}{c}\min {\left|\right|A\left|\right|}_{*}+\mathrm{\λ}{\left|\right|E\left|\right|}_{\mathrm{Group}}\\ s.t.D=A+E\end{array}\right.,$其中，||A||_*为背景矩阵A的核范数，||E||_Group为运动目标矩阵E的Group范数，λ为正则化参数；步骤2、利用过分割算法对待测视频序列D的每一帧进行过分割，使得过分割后的各区域为同性区域，并得到各同性区域的边界坐标，将各同性区域作为一个分组，得到待测视频序列D的总分组数；步骤3、设置最大迭代次数，对步骤2得到的所有分组利用增广拉格朗日乘子法对步骤1所述背景矩阵A和运动目标矩阵E进行交替迭代优化，当前迭代次数为k，则：(1)计算k+1次迭代时的E_k+1值，计算矩阵T＝D‑A_k+μ_k^‑1Y_k，通过Group范数的阈值收缩公式进行求解，阈值收缩公式如下：${\tilde{T}}_{g_i}=\begin{array}{}\end{array}\left\{\begin{array}{cc}\frac{{\left|\right|T_{g_i}\left|\right|}_2-\mathrm{\λ}/{\mathrm{\μ}}_k}{{\left|\right|T_{g_i}\left|\right|}_2}{T}_{g_i},& \mathrm{if}{\left|\right|T_{g_i}\left|\right|}_2>\mathrm{\λ}/{\mathrm{\μ}}_k\\ 0,& \mathrm{otherwise}\end{array}\right.,1\≤i\≤J$其中，为矩阵T在g_i分组的像素所组成的向量，为收缩后的向量值，更新后的$E_{k+1}=\underset{1\≤i\≤J}{U}{\tilde{T}}_{g_i};$(2)计算k+1次迭代时的A_k+1值，计算矩阵T＝D‑E_k+1+μ_k^‑1Y_k，对T进行skinny奇异值阈值收缩，得到更新后的A_k+1；(3)计算k+1次迭代后的拉格朗日乘子Y_k+1以及惩罚参数μ_k+1；步骤4、更新迭代次数为k+1，若更新后的迭代次数大于步骤3设置的最大迭代次数，则进入步骤5；若更新后的迭代次数小于等于步骤3设置的最大迭代次数，则继续判断是否满足收敛条件，满足则进入步骤5，不满足则重复步骤3，继续迭代；步骤5、输出所得的背景矩阵A和检测得到的运动目标矩阵E。