【技術實現步驟摘要】
本專利技術屬于計算機視覺領域，尤其涉及一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法。
技術介紹
1、動態背景下的運動目標檢測的基本任務是將前景運動目標從復雜的動態背景中提取出來。在動態背景下進行運動目標檢測是一個復雜且具有挑戰性的任務，因為動態背景(如波動的水面、搖動的樹葉、降雨、雪等)會與運動目標混淆，影響檢測結果。運動目標檢測方法可以分為背景減除法、幀差法、光流法、深度學習方法和rpca方法。幀差法通過計算連續幀之間的絕對差并應用閾值來識別運動物體，但閾值選擇不當會導致檢測結果出現“孔洞”和“鬼影”現象。背景減除法將當前幀與背景圖像進行比較，但在處理動態背景時會面臨干擾，導致背景建模不準確并誤將動態背景識別為運動目標。光流法根據不同的光流場分別檢測運動物體和背景區域，但計算復雜。深度學習的方法需要大量數據集。
2、近年來，基于rpca的運動目標檢測被廣泛使用。傳統rpca認為觀測到的圖像數據可以分為背景數據和前景數據。靜態背景具有低秩特性，而運動目標通常只占圖像像素的一小部分，可以視為稀疏特征。傳統rpca對低秩背景采用秩函數約束，對于前景目標采用l1范數約束。盡管核范數和l1范數在背景建模和運動目標檢測中具有顯著優勢，但該方法在實際處理的視頻中存在一些局限性。現實場景具有一定的復雜度，背景存在動態的水紋波動、樹葉抖動和陰影光照變化，造成動態背景像素被錯誤識別成運動目標，導致運動目標的完整性和檢測的精確性下降。因此，進一步研究前景和背景部分的固有特性，引入更多先驗知識以增強背景和運動目標的建模具
技術實現思路
1、為了現有運動目標檢測在動態背景干擾下存在的問題，本專利技術采用的技術方案是：一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，包括以下步驟：
2、獲取運動目標的視頻信息；
3、將所述運動目標的視頻信息轉化為三維觀測矩陣；
4、根據運動目標的背景和運動目標的特性，將觀測視頻矩陣o分解為低秩靜態背景矩陣b、稀疏運動目標矩陣s和動態背景矩陣e；
5、對分解后的矩陣進行約束，構建基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測模型；
6、將非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測模型轉化為增廣拉格朗日函數，利用交替乘子法對模型的動態背景下運動目標檢子問題求解；
7、根據子問題求解的結果得到提取的運動目標，對提取的運動目標進行二值化掩膜，實現對運動目標的檢測。
8、進一步地：所述對分解后的矩陣進行約束的過程如下：
9、采用γ范數對低秩靜態背景矩陣進行逼近，實現有效地約束靜態背景；
10、采用正則項l1約束動態背景矩陣e；
11、采用結構化稀疏和3d全變分先驗約束稀疏運動目標矩陣s。
12、進一步地：所述γ范數|b||γ的表達式如下：
13、
14、其中，σi(b)表示b的第i個奇異值，γ是介于0-1之間的參數。
15、進一步地：所述結構化稀疏誘導范數ω(s)，其表達式分別為：
16、
17、其中，g為預先定義的組分布的集合，其中每一個組的分布設為g；表示以g中元素為索引形成的稀疏向量sj的子集；sj是矩陣s的第j列；||*||∞表示無窮范數；b為最大列數。
18、進一步地：所述3d全變分范數，其表達式分別為：
19、
20、其中，f表示f的向量化算子，vh,vv,vt分別表示f的水平、豎直、時間方向的算子。
21、進一步地：所述運動目標檢測模型為：
22、min||b||γ+λ1ω(s)+λ2||s||3d-tv+λ3||e||1
23、s.t.o＝b+s+e
24、其中，o為觀測視頻矩陣，b為低秩靜態背景矩陣，s為稀疏運動目標矩陣，e為動態背景矩陣，為了簡便運算，將3d全變分項的變量替換為f，具體如下：
25、
26、進一步地：所述將非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測模型轉化為增廣拉格朗日函數，利用交替乘子法對模型的動態背景下運動目標檢子問題求解的過程如下：
27、1)根據所述運動目標檢測模型確定其對應的增廣拉格朗日函數，表示為：
28、
29、其中，x,z為拉格朗日乘子，μ為懲罰因子，＜,＞是矩陣的內積，是f范數；
30、2)設置初始參數：
31、b0＝o,s0＝0,e0＝0,f0＝0,拉個拉格朗日乘子z0＝0,admm參數ρ＝5.5,懲罰因子最大值μmax＝μ0×107,相對誤差tol＝10-5,迭代參數k＝0,拉格朗日乘子初值懲罰因子初值正則參數λ1＞0,λ2＞0,λ3＞0；
32、3)更新變量b；
33、bk+1＝udiag{σ*}vt
34、其中，u,v為正交矩陣，對角線元素σ*為b的奇異值，非負且按降序排列。b是靜態背景矩陣，采用奇異值閾值法求解變量b；bk+1為k+1步長時的靜態背景矩陣；
35、4)更新變量s；
36、
37、其中，prox表示近鄰算子，求解s子問題時采用二次最小光流法；s是運動目標矩陣，sk+1為k+1步長時的稀疏運動目標矩陣
38、5)更新變量e；
39、
40、其中，表示軟閾值收縮算子；ek+1為k+1步長時的動態背景矩陣；
41、7)更新變量f；
42、
43、為了簡化運算，引入新變量k＝vf；
44、
45、其中：fk+1表示k+1步長時的輔助變量，μk是k步的懲罰因子，zk是k步的拉格朗日乘子；
46、轉化的增廣拉格朗日函數為：
47、
48、其中，ζ是懲罰參數，t是拉格朗日乘子，變量t和k分別為內外循環次數；
49、
50、令q＝{1}，更新輔助變量k，具體如下：
51、
52、更新參數t，具體如下：
53、tt+1＝tt+ζt(kt+1-vft+1)
54、通過(μki+ζtvtv)的逆矩陣求解變量f；將變量f重新塑造成三維矩陣，f的精確解析解如下：
55、
56、其中，分別表示傅里葉逆變換和傅里葉變換；
57、7)更新乘子x，具體如下；
58、xk+1＝xk+μk(o-bk+1-ek+1-sk+1)
59、其中：xk+1表示k+1步長時的更新乘子，xk表示k步長時的更新乘子，
60、8)更新乘子z，具體如下；
61、zk+1＝zk+μk(sk+1-fk+1)
62、其中：zk+1表示k+1步長時的更新乘子；
63、9)更新懲罰因子μ，具體如本文檔來自技高網...
【技術保護點】
1.一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：所述對分解后的矩陣進行約束的過程如下：
3.根據權利要求1所述的一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：所述γ范數||B||γ的表達式如下：
4.根據權利要求1所述的一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：所述結構化稀疏誘導范數Ω(S)，其表達式分別為：
5.根據權利要求1所述的一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：所述3D全變分范數，其表達式分別為：
6.根據權利要求1所述的一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：所述運動目標檢測模型為：
7.根據權利要求1所述的一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：所述將基于非凸時空低秩魯棒主成分分
8.根據權利要求7所述的一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：所述終止條件為：
9.一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測裝置，其特征在于：包括：
10.一種計算機設備，包括：處理器和存儲器，所述存儲器存儲程序模塊，其特征在于，所述程序模塊在所述處理器運行，實現如權利要求1-8任一項所述的方法。
...【技術特征摘要】
1.一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：所述對分解后的矩陣進行約束的過程如下：
3.根據權利要求1所述的一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：所述γ范數||b||γ的表達式如下：
4.根據權利要求1所述的一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：所述結構化稀疏誘導范數ω(s)，其表達式分別為：
5.根據權利要求1所述的一種基于非凸時空低秩魯棒主成分分析的動態背景下運動目標檢測方法，其特征在于：所述3d全變分范數，其表達式分別為：
6.根據權利要求1所述的一種基...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。