一种基于群稀疏鲁棒PCA的运动目标检测方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种基于群稀疏鲁棒PCA的运动目标检测方法
本专利技术涉及一种基于群稀疏(GroupSparsity)鲁棒PCA的视频运动目标检测方法，属于图像信息处理

技术介绍
运动目标检测是对视频进行有效分析的重要环节。传统的目标检测多数是通过背景减除法或者帧间差分法来实现的。背景减除法中背景建模对运动目标的检测非常重要，然而传统的背景建模计算复杂，分割精度易受噪声影响，并且对光照变化和动态纹理等环境变化很敏感。帧间差分法通过相邻两帧作差分运算来获得运动目标轮廓，算法实现简单，但不能提取出对象的完整区域，只能提取出边界。近来，学者将鲁棒PCA模型(RPCA)应用于运动目标检测问题。视频中的背景通常具有较强的相关性，近似位于同一低秩的子空间内，而运动目标呈现出与背景不同的运动样式，可被视为偏离该低秩空间的显著误差或异常点。整体的思路即为利用视频每一帧之间的相似性来形成一个子空间，通过这个子空间进行背景建模，同时运动目标通常只占整个场景中的少部分，符合误差稀疏性的约束。因此，应用RPCA模型进行背景与运动目标分离是合适的，低秩部分可较好建模背景，而稀疏部分则可有效分离运动目标。视频中运动目标区域并不是随机出现的，在时间与空间上具有一定的相关性和连续性。然而经典的l1范数没有蕴含系数本身与尺度和结构信息相关的“结构化稀疏性”，并不能够有效度量这种时空上下文的相关性，分离的对象存在不完整、不连通等问题，未能有效利用运动目标的时空分布连续性先验，同时也不利于消除由于噪声以及背景随机扰动引起的非结构化稀疏分量，为此需要构建一种结构化稀疏性度量标准，在保持稀疏性约束的同时，更注重运动目标区域的时空相关性的度量，进而鲁棒地分割运动目标。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于群稀疏鲁棒PCA的运动目标检测方法，实现了运动目标鲁棒检测的目的。本专利技术为解决上述技术问题采用以下技术方案：一种基于群稀疏鲁棒PCA的运动目标检测方法，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Ek+1值，计算矩阵T＝D-Ak+μk-1Yk，通过Group范数的阈值收缩公式进行求解，阈值收缩公式如下：其中，为矩阵T在gi分组的像素所组成的向量，为收缩后的向量值，更新后的(2)计算k+1次迭代时的Ak+1值，计算矩阵T＝D-Ek+1+μk-1Yk，对T进行skinny奇异值阈值收缩，得到更新后的Ak+1；(3)计算k+1次迭代后的拉格朗日乘子Yk+1以及惩罚参数μk+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。优选的，步骤2所述过分割算法为NormalizedCuts区域分割算法。优选的，步骤3所述增广拉格朗日乘子法的函数为其中，Y为拉格朗日乘子，μ为惩罚参数。优选的，步骤4所述收敛条件为且其中，Y1为拉格朗日乘子。优选的，步骤1所述Group范数的公式为其中，gi为过分割后形成的第i个同性区域所包含的像素坐标集合，E(gi)表示运动目标矩阵E在gi上的元素值，J为总分组数。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1、本专利技术基于群稀疏鲁棒PCA的运动目标检测方法，通过过分割算法对各同性区域进行分组，进而定义群稀疏度量对运动目标的空间相关性进行建模，约束过分割形成的同性区域具有相同的检测结果，同为背景或同为运动目标，有利于生成准确的分割边界，并对复杂的动态背景保持鲁棒。2、本专利技术基于群稀疏鲁棒PCA的运动目标检测方法，在保持稀疏性约束的同时，更注重运动目标区域的时空相关性的度量，进而鲁棒地分割运动目标。附图说明图1是本专利技术基于群稀疏鲁棒PCA的运动目标检测方法的流程图。图2是原图像在各方法中的运动目标检测效果对比图。图3是本专利技术的方法和RPCA分别在测试集SwitchLight的F值。图4是本专利技术的方法和RPCA分别在测试集Bootstrap的F值。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。经典的鲁棒PCA检测方法使用l1范数独立判别每一个像素是否为运动目标，存在边界定位不准确、不完整等问题，同时也不利于消除由于噪声以及背景随机扰动引起的非结构化稀疏分量。由于运动目标空间分布的连续性，分离运动目标的稀疏部分也应具有这种结构化的相关性特征。为了有效解决经典鲁棒PCA检测方法存在的上述问题，本专利技术建立一种基于群稀疏鲁棒PCA的运动目标检测方法，通过分割方法对各同性区域进行分组，进而定义群稀疏度量对运动目标的空间相关性进行建模，约束过分割形成的同性区域具有相同的检测结果，同为背景或同为运动目标，有利于生成准确的分割边界，并对复杂的动态背景保持鲁棒。建立视频序列D∈Rm×n(m为视频帧的像素数，n为视频帧数)的群稀疏鲁棒PCA模型：其中，A∈Rm×n为低秩部分矩阵，刻画视频各帧间的相关性，用于表征视频背景；E∈Rm×n为稀疏部分矩阵，刻画视频各帧间偏离低秩成分的差异性，用于表征运动目标；λ为正则化参数，权衡低秩部分与稀疏部分的比率；为矩阵A的核范数(nuclearnorm)，定义为奇异值σi(A)的和；||E||Group为矩阵E的Group范数，度量E在各分组上的稀疏性，定义为其中gi为过分割后形成的第i个Group所包含的像素坐标集合，整个视频序列的分组信息为G＝{gi|1≤i≤J}，J为总分组数，满足且为整个视频序列的坐标集合，E(gi)表示E在坐标集gi上元素值，并重排为向量，||·||2为向量的二范数。为了获得有效的分组信息G，本专利技术采用NormalizedCuts区域分割算法对视频D中的每一帧图像进行过分割，利用灰度、纹理与边缘等作为分割特征，使得过分割后形成的各区域为同性区域，并准确定位各同性区域的边界。各同性区域趋向于具有相同的运动特性，因此以各同性区域作为分组信息G，通过上述Group范数约束过分割形成的同性区域具有相同的检测结果，同为背景或同为运动目标。本专利技术采用增广拉格朗日乘子法对模型(1)进行优化求解，模型(1)的增广拉格朗日函数为：其中，Y∈Rm×n为拉格朗日乘子，这是一个多变量的优化问题，需要进行迭代求解，假定当前为第k次迭代，变量的交替优化与乘子更新过程如下。1、固定Ak，更新E本文档来自技高网...

【技术保护点】
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min||A||*+λ||E||Groups.t.D=A+E,]]>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Ek+1值，计算矩阵T＝D‑Ak+μk‑1Yk，通过Group范数的阈值收缩公式进行求解，阈值收缩公式如下：T~gi=||Tgi||2-λ/μk||Tgi||2Tgi,if||Tgi||2>λ/μk0,otherwise,1≤i≤J]]>其中，为矩阵T在gi分组的像素所组成的向量，为收缩后的向量值，更新后的Ek+1=U1≤i≤JT~gi;]]>(2)计算k+1次迭代时的Ak+1值，计算矩阵T＝D‑Ek+1+μk‑1Yk，对T进行skinny奇异值阈值收缩，得到更新后的Ak+1；(3)计算k+1次迭代后的拉格朗日乘子Yk+1以及惩罚参数μk+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。...

【技术特征摘要】
1.一种基于群稀疏鲁棒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Ek+1值，计算矩阵T＝D-Ak+μk-1Yk，通过Group范数的阈值收缩公式进行求解，阈值收缩公式如下：其中，J为总分组数，为矩阵T在gi分组的像素所组成的向量，为收缩后的向量值，更新后的(2)计算k+1次迭代时的Ak+1值，计算矩阵T＝D-Ek+1+μk-1Yk，对T进行skinny奇异值阈值收缩，得到更新后的Ak+1；(3)计算k+1次迭代后的拉格朗日乘子Yk+1以及惩罚参数μk+1；...

【专利技术属性】
技术研发人员：孙玉宝，周伟，刘青山，杭仁龙，邓健康，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32