The invention discloses a video foreground extraction method based on fast tensor robust model. The video is performed on the given as follows: 1) the video as a 3D video tensor, tensor decomposition as low rank tensor and sparse tensor, low rank tensor tensor and tensor reconstruction by the dictionary, so as to establish a robust tensor model. 2) by Fourier transform Fourier inverse transform stochastic optimization iteration steps, fast solution tensor robust model, obtain the video frame corresponding to the dictionary, sparse coefficient tensor, tensor tensor. 3) according to the above steps, the video frames are processed one by one. The background of the video frame is represented by the product of the dictionary tensor and the tensor tensor. The foreground of the video frame is represented by sparse tensor until the end of the video. The invention processes the video from the angles of tensor decomposition, robustness and real-time, and can rapidly extract video foreground from frame to frame, and reconstruct the video background at the same time, thereby improving the reliability and speed of the video content analysis.
【技术实现步骤摘要】
基于快速张量鲁棒模型的视频前景提取方法
本专利技术属于视频分析
,特别涉及基于快速张量鲁棒模型的视频前景提取方法,适用于智能监控视频处理。
技术介绍
随着智慧城市的建设需求日益增长,智能监控视频的处理显得尤为重要,视频前景提取作为监控视频内容分析的关键技术引起了学术界和工业界的重点关注。由于监控场景的背景光线强度在不同时间段变化、前景运动对象受到外界干扰、视频内容冗长等因素,使得监控视频具有数据规模大且各类噪声干扰多等特点,给视频前景的提取工作带来很大挑战。视频的前景提取一般指从视频背景中对前景如运动目标进行捕捉和分离,涉及计算机视觉领域的目标跟踪和图像分割,同时涉及机器学习和模式识别领域。常见的方法有帧间差分法、背景去除法、期望最大化法、显著性检测、超像素法、光流法和基于统计模型的方法,其中帧间差分法直接根据相邻视频帧在背景变化和前景较为复杂时的适应性较差;而背景去除法是较为广泛应用的技术,即通过背景建模。这些方法大多存在一些缺点,如对于冗长监控视频处理的速度无法满足实时性要求、存储视频的内存需求越来越大、抗噪声干扰能力不佳、视频帧的空间结构信息未充分利用等。因此,迫切需要设计一种快速的鲁棒模型,使其能够实时提取视频的前景,还能节省计算开销。
技术实现思路
为了快速提取给定视频的前景,从张量分解、鲁棒性、实时性多个角度对视频帧进行有效处理,本专利技术提出了基于快速张量鲁棒模型的视频前景提取方法,该方法包括以下步骤:1、获取给定的一段视频后,进行如下操作:1)将视频看做三维张量,视频张量分解为低秩张量和稀疏张量,低秩张量由字典张量和系数张量重构,从而建立 ...
【技术保护点】
基于快速张量鲁棒模型的视频前景提取方法,其特征在于对给定的一段视频,进行如下操作:1)将视频看做三维张量,视频张量分解为低秩张量和稀疏张量,低秩张量由字典张量和系数张量重构,从而建立张量鲁棒模型;2)通过傅里叶变换‑随机优化迭代‑傅里叶逆变换步骤,快速求解张量鲁棒模型,获得视频帧对应的字典张量、系数张量、稀疏张量;3)依据上述步骤对视频帧逐个处理,视频帧背景由字典张量和系数张量的乘积表示,视频帧前景由稀疏张量表示,直至视频结束。
【技术特征摘要】
1.基于快速张量鲁棒模型的视频前景提取方法,其特征在于对给定的一段视频,进行如下操作:1)将视频看做三维张量,视频张量分解为低秩张量和稀疏张量,低秩张量由字典张量和系数张量重构,从而建立张量鲁棒模型;2)通过傅里叶变换-随机优化迭代-傅里叶逆变换步骤,快速求解张量鲁棒模型,获得视频帧对应的字典张量、系数张量、稀疏张量;3)依据上述步骤对视频帧逐个处理,视频帧背景由字典张量和系数张量的乘积表示,视频帧前景由稀疏张量表示,直至视频结束。2.如权利要求1所述的基于快速张量鲁棒模型的视频前景提取方法,其特征在于:所述的步骤1)中的将视频看做三维张量,视频张量分解为低秩张量和稀疏张量,低秩张量由字典张量和系数张量重构,从而建立张量鲁棒模型,具体是:1.1)将视频看做三维张量第一维n1和第三维n3分别表示视频帧的行数和列数,第二维n2表示视频帧的数目,视频帧为张量的侧向切片,张量的数值为各像素对应的灰度值;1.2)视频张量分解为低秩张量和稀疏张量即低秩张量由字典张量和系数张量重构,即其中符号“*”为张量乘积,维度r远小于n1和n3的最小值;1.3)依据上述定义,建立如下视频张量鲁棒模型:其中符号‖·‖*表示核范数,‖·‖1表示L1范数,λ1>0为常数。3.如权利要求2所述的基于快速张量鲁棒模型的视频前景提取方法,其特征在于:所述的步骤2)中的通过傅里叶变换-随机优化迭代-傅里叶逆变换步骤,快速求解张量鲁棒模型,获得视频帧对应的字典张量、系数张量、稀疏张量,具体是:2.1)视频的第i帧为i=1,...
【专利技术属性】
技术研发人员:李平,王然,徐向华,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。