【技术实现步骤摘要】
本申请涉及运动目标检测，特别涉及一种时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法、装置、设备和介质。
技术介绍
1、弱小运动目标检测是目标检测领域的重难点问题，一方面，弱小目标自身包含的信息量少，与噪声相较不明显，无论使用雷达、声呐、红外还是摄像头等检测设备都存在严重的检出问题；另一方面，部分弱小目标如携带战斗部的无人机等会造成严重的安全威胁。
2、xixi chen等人提出了一种基于鲁棒主成分分析的雷达弱目标检测方法，在复杂背景下对弱目标的检出性能相较一般方法更为理想，但受限于雷达自身工作特点，该方法在检测无人机、无人车、飞艇等运动速度较慢的弱小目标时存在较大困难。prashantw.patil等人提出了一种端到端的运动目标检测网络，与比对方法相比，该方法在预测率、召回率、f1指标等检测指标中表现最为理想，但受限于深度卷积神经网络自身特点，该方法难以有效检出弱小的运动目标。
3、目前，针对常见弱小运动目标的检测仍以红外、摄像头等视觉检测设备为主。其中，包括深度学习法、光流法、背景建模法等在内的大部分运动目标检测方法在检出弱小运动目标的能力较差。
技术实现思路
1、有鉴于此，本申请的实施例提出了一种时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法、装置、设备和介质，旨在可以更好适应摄像头视野及背景区域变化，在有效提升检测准确率、降低检测虚警率和漏报率的同时，提高方法的运行效率。
2、为实现上述目的，本申请的实施例提供了一种时空平行耦合鲁棒
3、可选地，所述基于待求解粗糙低秩矩阵和待求解极致稀疏矩阵构建所述粗粒度稀疏分解问题，包括：基于所述待求解粗糙低秩矩阵的核函数与具有第一加权系数的所述待求解极致稀疏矩阵的l1范数之和构建第一目标函数，其中，所述待求解粗糙低秩矩阵和所述极致稀疏矩阵基于所述时空数据矩阵分解得到。
4、可选地，所述基于待求解极致低秩矩阵和待求解粗糙稀疏矩阵构建所述细粒度稀疏分解问题，包括：基于所述待求解极致低秩矩阵的核函数与具有第二加权系数的所述待求解粗糙稀疏矩阵的l1范数之和构建第二目标函数，其中，所述待求解极致低秩矩阵和所述待求解粗糙稀疏矩阵基于所述时空数据矩阵分解得到。
5、可选地，所述基于拉格朗日乘子算法分别求解所述粗粒度稀疏分解问题和所述细粒度稀疏分解问题，得到粗糙低秩矩阵和极致低秩矩阵，包括：基于非精确增广拉格朗日乘子算法求解所述第一目标函数的最小值，得到粗糙低秩矩阵；基于精确拉格朗日乘子算法求解所述第二目标函数的最小值，得到所述极致低秩矩阵。
6、可选地，所述利用边缘连续性聚类检测算法处理所述粗糙低秩矩阵和所述极致低秩矩阵得到目标图像矩阵，包括：获取所述粗糙低秩矩阵中矩阵值大于第一预设值的第一坐标集；基于所述第一坐标点集确定待求解低秩矩阵中与所述第一坐标集相同的第二坐标集；根据边缘连续性聚类检测算法确定与所述第二坐标集属于连通区域的第三坐标集；基于所述第三坐标集确定所述待求解极致低秩矩阵中的非零值和零值；基于所述待求解极致低秩矩阵中的非零值和零值得到所述目标图像矩阵，其中，所述第一预设值和所述第二预设值均大于等于零且小于等于1，所述第一预设值远远大于所述第二预设值。
7、可选地，所述根据边缘连续性聚类检测算法确定与所述第二坐标集属于连通区域的第三坐标集，包括：基于canny算子或者深度连续聚类算法检测所述第二坐标集周围与所述第二坐标集中各坐标点连通的坐标点；基于与所述第二坐标集中各坐标点连通的坐标点得到所述第三坐标集。
8、可选地，所述时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法还包括；基于所述时空数据矩阵和所述目标图像矩阵的差值得到所述背景图像矩阵，并基于所述背景图像矩阵得到背景图像。
9、为实现上述目的，本申请的实施例还提供了一种时空平行耦合鲁棒主成分分析实时弱小运动目标检测装置，包括：获取模块，用于获取待检测图像数据，并基于所述待检测图像数据构建时空数据矩阵；处理模块，用于基于所述时空数据矩阵分别构建粗粒度稀疏分解问题和细粒度稀疏分解问题，其中，基于待求解粗糙低秩矩阵和待求解极致稀疏矩阵构建所述粗粒度稀疏分解问题，基于待求解极致低秩矩阵和待求解粗糙稀疏矩阵构建所述细粒度稀疏分解问题，基于拉格朗日乘子算法分别求解所述粗粒度稀疏分解问题和所述细粒度稀疏分解问题，得到粗糙低秩矩阵和极致低秩矩阵；输出模块，用于利用边缘连续性聚类检测算法处理所述粗糙低秩矩阵和所述极致低秩矩阵得到目标图像矩阵，并基于所述目标图像矩阵确定弱小运动目标检测结果。
10、为实现上述目的，本申请的实施例还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任意一实施例提供的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法。
11、为实现上述目的，本申请的实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，能够实现上述所述的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法。
12、本申请的实施例提出一种时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法、装置、设备和介质，包括：获取待检测图像数据，并基于所述待检测图像数据构建时空数据矩阵；基于所述时空数据矩阵分别构建粗粒度稀疏分解问题和细粒度稀疏分解问题，其中，基于待求解粗糙低秩矩阵和待求解极致稀疏矩阵构建所述粗粒度稀疏分解问题，基于待求解极致低秩矩阵和待求解粗糙稀疏矩阵构建所述细粒度稀疏分解问题；基于拉格朗日乘子算法分别求解所述粗粒度稀疏分解问题和所述细粒度稀疏分解问题，得到粗糙低秩矩阵和极致低秩矩阵；利用边缘连续性聚类检测算法处理所述粗糙低秩矩阵和所述极致低秩矩阵得到目标图像矩阵，并基于所述目标图像矩阵确定弱小运动目标检测结果，本专利技术可以直接舍弃背景建模流程，能够直接从稀疏矩阵中检出目标，提高目标检测的效率。
本文档来自技高网...【技术保护点】
1.一种时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法，其特征在于，包括：
2.根据权利要求1所述的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法，其特征在于，所述基于待求解粗糙低秩矩阵和待求解极致稀疏矩阵构建所述粗粒度稀疏分解问题，包括：
3.根据权利要求2所述的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法，其特征在于，所述基于待求解极致低秩矩阵和待求解粗糙稀疏矩阵构建所述细粒度稀疏分解问题，包括：
4.根据权利要求3所述的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法，所述基于拉格朗日乘子算法分别求解所述粗粒度稀疏分解问题和所述细粒度稀疏分解问题，得到粗糙低秩矩阵和极致低秩矩阵，包括：
5.根据权利要求1所述的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法，其特征在于，所述利用边缘连续性聚类检测算法处理所述粗糙低秩矩阵和所述极致低秩矩阵得到目标图像矩阵，包括：
6.根据权利要求1所述的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法，其特征在于，所述根据边缘连续性聚类检测算法确定与所述第二坐标
7.根据权利要求1所述的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法，其特征在于，在所述基于所述目标图像矩阵确定弱小运动目标检测结果之后，所述时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法还包括；
8.一种时空平行耦合鲁棒主成分分析实时弱小运动目标检测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，能够实现如权利要求1至7中任一项所述的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法。
...【技术特征摘要】
1.一种时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法，其特征在于，包括：
2.根据权利要求1所述的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法，其特征在于，所述基于待求解粗糙低秩矩阵和待求解极致稀疏矩阵构建所述粗粒度稀疏分解问题，包括：
3.根据权利要求2所述的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法，其特征在于，所述基于待求解极致低秩矩阵和待求解粗糙稀疏矩阵构建所述细粒度稀疏分解问题，包括：
4.根据权利要求3所述的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法，所述基于拉格朗日乘子算法分别求解所述粗粒度稀疏分解问题和所述细粒度稀疏分解问题，得到粗糙低秩矩阵和极致低秩矩阵，包括：
5.根据权利要求1所述的时空平行耦合鲁棒主成分分析实时弱小运动目标检测方法，其特征在于，所述利用边缘连续性聚类检测算法处理所述粗...
【专利技术属性】
技术研发人员：张科，张青林，王靖宇，王红梅，李浩宇，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
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。