[发明专利]一种基于多特征稳健主成分分析的视频运动对象分割算法

说明书

技术领域

本发明涉及视频领域，尤其是涉及一种基于多特征稳健主成分分析的视频运动对象分割算法。

背景技术

视频运动对象分割是指将视频中的运动对象从背景中分割出来，它在基于视频的智能人机交互、基于对象的视频检索人工智能、机器视觉、智能监控、步态分析、虚拟现实领域有着重要的应用。

目前有一种视频运动对象分割算法，其中采用了基于稳健主成分分析理论的方法，例如，在2012 IET/IEEE International Conference on Audio, Language and Image Processing, Accepted中发表了“稳健主成分分析的人体视频运动对象分割算法”一文，在该文中提出：稳健主成分分析通过解决凸优化问题对损坏的低秩矩阵的进行恢复，将稳健主成分分析方法用于视频运动对象分割。在上述算法中给出了数据特征矩阵D及将数据矩阵                                               分解成低秩部分A和稀疏部分E方法，具体如下：

给定一个数据特征矩阵D，稳健主成分分析的目标是通过最小化：

 使得           （1）

这个条件约束的问题，把它分解成一个低秩矩阵A和稀疏矩阵E。

式(1)中，为??₀-范数，??₀-范数为矩阵的非零项的数目，即??₀-范数表示数据矩阵D的稀疏性，采用核范数和??₁范数分别取代秩的最小化和??₀范数，其计算表达式为：

  使得            (2)

式(2)中，表示数据矩阵的核范数，该核范数为数据矩阵D的奇异值的总和，为??₁范数，为一个正的加权数，用于平衡低秩矩阵和稀疏矩阵的权重。

采用拉格朗日乘子法(ALM)法计算，其拉格朗日函数表达式为：

        (3)

式(3)中，为拉格朗日乘子。为一个惩罚参数。

通过非精确的拉格朗日乘子法解稳健主成分分析问题

输入: 数据矩阵参数

初始化: 

while not converged do

1:   

2:   固定其它值，通过下式更新

       

3:  固定其它值，通过下式更新

      

4: 更新乘子

5:   

endwhile

输出:  .分别得到低秩部分A和稀疏部分E， 即，将视频序列分为背景或者前景，对前景区域采用kmeans方法分离，得到视频运动对象。

上述常规的稳健主成分分析算法考虑了一个特征矩阵D。但是，在视频图像中，单一的特征矩阵很难对不同场景的各种视频图像进行较好的描述，每个特征矩阵描述视觉信息有各自局限性：颜色特征矩阵在描述颜色时能携带颜色信息，不适合描述视频运动对象的轮廓视觉信息；边缘描述能较好的保留视频运动对象的边缘和轮廓，但会造成颜色信息丢失。

综上所述，要准确地分割出视频中的运动对象，必须克服一种特征不能充分描述视频图像中视觉信息的缺陷，防止视频运动对象分割的精度及可靠性下降。

发明内容

本发明的目的是为了克服上述技术缺陷，为了提高视频运动对象的分割准确度，克服单一种特征矩阵不能携带较多信息和较好的保留视频运动对象的边缘和轮廓的影响，从而提供一种基于多特征稳健主成分分析的视频运动对象分割算法。

为了解决上述技术问题，本发明提供一种基于多特征稳健主成分分析的视频运动对象分割算法，包括以下步骤：

(1)、对视频序列进行特征提取，分别提取视频序列图像颜色、边缘、纹理特征矩阵；

(2)、建立多特征稳健主成分分析的目标函数，采用拉格朗日乘子法求解上述目标函数，将融合后的视频特征矩阵进行分解，分解为低秩部分Z和稀疏部分E，即分解为背景区域和前景区域；

(3)、采用kmeans方法，将步骤（2）中分解得到的前景区域分割获得运动对象。    

在上述方案中，所述的颜色特征矩阵为视频序列图像本身的红、绿、蓝三种颜色信息，对于视频序列，颜色信息能反应出图像的特征。