[发明专利]基于多成分鲁棒PCA的运动目标检测方法

权利要求书

1.一种基于多成分鲁棒PCA的运动目标检测方法，其特征在于，包括：

S101、对待检测视频序列进行行列向量化，获得视频数据矩阵；

S102、根据所述视频数据矩阵，构建多成分鲁棒PCA模型；

S103、采用增广拉格朗日乘子法对所述多成分鲁棒PCA模型进行交替迭代优化和乘子更新；

S104、更新迭代次数，计算并判断当前次迭代是否收敛；

S105、若当前次迭代收敛，则根据当前次迭代结果计算得到背景矩阵、所检测得到的运动目标矩阵和背景中的动态变化矩阵，从而实现运动目标检测，否则返回执行步骤S103；

所述S101具体包括：

对视频序列进行行列向量化，获得视频数据矩阵，其中，X∈R^m×n，X表示视频数据矩阵，R表示视频帧，m为视频帧的像素数，n为视频帧数；

所述S102具体包括：

根据所述视频数据矩阵，构建多成分鲁棒PCA模型，其中，所述多成分鲁棒PCA模型为：

式中，A∈R^m×n为低秩成分，为矩阵A的核范数，表示背景矩阵，E₁、E₂∈R^m×n为稀疏成分，λ₁、λ₂为正则化参数，||E₁||₁为稀疏成分E₁的1范数，表示运动目标矩阵，为稀疏成分E₂的F范数，表示背景中的动态变化矩阵，表示E₁、E₂的相干性约束，γ表示相干性权重参数。

2.如权利要求1所述的基于多成分鲁棒PCA的运动目标检测方法，其特征在于，所述S103具体包括：

S1031、构建所述多成分鲁棒PCA模型的增广拉格朗日函数为：式中，Y∈R^m×n为拉格朗日乘子，β表示惩罚系数；

S1032、固定所述增广拉格朗日函数中的E₁和E₂，计算参数T＝X-E₁^k-E₂^k-Y_k/β_k，对计算参数T进行skinny奇异值阈值收缩，从而求得本次迭代更新后的低秩成分A_k+1，其中，k为上次迭代次数，E₁^k表示上次迭代后E₁的值，E₂^k表示上次迭代后E₂的值，Y_k表示上次迭代后拉格朗日乘子的值，β_k表示上次迭代后惩罚系数的值；

S1033、固定所述增广拉格朗日函数中的A和E₂，计算参数对计算参数T进行阈值为的软阈值收缩，从而求得本次迭代更新后的稀疏成分E₁^k+1；

S1034、固定所述增广拉格朗日函数中的A和E₁，并进行求导后得到本次迭代更新后的稀疏成分E₂^k+1；

S1035、更新拉格朗日乘子为Y_k+1＝Y_k+β_k(X-A_k+1-E₁^k+1-E₂^k+1)和惩罚参数β_k+1＝min(ρβ_k,β_max)，其中，ρ为倍数因子，且ρ＞1。