[发明专利]基于多成分鲁棒PCA的运动目标检测方法

说明书

技术领域

本发明涉及图像信息处理技术领域，尤其涉及一种基于多成分鲁棒PCA的运动目标检测方法。

背景技术

视频运动目标检测是智能视频信号处理中的一个基本问题，也是当前计算机视觉领域中受人关注的热点问题之一。由于视频图像中经常会包含不同样式的信息，但我们感兴趣的往往只是其中的运动目标。视频运动目标检测的目的就是将运动目标从这些复杂的背景环境中自动提取出来，从模式识别的角度看，我们可以认为这是复杂的背景环境和运动的前景目标的分类问题。视频运动目标检测是实现视频分析的重要基础，在基于对象的视频编码、基于内容的视频检索、智能视频监控、基于视频的人机交互、视频编辑等领域中也具有广泛的应用。

近年来，国内外科研工作者提出了诸多的运动目标检测算法，根据检测模型的不同，主要可分为背景差分法、帧间差分法和光流法。虽然这些目标检测方法取得了一定成功，但它们对场景中复杂动态的变化仍不够稳健。视频中光照的改变，目标运动形式的多样性(非刚性形变)，运动目标同背景间的相似性，场景背景的动态变化(雨、波浪、喷泉、随风摆动的树叶和摄像机的抖动)等因素均给运动目标检测的研究带来了挑战。实践表明关于视频对象检测的算法还远未成熟，如何寻求一个更为有效的检测模型是一个难点问题。

当前，研究者们将鲁棒PCA(Robust Principe Component Analysis，RPCA)理论引入视频运动目标检测问题，鲁棒PCA模型假设数据矩阵M由两个成分L与S组成，其中矩阵L具有低秩特性，数据矩阵S具有稀疏特性，在一定相干性约束等条件下，通过矩阵的低秩(核范数)与稀疏性(1范数)约束，运用凸优化方法可恢复出矩阵的低秩成分L和稀疏成分S。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，而前景目标呈现出与背景不同的运动样式以及纹理特征，可被视为偏离该低秩空间的显著误差或异常点，同时运动目标通常只占整个场景中的一小部分，符合误差稀疏性的约束，因此应用鲁棒PCA模型进行背景与前景分离是非常合适的，矩阵的低秩成分L可较好建模背景，而稀疏部分S则可有效分离运动目标，对视频背景的建模取得了为较为出色的结果，有助于提升算法的鲁棒性与准确性，为运动目标检测问题开辟了新的研究方向。在后续的研究中，Zhou等提出了GoDec分解模型(GoDecomposition:GoDec)，在原有鲁棒PCA模型上引入了噪声部分G，允许原矩阵存在一定的噪声成分。另外，GoDec通过非凸的秩rank(A)和稀疏度card(S)约束来进行成分分离。GoDec能够对背景中的噪声以及光照变化保持一定的鲁棒性，但是在复杂的动态背景下，检测到的运动目标仍然包含大量的背景部分。Wang等提出用基于概率的鲁棒矩阵因子分解(AProbabilistic Approach to Robust Matrix Factorization:PRMF)进行背景建模。PRMF假定低秩部分满足高斯分布，运用l₂范数来对矩阵的秩进行约束。PRMF在对视频序列中的运动目标检测有一定的效果，能够对一些噪声点保持鲁棒性，但是在复杂的动态背景下，PRMF对背景的表示仍然不足。

因此现有的鲁棒PCA模型仍存在的许多不足，例如将视频序列分解为低秩成分A和运动成分E后，E成分中同时包含了复杂背景中的动态扰动，常将其误判为有意义的运动目标。

发明内容

本发明所要解决的技术问题在于，提供一种基于多成分鲁棒PCA的运动目标检测方法，本发明引入成分分解思想，通过相干性约束将E成分进一步分解为E1和E2两个成分，期望E1成分为显著的前景目标，E2成分为背景扰动，进而从背景扰动中分离出有意义的显著运动目标，提升检测算法的鲁棒性。

为了解决上述技术问题，本发明提供了一种基于多成分鲁棒PCA的运动目标检测方法，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。

进一步的，所述S101具体包括：