[发明专利]适用于法庭庭审监控的目标检测方法

说明书

本发明公开了一种适用于法庭庭审监控的目标检测方法，首先将法庭庭审视频帧序列逐帧进行列向量化得到待观测矩阵X；再依据得到的待观测矩阵X，对构建的运动目标函数进行求解，得到相应的低秩矩阵和稀疏矩阵，其中低秩矩阵即为背景，稀疏矩阵即为需检测的目标；将稀疏矩阵提取出即得到需检测的目标。本发明针对法庭庭审监控视频中目标识别，基于拉普拉斯混合尺度和最大相关熵准则构建运动目标函数，利用最大相关熵准则对图像中的噪声进行约束，尤其是对非高斯噪声具有更好的鲁棒性，能够对起到很好的噪声抑制效果，使模型能够更加准确地检测出运动目标。

技术领域

本发明属于视频监控技术领域，涉及监控视频中的目标检测技术，尤其涉及适用于法庭庭审监控视频中的目标检测方法。

背景技术

法院信息化建设随着时代发展，信息化程度及业务也向更深的方向发展。其中，庭审监控视频处理是非常重要的一环。通过现代计算机技术辅助法官审判，帮助法警维护法庭秩序以及受到了广泛的关注，例如法庭违规行为的识别、法院庭审监控实时编码处理等，都离不开目标检测技术，目标检测是众多计算机视觉应用当中的基础步骤之一。

适用于法庭庭审监控视频中比较成熟的目标检测方法主要包括帧间差分法、背景差分法，但是这些方法既不能检测出运动物体的整体轮廓，也不能很好地适用于具有动态变化背景的场景当中；基于高斯混合模型的目标检测算法，但这类算法不能很好地克服动态背景和光照剧烈变化的场景。

近些年来，涌现出越来越多的基于鲁棒主成分分析(Robust PrincipleComponent Analysis，RPCA)的目标检测方法，这类算法在处理被噪声污染的数据时具有较强的鲁棒性，可以在不同场景下，例如动态背景、相机抖动等，对视频帧背景进行良好地建模，进而有效对前景目标进行提取。从原理上来说，RPCA就是将矩阵分解成一个尽可能的低秩矩阵和一个尽可能的稀疏矩阵，矩阵的秩代表着该矩阵所包含信息的丰富程度，低秩意味着矩阵有很多行或列是线性相关的，也意味着该矩阵的信息冗余程度比较高；稀疏则意味着矩阵中存在很多“零”值，可以对矩阵进行压缩处理。RPCA技术本质上是寻找待观测数据在低维空间上的最佳投影，当待处理数据较大或者包含有噪声时，RPCA技术在原理上可以恢复出其本质的低秩数据。将RPCA技术应用于目标检测任务的时候，一般会将图像的背景部分定义为低秩成分，而将图像中的目标定义为稀疏部分；操作流程即是将视频帧序列向量化为一个待观测矩阵，然后使用RPCA技术对该矩阵进行分解，得到一个尽可能低秩的矩阵和一个尽可能稀疏的矩阵，得到的低秩矩阵即为背景，稀疏矩阵即为所需检测的目标。

理论上，经典的RPCA模型检测运动目标是通过求解目标函数(1)得到的，

式中，X＝[x₁,x₂,…,x_T]∈R^m×T表示待处理视频帧序列经过向量化而成的矩阵，x_t是待处理视频帧序列的第t帧经过向量化得到，L＝[l₁,l₂,…,l_T]∈R^m×T和S＝[s₁,s₂,…,s_T]∈R^m×T分别表示低秩矩阵和稀疏矩阵，||·||₁表示一范式，||·||₂表示二范式，||·||_*表示核范式。使用批处理求解目标函数(1)的方法即为PCP(Principal Component Pursuit)方法，批处理的操作方式需要获取全部的待处理视频帧序列，当序列过长的时，该算法的计算复杂程度将会大大提高，而且该算法也并不符合实际视频帧实时处理的要求，因此目标函数(1)的在线求解方法被提了出来，即为ORPCA(Online RPCA)方法，该方法将目标函数(1)中的核范式使用公式(2)中的二范式来替代，