[发明专利]一种基于低秩和结构稀疏的视频前景背景分离方法

说明书

技术领域

本发明涉及背景提取技术，尤其是针对静态摄像机下的监控视频背景、前景分离技术。

背景技术

良好的前景背景分离方案是实现运动目标检测和识别的关键技术之一。背景提取常用于从一个静态摄像机获取的场景中分割出动态目标，典型方法有：基本背景建模法、背景估计法、模糊背景建模法和统计背景建模法^[1]。这些方法的基本思路是首先通过学习一段训练图像序列提取出该视频的背景特征，从而建立一个数学模型来描述其背景，然后用该背景模型对需要检测的视频序列进行处理(一般采用背景相减法)，提取出当前图像中与背景模型中性质不同的像素点，即为图像的动态目标。由于视频监控的场景会随着时间发生变化(光照、阴影等)，这些方法需要及时更新背景模型，因而存在着背景模型不能快速准确地适应场景中的局部变化问题。同时，由于需要预先学习训练序列构造背景模型，这些都制约了它们在视频监控智能化和网络化中的应用。由此可见，对不包含独立的学习训练阶段以及能准确适应场景变化的背景提取方法的研究具有十分重要的意义。低秩矩阵分解将矩阵的秩作为一种稀疏测度，能够有效地从受强噪声污染或部分损失的观测数据集中找到其低维本征空间，并恢复原始的观测信号。视频中各帧的背景部分只受少量因素控制，从而展现出低秩的特性；而运动目标或前景可通过识别空间稀疏分布的残差来检测，所以视频序列满足低秩加稀疏的结构，可作为低秩矩阵分解问题^[2]。

信号的稀疏性并不是唯一的信号表示模型，低秩矩阵分解在理论上还不完善，表现在核范数不能完全正确地逼近矩阵的秩函数^[3]，信号自身仍然存在一些结构先验信息未被完全的挖掘^[4]。

参考文献：

[1]BouwmansT.,BafF.E.,VachonA.B.StatisticalbackgroundModelingforforegrounddetection:Asurvey[J].HandbookofPatternRecognitionandComputerVision,2010,4(2):18-189.

[2]ChengL.,GongM.,SchuurmansD.,CaelliT.Realtimediscriminativebackgroundsubtraction[J].IEEETransactionsonImageProcessing,2011,20(5):1401–1404.

[3]HuY.,ZhangD.,YeJ.,LiX.,HeX.FastandAccurateMatrixCompletionviaTruncatedNuclearNormRegularization[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2013,35(9):2117-2130.

[4]彭义刚,索津莉,戴琼海等.从压缩传感到低秩矩阵恢复:理论与应用[J].自动化学报,2013,39(7):981-994..

[5]DuarteM.,EldarY.C.Structuredcompressedsensing:fromtheorytoapplication[J].IEEETransactionsonSignalProcessing,2011,59(9):4053-4085..

[6]YangJ.,YinW.,ZhangY.,WangY.AFastAlgorithmforEdgePreservingVariationalMultichannelImageRestoration[J].SIAMJournalonImagingSciences,2009,2(2):569-592.

[7]CaiJ.,CandesE.,ShenZ.Asingularvaluethresholdingalgorithmformatrixcompletion[J].SIAMJournalonOptimization,2010,20:1956-1982.

[8]StatisticalModelingofComplexBackgroundforForegroundObjectDetection(videodemo),[Online].Available:http://perception.i2r.astar.edu.sg/bk_model/bk_index.html.