[发明专利]一种基于字典学习的低照度运动检测方法

摘要

本发明公开了一种基于字典学习的低照度运动检测方法，属于数字图像处理领域；从图像块的角度出发，采用字典学习的方法，为每一个图像块建立字典，从而得到一个基于背景图像的大字典，并根据稀疏编码的相关理论，求得背景图像在字典上的稀疏系数，进而得到背景模型；然后，根据当前帧图像在字典上的稀疏投影与背景模型的差值来判断前景区域，为了保证检查结果的准确性和避免孤立点的出现，对该差值进行了加权后处理，提升了检测结果的准确性。本发明的方法能很好地避免由于低照度而引起的大噪声的影响，保证在低照度环境下运动检测结果的准确性和鲁棒性。

主权项

1.一种基于字典学习的低照度运动检测方法，其特征在于，该方法为：1）从被监控场景的视频图像I中提取N张背景图像，将每张所述背景图像分成m×l个背景图像块；将第f张背景图像的第j个背景图像块矢量化为向量所有背景图像上第j个位置的背景图像块构成矩阵将矩阵X_j作为所有背景图像上第j个位置的背景图像块的训练集；其中，f=1,2,…,N；j=1,2,…m×l；2）从X_j中随机选择k个向量作为初始字典D₀；3）令t=1；4）从X_j中选择一个向量，记为x_t，利用下式计算背景图像块训练集X_j的稀疏系数其中λ为平衡参数；5）利用α_t和D_t-1更新字典，得到更新后的字典D_t=[d₁,d₂,…d_k]：de=1max(||ce||2,1)ce;]]>其中，e=1,2,…k；d_e'、d_e分别为字典D_t-1、D_t中第e个原子；A=[a1,···,ak]=Σi=1tαiαiT;[b1,···,bk]=Σi=1txiαiT;]]>A_ee为A的第e行第e列的元素；6）判断D_t是否满足下列收敛公式：若满足，则进入步骤7）；否则，用D_t替代D_t-1，重复步骤5），直到更新后的字典满足所述收敛公式，进入7）；7）令t=t+1，采用随机梯度下降的方法，从X_j中选择下一个向量，重复上述步骤4）～6），直到t=5～10，得到所有背景图像上第j个位置的背景图像块的字典D_j和稀疏系数α_j，则第j个位置的背景图像块的背景模型I_B(j)为：I_B(j)=D_jα_j；8）对于所有背景图像上其余位置的背景图像块训练集，重复上述步骤2）～7），直到得到所有背景图像块训练集的字典D=[D₁,D₂,…,D_m×l]和稀疏系数α=[α1T,α2T,···,αm×lT]T;]]>9）从所述视频图像I中提取一张与所述背景图像大小相同的测试图像，将所述测试图像分成m×l个测试图像块；将每个测试图像块矢量化为向量xrj'，所有矢量化后的测试图像块构成矩阵10）利用下式计算X'_j中第j个矢量化后的测试图像块的稀疏系数α_j'则所述测试图像的稀疏系数α′=[α1′T,α2′T,···,αm×l′T]T;]]>11）利用下式计算所述测试图像第j个测试图像块的前景检测值I_F(j)：I_F(j)=∑(D_jα_j′-I_B(j))；12）判断I_F(j)是否大于阈值T，若大于，则I_F属于前景；否则I_F(j)属于背景，将I_F(j)置0；其中T的取值范围为：u、σ分别为背景模型I_B与各背景图像块训练集差值的均值构成的向量的均值和方差。