[0046] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0047] 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,如图1所示,包括:
[0048] S101、对待检测视频序列进行行列向量化,获得视频数据矩阵。
[0049] 其中,X∈Rm×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。
[0050] S102、根据所述视频数据矩阵,构建多成分鲁棒PCA模型。
[0051] 其中,所述多成分鲁棒PCA模型为:
[0052] 式中,A∈Rm×n为低秩成分,为矩阵A的核范数,表示背景矩阵,E1、 为稀疏成分,用于表示各
帧间偏离低秩成分的差异性,λ1、λ2为正则化参数,权衡低秩成分与稀疏成分的比率,||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,约束两者内积最小。γ表示相干性权重参数。
[0053] 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。
[0054] 具体的,所述S103具体包括步骤:
[0055] S1031、构建所述多成分鲁棒PCA模型的增广拉格朗日函数为:
[0056]
[0057] 式中,Y∈Rm×n为拉格朗日乘子,β表示惩罚系数;
[0058] S1032、固定所述增广拉格朗日函数中的E1和E2,计算参数T=X-E1k-E2k-Yk/βk,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Ak+1,其中,k为上次迭代次数,E1k表示上次迭代后E1的值,E2k表示上次迭代后E2的值,Yk表示上次迭代后拉格朗日乘子的值,βk表示上次迭代后惩罚系数的值。
[0059] 具体的,当固定所述增广拉格朗日函数中的E1和E2后,增广拉格朗日算法的目标函数化简为:
[0060]
[0061] 计算参数T=X-E1k-E2k-Yk/βk,对计算参数T进行skinny奇异值阈值收缩Skin-SVD(T)=UΛDT,又 式中 为收缩后 的 奇 异 值 ,因 此 计 算 得 到 此 次 迭 代 更 新 后 的 低 秩 成 分
[0062] S 10 3 3 、固 定 所述 增 广拉 格 朗日 函 数中 的 A 和E 2 ,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E1k+1。
[0063] 具体的,当固定所述增广拉格朗日函数中的A和E2时,增广拉格朗日算法的目标函数化简为:
[0064]
[0065] 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E1k+1为:
[0066]
[0067] 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E2k+1;
[0068] S1035、更新拉格朗日乘子为
[0069] Yk+1=Yk+βk(X-Ak+1-E1k+1-E2k+1)和惩罚参数βk+1=min(ρβk,βmax),其中,ρ为倍数因子,且ρ>1。
[0070] S104、更新迭代次数,计算并判断当前次迭代是否收敛。
[0071] 具体的,所述S104具体包括:
[0072] S1041、更新迭代次数;
[0073] S1042、计算收敛性条件RelErr1和RelErr2,其中,
[0074]
[0075] RelErr2=||Yk+1-Yk||F/||X||F;
[0076] S1043、当RelErr1>ε1或RelErr2>ε2时,判定为当前次迭代收敛,否则判定为不收敛,其中,ε1、ε2表示第一阈值和第二阈值。
[0077] 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。
[0078] 具体的,所述S105具体包括:
[0079] S1051、若当前次迭代收敛,则输出当前次迭代更新后的低秩成分Ak+1、稀疏成分E1k+1和稀疏成分E2k+1;
[0080] S1052、根据所述低秩成分Ak+1、稀疏成分E1k+1和稀疏成分E2k+1计算得到背景矩阵||A||*、运动目标矩阵||E1||1和背景中的动态变化矩阵 从而实现运动目标检测;
[0081] S1053、若当前次迭代不收敛,则返回执行步骤S103。
[0082] 为验证本发明的效果,对本发明进行仿真实验,测试序列规格是288×384,共100帧,测试序列来自标准的公共视频测试序列库,设置相关参数A1=0, Y1=0,β0=2×10-3,βmax=μ×107,ρ=1.1,γ=6.5×10-4,λ1=7.5×10-3,λ2=5×10-3,m=288,n=384,k=1。
[0083] 实验的评价使用定性和定量两种分析方法。
[0084] 图2和图3给出了本发明和RPCA算法对运动目标检测效果的比较。从图2和图3可以看出,对于同一个测试视频序列,本发明的运动目标检测效果明显优于经典RPCA算法。
[0085] 关于定量比较分析,使用F-score来评判。其中,F-score同时将真阳性(True Positive,TP)、假阳性(False Positive,FP)和假阴性(False Negative,FN)都考虑在内,计算如下:
[0086]
[0087] TP、FP和FN分别是真阳性、假阳性和假阴性。在背景建模问题中,F-score的计算如下:
[0088]
[0089] 其中Rs由背景建模得到的区域,Rg是真实的目标区域。好的背景建模应该提供大的F-score值。
[0090] 选取两个测试序列,分别为Campous序列和Bottle序列,利用本模型分解后,原图、生成的背景、运动目标和背景中的扰动,通过图4和图5展示了本专利算法的效果。
[0091] 从图4和图5可以看出,本发明在对存在复杂动态背景的视频序列的处理中起到了很大的效果,把背景中的大多数的动态扰动部分分解到了E2中,分解结果达到本算法预期的效果,使得检测的显著运动目标结果背景更加干净整洁,大大提高了运动目标检测的精度。
[0092] 在作定量比较时,我们在从两个测试视频序列数据库上抽取部分帧,将每帧图片中检测到的运动目标与Groundtruth比对,计算出对应的F-score值。图6和图7给出了本发明算法和RPCA分别在测试集WaterSurface和Campous的F-score值。
[0093] 综上可知,相对于传统目标检测并不能够有效的去除背景中的动态变化扰动,分离出的检测目标存在很大的背景动态扰动问题。本发明利用多成分相干性约束,建立一种多成分鲁棒PCA的运动目标检测模型,让稀疏部分E成分包含尽可能多的目标运动和背景运动,利用相干性约束对E进行分解,分为E1和E2两种不同的运动形式,将运动成分分解为显著运动前景E1和背景扰动E2,进而从中检测出有意义的运动目标E1,这对于复杂的动态背景目标检测保持较好的鲁棒,本文的算法对于背景动态变化扰动有了较大的抑制作用,可以更有效的检测出我们感兴趣的运动目标,无论是从检测的准确率还是从视觉效果上来看,都呈现出一定的优势。
[0094] 需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0095] 上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
[0096] 在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
[0097] 专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
[0098] 结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
[0099] 对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。