CN107564029B - 基于高斯极值滤波和群稀疏rpca的运动目标检测方法 - Google Patents

Abstract

本发明公开了基于高斯极值滤波和群稀疏RPCA的运动目标检测方法。针对动态背景下的运动目标检测问题，提出了一种基于高斯极值滤波(Gaussian max‑pooling)和群稀疏RPCA(Robust Principal Component Analysis)的运动目标检测方法，此方法包含两个主要模块：1)提出一种称为高斯极值滤波的新方法，为每一个像素点重新估计重一个最合适的灰度值，从而减小动态背景对目标检测的影响；2)提出一个称为群稀疏RPCA的新模型，对运动目标帧内和帧间的连续性进行建模，以实现更精确的运动目标检测。本发明在动态背景下比其它同类方法有更高的检测精度，能为视频监控系统提供一种更有效的运动目标检测算法。

Description

基于高斯极值滤波和群稀疏RPCA的运动目标检测方法

技术领域

本发明涉及基于高斯极值滤波和群稀疏RPCA的运动目标检测方法，属于计算机软件技术领域。

背景技术

近些年来，智能视频监控逐渐成为了安防领域中最核心的技术之一，随着摄像机技术的不断提升，其得到了广泛使用，尤其是在安全较为敏感的场合：如车站、机场、学校、银行等等。然而当前的视频监控只是对时间进行简单的记录，且我们只能耗费大量的人力、物力从海量的视频监控数据中观察、浏览从而获取有用的信息。因此为了能够让视频监控系统能够智能地理解视频场景中的行为已成为迫切的需求。智能视频监控的目标是自动的发现监控场景的违规行为、可疑目标等；其中运动目标检测和跟踪是智能视频监控中的核心部分，因此其得到了研究者们的广泛关注。运动目标检测是智能视频监控中的重要的基础，其对于目标建模、跟踪和识别有着重要的影响，其目的是从图像序列中将前景变化的部分提取出来。

在动态背景下(如：树叶的摆动、水面的波浪)，运动目标检测是一项具备挑战性的任务。经过学者们的不断努力，许多方法被不断地提出。Wren使用单高斯模型对背景建模，目的在于对室内的行人进行检测。因为室外的环境是多模态的，所以这个方法不能较好地在室外进行行人检测。Stauffer提出了提出了一种基于高斯混合模型的目标检测方法，该方法使用多个单高斯模型对背景进行建模，解决了像素的多峰分布，其认为每个像素之间互不相关，对每个像素点的处理都是相互独立的，每个像素点是由不同权值的多个高斯混合分布叠加而成，能够适应不同的场景；不同于单高斯模型，其充分使用了历史帧信息来表示背景，能够适应复杂的像素分布密度，但是其计算量较大，不能较好的处理突然的背景变化。Oliver使用主成分分析(PCA)对背景进行建模，该模型将高维数据投影到低维子空间中，在一定程度上，该方法可以有效地处理全局光照变化。但是其不能有效地处理局部光照变化且不能有效地检测出慢速运动目标。Elgammal提出了非参数核密度(Kernel DensityEstimation,KDE)背景建模方法，其主要是通过对每个像素点的连续的前N帧像素值采集，然后利用高斯内核估计该像素点的概率密度分布，并以此作为判断是否为运动目标的依据，该方法适应性强，准确性较高。Vibe(Visual Background Extrator)方法假设每一个像素和其领域像素的像素值在空域上有相似的分布，采用领域像素来建立背景模型，通过对比背景模型和当前输入像素值来检测前景。PBAS(Pixel-Based Adaptive Segmenter)是一种基于像素的无参数模型，其通过对前N帧像素及其梯度幅值作为背景模型。虽然方法都取得了良好的效果，但是其仍然对动态背景较为敏感。

近些年，基于矩阵低秩分解的鲁棒主成分分析(robust principle componentanalysis,RPCA)在机器视觉和图像处理领域中引起了学者们的广泛关注，并且其已经成功运动到了运动目标检测中。在监控视频中，由于摄像机的位置不动，因此连续的帧的背景具有很强的相关性，且运动目标与背景的差别较大，可将其作为低秩空间中的显著误差或者异常点。且运动目标通常只占了整个场景的一小部分，符合误差稀疏性的约束，因此RPCA可以有效地对实现背景建模和运动目标检测。RPCA模型可以直接从含有运动对象的序列图像中进行背景估计，不需要使用无运动目标的序列图像来进行背景建模。低秩模型可以有效地处理噪声、数据缺失、缓慢的光照变换等问题，且需要调节的参数较少。

Tao在RPCA的基础上加入了Go分解(go decomposition,GoDec)，在原有的模型中加入了噪声约束项，允许模型中存在一定的噪声，其对模型中的噪声和光照变化保持一定的鲁棒性，但是在复杂的动态背景下，检查到的运动目标仍然包含了大量的背景部分。现有的RPCA模型进行运动目标检测时，没有充分使用运动目标的时空分布连续性先验知识，Xue实现学习显著运动目标的时空分布特征，排除与学习到的运动目标不一致的部分，虽然能够较好的检查出运动目标，但是其仍然动态背景敏感。Zhou在传统RPCA模型上加入了先验知识：前景目标是连续的小区域，但是其仍然是假设背景是静态的。

发明内容

在动态背景下(树叶的晃动、波浪或者雨雪天气等)，快速、准确地检测出视频与图像序列中的运动前景目标。

技术方案如下：1)使用高斯极值滤波(Gaussian max-pooling)对原始图像进行滤波处理；2)使用Ncut对所有图像序列进行超像素分割；3)对超像素区域进行合并得到图像分割结果；4)对帧间同性区域进行连接，实现视频分割；5)使用对其进行群约束，得到运动前景

针对动态背景下的运动目标检测问题，提出了一种基于高斯极值滤波(Gaussianmax-pooling)和群稀疏RPCA(Robust Principal Component Analysis)的运动目标检测方法，此方法包含两个主要模块：1)提出一种称为高斯极值滤波的新方法，为每一个像素点重新估计重一个最合适的灰度值，从而减小动态背景对目标检测的影响；2)提出一个称为群稀疏RPCA的新模型，对运动目标帧内和帧间的连续性进行建模，以实现更精确的运动目标检测。

有益效果

在动态背景下比其它同类方法有更高的检测精度，能为视频监控系统提供一种更有效的运动目标检测算法。

附图说明

1、图1为本发明方法的流程图。

具体实施方式

本发明的技术方案如图1所示，包含以下步骤：

步骤1)固定相机，获取连续图像序列Img＝(img₁,img₂…img_T)；

步骤2)对图像序列中的每一幅图像使用Gaussian max-pooling进行滤波，得到Img_P＝(img_P1,img_P2…img_PT)；

步骤3)使用Ncut对图像序列中的每一幅图像进行超像素分割Img_L＝(img_L1,img_L2…img_LT)；

步骤4)对超像素分割结果进行合并，得到图像分割结果Img_S＝(img_s1,img_s2…img_sT)；

步骤5)对帧间同性区域进行连接，实现视频分割C＝C₁∪C₂∪…C_m；

步骤6)使用对其进行群约束

得到运动前景；

关于步骤2)的说明：

待处理像素及其邻域像素灰度值

6	3	0	1	8
					8	9	3	5	9
3	2	8	2	8
					9	2	3	7	9
2	9	5	2	5

Gaussian max-pooling步骤如下：

输入：待处理图像序列Img＝(img₁,img₂…img_T)，方差σ

a.选取目标像素v及其为中心n×n窗口内的像素组成一个向量

b.使用高斯分布分别计算每个像素在灰度值范围M＝(0,1,…,255)上的条件概率

其中，μ'∈N_v，u是均值。

c.使用最大后验概率为每个像素的像素值计算一个最优像素值，并使用最优像素值替代原有像素的像素值，如下公式。

M＝(0，1，…,255)

d.为图像中的每个像素都进行以上操作，直到像素处理完为止。

e.对图像序列中所有像素值进行a，b操作，得到新的图像序列Img_P＝(img_P1,img_P2…img_PT)。

关于步骤3)的说明：

输入：图像序列Img＝(img₁,img₂…img_T)；

使用Wright J,Ganesh A,Rao S,et al.Robust Principal ComponentAnalysis:Exact Recovery of Corrupted Low-Rank Matrices[J].Journal of the Acm,2009,58(3):11.对图像进行超像素分割，得到和图像大小的矩阵，矩阵中包含图像每个像素的标签值Img_L＝(img_L1,img_L2…img_LT)。

输出：Img_L＝(img_L1,img_L2…img_LT)

关于步骤4)的说明：

输入：图像Img＝(img₁,img₂…img_T)，图像序列标签号Img_L＝(img_L1,img_L2…img_LT)

使用Wright J,Ganesh A,Rao S,et al.Robust Principal ComponentAnalysis:Exact Recovery of Corrupted Low-Rank Matrices[J].Journal of the Acm,2009,58(3):11.中子空间聚类方法对超像素区域进行合并，在合并的同时不断更新图像中像素的标签值，直到不能合并为止，得到最终结果图像分割结果Img_S＝(img_s1,img_s2…img_sT)

输出：图像分割Img_S＝(img_s1,img_s2…img_sT)

关于步骤5)的说明：

计算相邻两帧图像区域建立邻接图，计算前一帧区域中心(X_c,Y_c)与后一帧区域中心(X_n,Y_n)相差距离；

(X_c-X_n)²+(Y_c-Y_n)²≤Dis²，如果距离小于Dis²则认为是相邻区域。根据中心距离为图像序列Img_P＝(img_P1,img_P2…img_PT)中每相邻两帧都建立一个相邻区域邻接图。

图像区域中心计算方法如下：

对一个区域中每个像素值的横坐标进行相加，再得到平均值

对一个区域中每个像素值的纵坐标进行相加，再得到平均值

可以得到每个区域的中心坐标

从图像序列Img_P＝(img_P1,img_P2…img_PT)中第一帧图像开始计算直到最后一帧，根据Wright J,Ganesh A,Rao S,et al.Robust Principal Component Analysis:ExactRecovery of Corrupted Low-Rank Matrices[J].Journal of the Acm,2009,58(3):11.子空间聚类方法判断邻接图中区域是前一帧与后一帧区域是否相似，如果相似则更新区域标签，在计算的同时更新像素所属的标签值，得到图像序列所有像素的标签值C＝C₁∪C₂∪…C_m，图像序列中具有相同属性的像素被分到了一个Cluster中。

关于步骤6)的说明：

使用群稀疏RPCA分解图像序列D，令D＝Img_P，

s.t D＝A+E

其中，||·||_C(2,1)表示图像序列D中某一个Cluster的2,1范数。

[·]_jk表示整个矩阵，(j,k)指的是第j行第k列的元素，|C_i|表示组C_i中像素的个数。为了求解A,E，使用Wright J,Ganesh A,Rao S,et al.Robust PrincipalComponent Analysis:Exact Recovery of Corrupted Low-Rank Matrices[J].Journalof the Acm,2009,58(3):11.中拉格朗日乘子法求解。

其中Y为中间临时变量。

其中E求解步骤如下：

令

假设(j,k)∈C_i，

a和b表示M中的第a行第b列，[.]_ab表示矩阵中第a行第b列中的元素，[.]_Ci表示第i个区域的所有元素

求解A,E的步骤具体如下：

输入：D，视频分割结果C

输出：A,E

初始化：A＝E＝Y＝0，μ＝10^-6

当没有饱和时，不停迭代计算：

固定其他参数，更新A，

固定其他参数，更新E，

更新Y，Y＝Y+μ(D-A-E)

更新μ，μ＝ρμ，参数ρ控制了收敛速度。本文设置ρ为1.1

结束，输出A,E。

Claims (2)

1.基于高斯极值滤波和群稀疏RPCA的运动目标检测方法，包括：

1)使用高斯极值滤波Gaussian max-pooling对原始图像进行滤波处理；

2)使用Ncut对所有图像序列进行超像素分割；

3)对超像素区域进行合并得到图像分割结果；

4)对帧间同性区域进行连接，实现视频分割；

5)使用对其进行群约束，得到运动前景；

其特征在于，所述具体如下：

步骤1)固定相机，获取连续图像序列Img＝(img₁,img₂…img_T)；

步骤2)对图像序列中的每一幅图像使用Gaussian max-pooling进行滤波，得到Img_P＝(img_P1,img_P2…img_PT)；

步骤3)使用Ncut对图像序列中的每一幅图像进行超像素分割Img_L＝(img_L1,img_L2…img_LT)；

步骤4)对超像素分割结果进行合并，得到图像分割结果Img_S＝(img_s1,img_s2…img_sT)；

步骤5)对帧间同性区域进行连接，实现视频分割C＝C₁∪C₂∪…C_m；

步骤6)使用对其进行群约束

得到运动前景；

所述步骤2)中，待处理像素及其邻域像素灰度值

6 3 0 1 8 8 9 3 5 9 3 2 8 2 8 9 2 3 7 9 2 9 5 2 5

Gaussian max-pooling步骤如下：

输入：待处理图像序列Img＝(img₁,img₂…img_T)，方差σ

a.选取目标像素v及其为中心n×n窗口内的像素组成一个向量

b.使用高斯分布分别计算每个像素在灰度值范围M＝(0,1,…,255)上的条件概率

其中，μ'∈N_v，u是均值；

c.使用最大后验概率为每个像素的像素值计算一个最优像素值，并使用最优像素值替代原有像素的像素值，公式如下：

d.为图像中的每个像素都进行以上操作，直到像素处理完为止；

e.对图像序列中所有像素值进行a，b操作，得到新的图像序列Img_P＝(img_P1,img_P2…img_PT)；

所述步骤3)具体为：

输入：图像序列Img＝(img₁,img₂…img_T)；

使用Mori G.Guiding Model Search Using Segmentation[J].Proceedings,2005,2:1417-1423Vol.2.中方法对图像进行超像素分割，得到和图像大小的矩阵，矩阵中包含图像每个像素的标签值Img_L＝(img_L1,img_L2…img_LT)；

输出：Img_L＝(img_L1,img_L2…img_LT)；

所述步骤4)具体为：

输入：图像Img＝(img₁,img₂…img_T)，图像序列标签号Img_L＝(img_L1,img_L2…img_LT)；

使用Ma Y,Derksen H,Hong W,et al.Segmentation of Multivariate Mixed Datavia Lossy Data Coding and Compression[J].IEEE Transactions on PatternAnalysis&Machine Intelligence,2007,29(9):1546，对中子空间聚类方法对超像素区域进行合并，在合并的同时不断更新图像中像素的标签值，直到不能合并为止，得到最终结果图像分割结果Img_S＝(img_s1,img_s2…img_sT)；

输出：图像分割Img_S＝(img_s1,img_s2…img_sT)；

所述步骤5)具体为：

计算相邻两帧图像区域建立邻接图，计算前一帧区域中心(X_c,Y_c)与后一帧区域中心(X_n,Y_n)相差距离；

(X_c-X_n)²+(Y_c-Y_n)²≤Dis²，如果距离小于Dis²则认为是相邻区域，根据中心距离为图像序列Img_P＝(img_P1,img_P2…img_PT)中每相邻两帧都建立一个相邻区域邻接图；

图像区域中心计算方法如下：

对一个区域中每个像素值的横坐标进行相加，再得到平均值

对一个区域中每个像素值的纵坐标进行相加，再得到平均值

得到每个区域的中心坐标；

从图像序列Img_P＝(img_P1,img_P2…img_PT)中第一帧图像开始计算直到最后一帧，子空间聚类方法判断邻接图中区域是前一帧与后一帧区域是否相似，如果相似则更新区域标签，在计算的同时更新像素所属的标签值，得到图像序列所有像素的标签值C＝C₁∪C₂∪…C_m，图像序列中具有相同属性的像素被分到了一个Cluster中。

2.如权利要求书1所述的方法，其特征在于，所述步骤6)具体为：

使用群稀疏RPCA分解图像序列D，令D＝Img_P，Img_P则是经过高斯极值滤波后的图像序列，

其中，||·||_C(2,1)表示图像序列D中某一个Cluster的2,1范数；

[·]_jk表示整个矩阵，(j,k)指的是第j行第k列的元素，|C_i|表示组C_i中像素的个数；为了求解A,E，使用拉格朗日乘子法求解；

其中Y为中间临时变量；

其中E求解步骤如下：

令

假设(j,k)∈C_i，

a和b表示M中的第a行第b列，[.]_ab表示矩阵中第a行第b列中的元素，[.]_Ci表示第i个区域的所有元素；

求解A,E的步骤具体如下：

输入：D，视频分割结果C

输出：A,E

初始化：A＝E＝Y＝0，μ＝10^-6

当没有饱和时，不停迭代计算：

固定其他参数，更新A，

固定其他参数，更新E，

更新Y，Y＝Y+μ(D-A-E)

更新μ，μ＝ρμ，参数ρ控制了收敛速度；设置ρ为1.1

结束，输出A,E。

Images