CN113723183A - 一种鲁棒的低秩稀疏分解的运动目标检测方法 - Google Patents
一种鲁棒的低秩稀疏分解的运动目标检测方法 Download PDFInfo
- Publication number
- CN113723183A CN113723183A CN202110828989.5A CN202110828989A CN113723183A CN 113723183 A CN113723183 A CN 113723183A CN 202110828989 A CN202110828989 A CN 202110828989A CN 113723183 A CN113723183 A CN 113723183A
- Authority
- CN
- China
- Prior art keywords
- matrix
- low
- sparse decomposition
- rank sparse
- rank
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 abstract description 5
- 208000015181 infectious disease Diseases 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种鲁棒的低秩稀疏分解的运动目标检测方法,采用γ范数更好的逼近传统低秩稀疏分解方法中的秩函数;采用拉普拉斯尺度混合(Laplacian scale mixture,LSM)更好的逼近传统低秩稀疏分解算法中的稀疏度函数;引入了运动信息向量矩阵,能够更好的辅助判断当前像素是否属于运动目标,提高运动目标检测的精度;引入的噪声项能够较好的表达自然界中的噪声感染,提高鲁棒的低秩稀疏分解方法在运动目标检测方面的鲁棒性。
Description
技术领域
本发明涉及视频处理技术领域,具体而言涉及一种鲁棒的低秩稀疏分解的运动目标检测方法。
背景技术
一直以来低秩稀疏分解被广泛应用于运动目标检测中,其基本思路是将现实中的不同场景的视频进行建模分解为低秩的背景和稀疏的前景部分。但是该问题是一个NP-难问题,为了求解该问题,主成分追踪方法被引入并取得了不错的效果,但是该方法是一个有偏估计,对于腐蚀性严重的视频处理效果欠佳,在这种情况下,截断核范数方法和去分解等方法被提出,进一步改进了主成分分析方法的缺陷。但是随着人们研究的不断深入,发现以往的凸函数替代效果欠佳,在这种情况下基于非凸替代的方法被广泛研究并应用于运动目标检测系统中。
专利号为CN111191680A的发明中公开了一种基于非凸运动辅助的目标检测方法,包括步骤1:将待处理的视频数据输入至已构建的低秩稀疏分解模型中;步骤2:采用交替方向乘子法对构建的低秩稀疏分解模型进行求解,得到输入视频数据中的运动目标;该发明采用非凸γ范数代替传统低秩稀疏分解模型中的秩函数近似表示视频背景的低秩部分,同时考虑到背景在变换域上仍然具有稀疏性的特性,采用l1范数对变换域的背景进行稀疏近似,前景仍然采用表示运动目标稀疏先验的的l1范数。此外,在上述的模型中引入运动辅助信息矩阵,使其融入前景的运动信息,更好的实现视频的运动目标检测。在该发明中并未考虑到噪声项的干扰,而现有技术中的噪声矩阵并不适用前述目标检测过程,如专利号为CN111429475A的发明公开的一种基于鲁棒低秩稀疏分解的视频前背景分离方法,虽然能够提高视频前背景分离方法的鲁棒性,但是并不能直接应用到目标检测过程中,提高计运动目标的F-measure值和运行时间计算方法的鲁棒性。
发明内容
本发明针对现有技术中的不足,提供一种鲁棒的低秩稀疏分解的运动目标检测方法,采用γ范数更好的逼近传统低秩稀疏分解方法中的秩函数;采用拉普拉斯尺度混合(Laplacian scale mixture,LSM)更好的逼近传统低秩稀疏分解算法中的稀疏度函数;引入了运动信息向量矩阵,能够更好的辅助判断当前像素是否属于运动目标,提高运动目标检测的精度;引入的噪声项能够较好的表达自然界中的噪声感染,提高鲁棒的低秩稀疏分解方法在运动目标检测方面的鲁棒性。
为实现上述目的,本发明采用以下技术方案:
本发明实施例提出了一种鲁棒的低秩稀疏分解的运动目标检测方法,所述检测方法包括以下步骤:
S1,构建对应的低秩稀疏分解模型:
式中,D为视频对应的观测矩阵,L∈Rm×n为观测矩阵对应的低秩背景矩阵,||L||γ为矩阵L的γ范数,N为噪声项对应的噪声矩阵,||·||F为Frobenius范数,j=1,2,…,mn,Ψj是尺度为1的拉普拉斯分布,Θj是一个正随机变量,ξ是一个极小的正数,W是运动信息向量矩阵,Ψ=[ψ1,ψ2,…,ψmn],Θ=[Θ1,Θ2,…,Θmn];
S2,将待处理视频转换成对应的观测矩阵,采用交替方向乘子法求解低秩稀疏分解模型,提取运动目标,并计算对应的F-measure值和运行时间。
可选地,所述低秩稀疏分解模型对应的增广拉格朗日函数为:
其中μ>0是惩罚因子,Y是拉格朗日乘子,<,>是矩阵内积。
可选地,采用交替方向乘子法求解低秩稀疏分解模型的过程包括以下步骤:
S21,固定变量Ψ、Θ、Y、N和μ,计算得到矩阵变量Lk+1为:
S22,固定变量L、Ψ、Y、N和μ,计算得到矩阵变量Θk+1:
最终得到:
S23,固定变量L、Θ、N、Y和μ,计算得到矩阵变量Ψk+1:
最终得到:
S24,固定变量L、Θ、Ψ、Y和μ,计算得到矩阵变量Nk+1:
通过下式求解Nk+1:
S25,固定其它变量,更新乘子变量Y及其惩罚参数μ进行更新,计算得到:
μk+1=min(ρμk,μmax)
其中ρ>1是步长因子。
可选地,步骤S22中,将矩阵变量Θk+1的求解问题转换为求解矩阵Θk+1的每个标量元素θi的最小值问题,即:
可选地,步骤S23中,固定变量L、Θ、N、Y和μ,计算得到矩阵变量Ψk+1:
将求解问题转换为求解矩阵Ψk+1的每个标量元素Ψj的最小值问题,即:
最终得到:
可选地,所述检测方法还包括:
通过对提取得到的运动目标图像进行分析,从视觉角度验证低秩稀疏分解模型的有效性
分析求解得到的运动目标的F-measure值和运行时间的计算精度,从量化角度验证低秩稀疏分解模型的有效性。
本发明的有益效果是:
本发明提出的鲁棒的低秩稀疏分解的运动目标检测方法,采用γ范数替代传统低秩稀疏分解方法中的秩函数,采用拉普拉斯尺度混合(Laplacian scale mixture,LSM)替代传统低秩稀疏分解算法中的稀疏度函数,同时引入运动信息向量矩阵表示当前像素是否属于运动目标的概率,最后将噪声项引入到该模型中为噪声进行建模以达到增强低秩稀疏分解方法的鲁棒性。采用交替方向乘子法对鲁棒的低秩稀疏分解模型求解,并将该方法应用到运动目标检测中,提取视频中的运动目标,并从视觉角度验证本发明公开的一种鲁棒的低秩稀疏分解方法在运动目标检测方面的优势,计算对应的F-measure值和运行时间,并从量化角度验证本发明公开的一种鲁棒的低秩稀疏分解方法在运动目标检测方面的优势。
附图说明
图1为本发明实施例的鲁棒的低秩稀疏分解的运动目标检测方法流程图。
图2为采用不同算法提取的运动目标检测对比图。
图3为采用不同算法提取运动目标检测对应的量化的F-measure值。
图4为采用不同算法提取运动目标检测对应的量化的F-measure值。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
图1为本发明实施例的鲁棒的低秩稀疏分解的运动目标检测方法流程图。该方法采用γ范数替代传统低秩稀疏分解方法中的秩函数,采用拉普拉斯尺度混合(Laplacianscale mixture,LSM)替代传统低秩稀疏分解算法中的稀疏度函数,同时引入运动信息向量矩阵表示当前像素是否属于运动目标的概率,最后将噪声项引入到该模型中为噪声进行建模以达到增强低秩稀疏分解方法的鲁棒性。本发明采用交替方向乘子法对鲁棒的低秩稀疏分解模型求解,并将该方法应用到运动目标检测中,提取视频中的运动目标,并从视觉角度验证本发明公开的一种鲁棒的低秩稀疏分解方法在运动目标检测方面的优势,计算对应的F-measure值和运行时间,并从量化角度验证本发明公开的一种鲁棒的低秩稀疏分解方法在运动目标检测方面的优势。
首先,所述的构建的一种鲁棒的低秩稀疏分解方法模型的构建过程为采用γ范数替代传统低秩稀疏分解方法中的秩函数,采用拉普拉斯尺度混合(Laplacian scalemixture,LSM)替代传统低秩稀疏分解算法中的稀疏度函数,同时引入运动信息向量矩阵表示当前像素是否属于运动目标的概率,最后将噪声项引入到该模型中为噪声进行建模以达到增强低秩稀疏分解方法的鲁棒性,其模型的方程如下式所示:
其中D为视频对应的观测矩阵,L∈Rm×n为观测矩阵对应的低秩背景矩阵,||L||γ为矩阵L的γ范数,N为噪声项对应的噪声矩阵,||·||F为Frobenius范数,j=1,2,…,mn,Ψj是尺度为1的拉普拉斯分布,Θj是一个正随机变量,ξ是一个极小的正数,W是运动信息向量矩阵,Ψ=[ψ1,ψ2,…,ψmn],Θ=[Θ1,Θ2,…,Θmn]。
其次,采用交替方向乘子法求解一种鲁棒的低秩稀疏分解方法模型,一种鲁棒的低秩稀疏分解方法模型对应的增广拉格朗日函数为:
其中μ>0是惩罚因子,Y是拉格朗日乘子,<,>是矩阵内积。
其求解步骤如下所示
步骤S21,固定变量Ψ、Θ、Y、N和μ,可得矩阵变量Lk+1为:
步骤S22,固定变量L、Ψ、Y、N和μ,可得矩阵变量Θk+1:
上式的求解可以转换为求解矩阵Θk+1的每个标量元素θi的最小值问题,即:
步骤S23,固定变量L、Θ、N、Y和μ,可得矩阵变量Ψk+1,于是有:
上式的求解可以转换为求解矩阵Ψk+1的每个标量元素Ψj的最小值问题,即:
最终可得:
步骤S24,固定变量L、Θ、Ψ、Y和μ,可得矩阵变量Nk+1,于是有:
进一步的Nk+1可通过下式求解:
步骤S25,固定其它变量,更新乘子变量Y及其惩罚参数μ进行更新,可得:
μk+1=min(ρμk,μmax)
其中ρ>1是步长因子。
实例一:将本实施例的低秩稀疏分解模型应用于运动目标检测中,提取视频中的运动目标,图2从视觉角度验证了本实施例的低秩稀疏分解模型在运动目标检测方面的优势。
实例二:将本实施例的低秩稀疏分解模型应用于运动目标检测中,计算对应的F-measure值和运行时间,图3和图4从量化角度验证了本实施例的低秩稀疏分解模型在运动目标检测方面的优势。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种鲁棒的低秩稀疏分解的运动目标检测方法,其特征在于,所述检测方法包括以下步骤:
S1,构建对应的低秩稀疏分解模型:
式中,D为视频对应的观测矩阵,L∈Rm×n为观测矩阵对应的低秩背景矩阵,||L||γ为矩阵L的γ范数,N为噪声项对应的噪声矩阵,||·||F为Frobenius范数,j=1,2,…,mn,Ψj是尺度为1的拉普拉斯分布,Θj是一个正随机变量,ξ是一个极小的正数,W是运动信息向量矩阵,Ψ=[ψ1,ψ2,…,Ψmn],Θ=[Θ1,Θ2,…,Θmn];
S2,将待处理视频转换成对应的观测矩阵,采用交替方向乘子法求解低秩稀疏分解模型,提取运动目标,并计算对应的F-measure值和运行时间。
3.根据权利要求2所述的鲁棒的低秩稀疏分解的运动目标检测方法,其特征在于,采用交替方向乘子法求解低秩稀疏分解模型的过程包括以下步骤:
S21,固定变量Ψ、Θ、Y、N和μ,计算得到矩阵变量Lk+1为:
S22,固定变量L、Ψ、Y、N和μ,计算得到矩阵变量Θk+1:
最终得到:
S23,固定变量L、Θ、N、Y和μ,计算得到矩阵变量Ψk+1:
最终得到:
其中S(,)为软阈值收缩算子;
S24,固定变量L、Θ、Ψ、Y和μ,计算得到矩阵变量Nk+1:
通过下式求解Nk+1:
S25,固定其它变量,更新乘子变量Y及其惩罚参数μ进行更新,计算得到:
μk+1=min(ρμk,μmax)
其中ρ>1是步长因子。
6.根据权利要求1所述的鲁棒的低秩稀疏分解的运动目标检测方法,其特征在于,所述检测方法还包括:
通过对提取得到的运动目标图像进行分析,从视觉角度验证低秩稀疏分解模型的有效性分析求解得到的运动目标的F-measure值和运行时间的计算精度,从量化角度验证低秩稀疏分解模型的有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110828989.5A CN113723183B (zh) | 2021-07-21 | 2021-07-21 | 一种鲁棒的低秩稀疏分解的运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110828989.5A CN113723183B (zh) | 2021-07-21 | 2021-07-21 | 一种鲁棒的低秩稀疏分解的运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723183A true CN113723183A (zh) | 2021-11-30 |
CN113723183B CN113723183B (zh) | 2024-02-20 |
Family
ID=78673811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110828989.5A Active CN113723183B (zh) | 2021-07-21 | 2021-07-21 | 一种鲁棒的低秩稀疏分解的运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723183B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818773A (zh) * | 2022-03-12 | 2022-07-29 | 西北工业大学 | 用于改善混响抑制鲁棒性的低秩矩阵稀疏性补偿方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191680A (zh) * | 2019-10-09 | 2020-05-22 | 南京邮电大学 | 一种基于非凸运动辅助的目标检测方法 |
CN111429475A (zh) * | 2020-03-27 | 2020-07-17 | 南京信息职业技术学院 | 一种基于鲁棒低秩稀疏分解的视频前背景分离方法 |
-
2021
- 2021-07-21 CN CN202110828989.5A patent/CN113723183B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191680A (zh) * | 2019-10-09 | 2020-05-22 | 南京邮电大学 | 一种基于非凸运动辅助的目标检测方法 |
CN111429475A (zh) * | 2020-03-27 | 2020-07-17 | 南京信息职业技术学院 | 一种基于鲁棒低秩稀疏分解的视频前背景分离方法 |
Non-Patent Citations (5)
Title |
---|
ZHENZHEN YANG 等: "Generalized Nuclear Norm and Laplacian Scale Mixture Based Low-Rank and Sparse Decomposition for Video Foreground-Background Separation", 《SIGNAL PROCESSING》, pages 1 - 29 * |
ZHENZHEN YANG 等: "Generalized singular value thresholding operator based nonconvex low-rank and sparse decomposition for moving object detection", 《ELSEVIER》, pages 10138 - 10154 * |
杨永鹏 等: "低秩稀疏分解及其在视频和图像处理中的应用", 《计算机工程与应用》, vol. 56, no. 16, pages 21 - 30 * |
杨真真 等: "改进的低秩稀疏分解及其在目标检测中的应用", 《仪器仪表学报》, vol. 40, no. 4, pages 198 - 206 * |
杨真真 等: "非凸运动辅助低秩稀疏分解目标检测算法", 《系统工程与电子技术》, vol. 42, no. 6, pages 1218 - 1225 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818773A (zh) * | 2022-03-12 | 2022-07-29 | 西北工业大学 | 用于改善混响抑制鲁棒性的低秩矩阵稀疏性补偿方法 |
CN114818773B (zh) * | 2022-03-12 | 2024-04-16 | 西北工业大学 | 用于改善混响抑制鲁棒性的低秩矩阵稀疏性补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113723183B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Joint bi-layer optimization for single-image rain streak removal | |
Song et al. | Monocular depth estimation using laplacian pyramid-based depth residuals | |
CN107844779B (zh) | 一种视频关键帧提取方法 | |
Ding et al. | Underwater image dehaze using scene depth estimation with adaptive color correction | |
CN107067389B (zh) | 一种图像篡改盲取证方法 | |
CN109325446B (zh) | 一种基于加权截断核范数的红外弱小目标检测方法 | |
CN110675422B (zh) | 一种基于广义非凸鲁棒主成分分析的视频前背景分离方法 | |
CN101729911A (zh) | 一种基于视觉感知的多视点图像颜色校正方法 | |
Song et al. | Depth estimation from a single image using guided deep network | |
CN107909611A (zh) | 一种利用微分几何理论提取空间曲线曲率特征的方法 | |
CN113723183A (zh) | 一种鲁棒的低秩稀疏分解的运动目标检测方法 | |
Chen et al. | Sjdl-vehicle: Semi-supervised joint defogging learning for foggy vehicle re-identification | |
Kulkarni et al. | Unified multi-weather visibility restoration | |
Qin et al. | Foreground extraction of underwater videos via sparse and low-rank matrix decomposition | |
Tome et al. | Scenario-based score fusion for face recognition at a distance | |
Ellmauthaler et al. | Infrared-visible image fusion using the undecimated wavelet transform with spectral factorization and target extraction | |
CN106203480B (zh) | 基于缺损数据的非线性特征提取和分类方法 | |
CN106375773B (zh) | 基于动态阈值的帧复制粘贴篡改检测方法 | |
CN111563547A (zh) | 一种基于改进的截断核范数的鲁棒主成分分析方法 | |
Wang et al. | Infrared and visible Image Fusion with Language-driven Loss in CLIP Embedding Space | |
Na et al. | Adversarial attack based on perturbation of contour region to evade steganalysis-based detection | |
CN106550173A (zh) | 基于surf与模糊聚类的视频稳像方法 | |
CN113723454A (zh) | 一种改进的鲁棒主成分分析的运动目标检测方法 | |
CN111709962A (zh) | 基于各向异性l0梯度稀疏表达和dct变换的图像轮廓和纹理特征分解方法 | |
CN113470061A (zh) | 一种视频前背景分离方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |