CN113723454A - 一种改进的鲁棒主成分分析的运动目标检测方法 - Google Patents
一种改进的鲁棒主成分分析的运动目标检测方法 Download PDFInfo
- Publication number
- CN113723454A CN113723454A CN202110829253.XA CN202110829253A CN113723454A CN 113723454 A CN113723454 A CN 113723454A CN 202110829253 A CN202110829253 A CN 202110829253A CN 113723454 A CN113723454 A CN 113723454A
- Authority
- CN
- China
- Prior art keywords
- matrix
- moving object
- principal component
- component analysis
- theta
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 230000003190 augmentative effect Effects 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种改进的鲁棒主成分分析的运动目标检测方法,包括:S1,基于改进的鲁棒主成分分析方法构建运动目标检测模型;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运动目标检测模型,提取对应视频中处于运动状态的前景目标,并计算检测该运动目标时的F‑measure值和时间值,对运动目标检测模型进行验证。本发明同时采用非凸γ范数和拉普拉斯尺度混合尺度,以更好地逼近传统鲁棒主成分分析模型中的秩函数和稀疏度函数;引入的显著性映射矩阵更能有效的判别哪些像素属于运动目标部分,对运动目标检测的效果更优。
Description
技术领域
本发明涉及技术领域,具体而言涉及一种改进的鲁棒主成分分析的运动目标检测方法。
背景技术
运动目标检测一直是计算机视觉领域的重要课题。传统的运动目标检测技术包括高斯混合模型法、ViBe法、光流法和主成分分析法等,但是这些方法是针对单像素的,较少考虑运动场景的结构化信息等其他关键因素。为了解决此类问题,人们将主成分分析方法引入到运动目标检测中并取得了较好的效果,但是该类方法是针对背景建模的,对于腐蚀严重的场景的运动目标检测的效果较差。在此背景下,鲁棒主成分分析方法被研究并应用于运动目标检测中,例如主成分追踪算法等,但是此类算法是一个有偏估计,非最优,所以对于一些特定的场景的运动目标检测效果欠佳,例如存在树枝摇曳,水纹波动等的场景。在此背景下,逼近程度高的非凸函数被引入到鲁棒主成分分析模型中,并取得了较好的效果,例如截断核范数方法、去分解方法、非凸非光滑的低秩稀疏方法等。
公开号为CN111428795A的发明中公开了一种改进的非凸鲁棒主成分分析方法,将待处理视频转化为一个大小为m行,n列的二维矩阵D;将二维矩阵D输入至预先构建的改进的非凸鲁棒主成分分析方法的模型,输出为对应于视频背景的低秩矩阵B和对应于视频前景的稀疏矩阵F,所述改进的非凸鲁棒主成分分析方法的模型采用广义非凸核范数作为模型的秩函数,采用结构化稀疏范数作为模型中的10范数。该发明能够更好的逼近传统鲁棒主成分分析方法中的秩函数,提高了鲁棒主成分分析方法在视频的前背景分离中的效果;引入结构化稀疏范数,为视频的前景建立了结构化的稀疏模型,极大的丰富了模型的结构化信息,提高了鲁棒主成分分析方法对光照、波动等因素影响的视频的前背景分离的效果。但仍然缺乏对运动目标的深层次分析效果。
发明内容
本发明针对现有技术中的不足,提供一种改进的鲁棒主成分分析的运动目标检测方法,同时采用非凸γ范数和拉普拉斯尺度混合尺度,以更好地逼近传统鲁棒主成分分析模型中的秩函数和稀疏度函数;引入的显著性映射矩阵更能有效的判别哪些像素属于运动目标部分,对运动目标检测的效果更优。
为实现上述目的,本发明采用以下技术方案:
第一方面,本发明实施例提出了一种改进的鲁棒主成分分析的运动目标检测方法,所述检测方法包括以下步骤:
S1,基于改进的鲁棒主成分分析方法构建运动目标检测模型:
其中D视频对应的观测矩阵,L∈Rm×n为观测矩阵中对应的低秩背景矩阵,||L||γ为矩阵L的γ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是显著性映射矩阵,Ψ=[ψ1,ψ2,…,ψmn],Θ=[Θ1,Θ2,…,Θmn];m和n分别是观测矩阵的行数和列数;
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运动目标检测模型,提取对应视频中处于运动状态的前景目标,并计算检测该运动目标时的F-measure值和时间值,对运动目标检测模型进行验证。
可选地,所述运动目标检测模型对应的增广拉格朗日函数为:
式中,μ>0是惩罚因子,Y是拉格朗日乘子,<,>是矩阵内积,||·||F为Frobenius范数。可选地,步骤S2中,采用交替方向乘子法求解运动目标检测模型的过程包括以下步骤:
S21,固定变量Ψ、Θ、Y和μ,计算得到第k+1步的矩阵变量Lk+1为:
式中,μk是惩罚参数μ的第k步的值,Yk是第k步的增广拉格朗日乘子,Ψk是Ψ的第k步的值,Θk是Θ第k步的值;
S22,固定变量L、Ψ、Y和μ,计算得到第k+1步的矩阵变量Θk+1:
最终得到:
其中,Θj,1、Θj,2分别为f(Θj)的两个驻点:
S23,固定变量L、Θ、Y和μ,计算得到第k+1步的矩阵变量Ψk+1:
最终得到:
S24,固定其它变量,更新乘子变量Y及其惩罚参数μ进行更新,计算得到第k+1步的增广拉格朗日乘子:
μk+1=min(ρμk,μmax)
式中,ρ>1是步长因子;μmax是惩罚参数μ的最大值。
可选地,步骤S21中,采用凸差分方法求解得到矩阵变量Lk+1。
其中,Θj,1、Θj,2分别为f(Θj)的两个驻点:
最终得到:
本发明提出了一种改进的鲁棒主成分分析的运动目标检测系统,该方法分别采用非凸γ范数和拉普拉斯尺度混合尺度分别逼近传统鲁棒主成分分析模型中的秩函数和稀疏度函数,同时将显著性映射矩阵引入到该模型中,采用交替方向乘子法对其求解。最后,将该方法应用到运动目标检测实验中,进一步证明本文提出算法的有效性和优越性。
附图说明
图1是本发明实施例的改进的鲁棒主成分分析的运动目标检测方法流程图。
图2是本发明实施例的检测方法和其他现有检测方法提取的运动目标视觉对比图。
图3是本发明实施例的检测方法和其他现有检测方法提取运动目标对应的量化的F-measure值比对结果示意图。
图4是本发明实施例的检测方法和其他现有检测方法提取运动目标对应的量化的运行时间值对比结果示意图。
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是本发明实施例的改进的鲁棒主成分分析的运动目标检测方法流程图。参见图1,该检测方法包括以下步骤:
S1,基于改进的鲁棒主成分分析方法构建运动目标检测模型:
其中D视频对应的观测矩阵,L∈Rm×n为观测矩阵中对应的低秩背景矩阵,||L||γ为矩阵L的γ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是显著性映射矩阵,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运动目标检测模型,提取对应视频中处于运动状态的前景目标,并计算检测该运动目标时的F-measure值和时间值,对运动目标检测模型进行验证。
可选地,所述运动目标检测模型对应的增广拉格朗日函数为:
式中,μ>0是惩罚因子,Y是拉格朗日乘子,<,>是矩阵内积。
可选地,步骤S2中,采用交替方向乘子法求解运动目标检测模型的过程包括以下步骤:
S21,固定变量Ψ、Θ、Y和μ,计算得到矩阵变量Lk+1为:
示例性地,采用凸差分方法对上式进行求解,得到矩阵变量Lk+1。
S22,固定变量L、Ψ、Y和μ,计算得到矩阵变量Θk+1:
其中,Θj,1、Θj,2分别为f(Θj)的两个驻点:
S23,固定变量L、Θ、Y和μ,计算得到矩阵变量Ψk+1:
最终得到:
S24,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)
式中,p>1是步长因子。
本实施例提供一种改进的鲁棒主成分分析的运动目标检测方法,基于改进的鲁棒主成分分析方法构建运动目标检测模型,并采用交替方向乘子法求解运动目标检测模型,该运动目标检测模型将提出的改进的鲁棒主成分分析方法对运动目标进行检测,提取出对应视频中的运动的前景目标。图2是本发明实施例的检测方法和其他现有检测方法提取的运动目标视觉对比图,从视觉角度对比凸显本实施例提出的基于改进的鲁棒主成分分析方法构建的运动目标检测模型的优越效果。参见图3和图4,在实验过程中计算采用提出的改进的鲁棒主成分分析方法对运动目标进行检测时的F-measure值和时间值,从量化角度直观凸显本实施例公开的运动目标检测模型相比现有技术具有更加优越的检测效果。这也使得本实施例可以随时定量验证运动目标检测模型的有效性,进而反哺模型求解过程。
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)
1.一种改进的鲁棒主成分分析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,基于改进的鲁棒主成分分析方法构建运动目标检测模型:
其中D视频对应的观测矩阵,L∈Rm×n为观测矩阵中对应的低秩背景矩阵,||L||γ为矩阵L的γ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是显著性映射矩阵,Ψ=[ψ1,ψ2,…,ψmn],Θ=[Θ1,Θ2,…,Θmn];m和n分别是观测矩阵的行数和列数;
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运动目标检测模型,提取对应视频中处于运动状态的前景目标,并计算检测该运动目标时的F-measure值和时间值,对运动目标检测模型进行验证。
3.根据权利要求2所述的改进的鲁棒主成分分析的运动目标检测方法,其特征在于,步骤S2中,采用交替方向乘子法求解运动目标检测模型的过程包括以下步骤:
S21,固定变量Ψ、Θ、Y和μ,计算得到第k+1步的矩阵变量Lk+1为:
式中,μk是惩罚参数μ的第k步的值,Yk是第k步的增广拉格朗日乘子,Ψk是Ψ的第k步的值,Θk是Θ第k步的值;
S22,固定变量L、Ψ、Y和μ,计算得到第k+1步的矩阵变量Θk+1:
最终得到:
其中,Θj,1、Θj,2分别为f(Θj)的两个驻点:
S23,固定变量L、Θ、Y和μ,计算得到第k+1步的矩阵变量Ψk+1:
最终得到:
S24,固定其它变量,更新乘子变量Y及其惩罚参数μ进行更新,计算得到第k+1步的增广拉格朗日乘子:
μk+1=min(ρμk,μmax)
式中,ρ>1是步长因子;μmax是惩罚参数μ的最大值。
4.根据权利要求3所述的改进的鲁棒主成分分析的运动目标检测方法,其特征在于,步骤S21中,采用凸差分方法求解得到矩阵变量Lk+1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829253.XA CN113723454B (zh) | 2021-07-21 | 2021-07-21 | 一种改进的鲁棒主成分分析的运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829253.XA CN113723454B (zh) | 2021-07-21 | 2021-07-21 | 一种改进的鲁棒主成分分析的运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723454A true CN113723454A (zh) | 2021-11-30 |
CN113723454B CN113723454B (zh) | 2024-02-20 |
Family
ID=78673815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110829253.XA Active CN113723454B (zh) | 2021-07-21 | 2021-07-21 | 一种改进的鲁棒主成分分析的运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723454B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428795A (zh) * | 2020-03-27 | 2020-07-17 | 南京信息职业技术学院 | 一种改进的非凸鲁棒主成分分析方法 |
-
2021
- 2021-07-21 CN CN202110829253.XA patent/CN113723454B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428795A (zh) * | 2020-03-27 | 2020-07-17 | 南京信息职业技术学院 | 一种改进的非凸鲁棒主成分分析方法 |
Non-Patent Citations (4)
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 10318 - 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 * |
Also Published As
Publication number | Publication date |
---|---|
CN113723454B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Casser et al. | Unsupervised monocular depth and ego-motion learning with structure and semantics | |
CN101729911B (zh) | 一种基于视觉感知的多视点图像颜色校正方法 | |
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 | |
CN110827312B (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
Cheng et al. | Towards pose-invariant lip-reading | |
US20130022236A1 (en) | Apparatus Capable of Detecting Location of Object Contained in Image Data and Detection Method Thereof | |
CN102457724B (zh) | 一种图像运动检测系统及方法 | |
CN107808391B (zh) | 一种基于特征选择与光滑表示聚类的视频动态目标提取方法 | |
CN106204477A (zh) | 基于在线低秩背景建模的视频序列背景恢复方法 | |
Chi et al. | Bev-san: Accurate bev 3d object detection via slice attention networks | |
CN111428795A (zh) | 一种改进的非凸鲁棒主成分分析方法 | |
CN111191680A (zh) | 一种基于非凸运动辅助的目标检测方法 | |
CN103136530A (zh) | 在复杂工业环境下的视频图像中自动识别目标图像的方法 | |
CN113723183A (zh) | 一种鲁棒的低秩稀疏分解的运动目标检测方法 | |
CN113723454A (zh) | 一种改进的鲁棒主成分分析的运动目标检测方法 | |
CN111126123B (zh) | 一种基于压缩的增量核零空间变换行人再识别方法 | |
CN108171124A (zh) | 一种相似样本特征拟合的人脸图像清晰化方法 | |
CN112330639A (zh) | 一种用于彩色-热红外图像的显著性检测方法 | |
CN102142148B (zh) | 视频空时特征提取方法 | |
CN106603888A (zh) | 图像颜色提取处理结构 | |
CN112529815B (zh) | 一种雨后真实图像中雨滴去除方法及系统 | |
CN104715482A (zh) | 一种ransac计算基本矩阵中内点门限设置算法 | |
Okarma et al. | A fast image analysis technique for the line tracking robots | |
CN111563547A (zh) | 一种基于改进的截断核范数的鲁棒主成分分析方法 | |
Dodkey | Rain streaks detection and removal in image based on entropy maximization and background estimation |
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 |