基于矩阵低秩稀疏分解的运动目标检测

摘要

运动目标检测是一种将一个或者多个运动物体从视频中准确提取出来的技术，是图像处理和计算机视觉学科中的一个重要分支。运动目标检测的准确性直接影响后续运动目标追踪、运动目标识别以及运动目标行为分析等的结果。目前，运动目标检测在交通监控、天气预报以及卫星云图分析等方面有着广泛的应用。因此，对运动目标检测技术进行研究有重要的理论研究意义和应用价值。
　　常用的运动目标检测方法有:帧间差分法、背景减除法以及光流法。近年来提出的矩阵低秩稀疏分解理论引起了相关学者的高度关注，并将其应用于运动目标检测。本文围绕基于矩阵低秩稀疏分解的视频运动目标检测展开研究，以提高运动目标检测的准确率和算法效率。创新性工作主要体现在:提出了一种改进的基于矩阵低秩稀疏分解的视频运动目标检测方法，更进一步综合考虑前后视频帧之间的差别，结合边缘提取和帧间差分法对检测到的运动目标边缘进行补偿，提高运动目标检测的准确率。本文研究工作主要包括以下几个方面:
　　1.研究和学习了几种运动目标检测方法:帧间差分法、光流法、背景减除法和矩阵低秩稀疏分解法，并数值实现了部分算法，给出相应的实验结果与分析。
　　2.在研究矩阵低秩稀疏分解理论及其求解算法的基础上，提出了一种改进的基于矩阵低秩稀疏分解的运动目标检测方法。该方法采用对视频等间隔隔帧提取，并对矩阵稀疏分解模型中的稀疏项加以约束，提高运动目标检测的准确率和算法实现效率，实验结果表明该方法能够准确地提取运动目标，是一种行之有效的方法。
　　3.考虑边缘是图像中最重要的信息，结合帧间差分法的优势，在改进的矩阵低秩稀疏分解方法的基础上，融合边缘与帧间信息，对检测出的运动目标边缘补偿，提高检测目标的准确率，并给出相应的实验结果及分析。
　　总之，围绕运动目标检测问题，本文提出并实现了改进的基于矩阵低秩稀疏分解的运动目标检测方法，进一步融合边缘与帧差信息对检测的运动目标边缘进行补偿。该方法不仅能够以较高的算法效率准确地提取运动目标，而且占用较少的运行内存。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 本文主要工作

1．4 本文内容安排

第二章 几种运动目标检测方法

2．1 帧间差分法

2．1．1 帧间差分法

2．1．2 累计帧间差分法

2．2 光流法

2．2．1 Horn-Schunck算法

2．2．2 Lucas-Kanade算法

2．3 背景减除法

2．3．1 背景减除法原理

2．3．2 混合高斯模型的背景建模方法

2．4 矩阵低秩稀疏分解法

2．4．1 矩阵低秩稀疏分解原理

2．4．2 基于矩阵低秩稀疏分解的运动目标检测

2．5 小结

第三章 改进的基于矩阵低秩稀疏分解的运动目标检测

3．1 矩阵低秩稀疏分解求解算法

3．1．1 迭代阈值算法

3．1．2 加速近端梯度算法

3．1．3 增广的拉格朗日乘子法

3．1．4 几种算法对比

3．2 改进的基于矩阵低秩稀疏分解运动目标检测方法

3．2．1 方法原理

3．2．2 算法实现

3．3 实验结果与分析

3．3．1 主观评价方法

3．3．2 客观评价方法

3．4 小结

第四章 融合边缘与帧间信息的低秩稀疏分解运动目标检测

4．1 边缘提取算法

4．2 融合边缘与帧间信息的低秩稀疏分解运动目标检测

4．2．1 方法原理

4．2．2 算法实现

4．3 实验结果及分析

4．3．1 主观评价方法

4．3．2 客观评价方法

4．4 小结

总结与展望

参考文献

附录

攻读硕士学位期间取得的科研成果

致谢