技术领域
本发明涉及一种基于非凸范数的运动目标检测方法及系统,属于多媒体信息处理技术领域。
背景技术
运动目标检测是近几年来人们研究的热点,传统的方法包括双高斯模型,高斯混合模型等,但是该类方法是针对单像素的,功能比较局限。主成分分析方法通过对背景进行建模来提取运动目标,但是该类方法由于没有对运动目标进行建模,从而导致效果不佳。近十年来,鲁棒主成分分析方法被提出并被广泛用于运动目标检测中,该方法的基本思想为分别对运动目标和背景进行建模,例如基于鲁棒主成分分析的主成分追踪方法,非凸低秩稀疏分解方法,运动信息辅助的鲁棒主成分分析方法等。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于非凸范数的运动目标检测方法及系统。
为解决上述技术问题,本发明提供一种基于非凸范数的运动目标检测方法,包括:
获取视频信息,将视频信息转换为观测矩阵,其中观测矩阵的每一列为视频的一帧,观测矩阵的行数为视频对应的帧数;
将观测矩阵输入到预先构建的基于改进的鲁棒主成分分析的运动目标检测模型,采用交替方向乘子法求解基于改进的鲁棒主成分分析的运动目标检测模型,根据求解结果提取运动目标;所述基于改进的鲁棒主成分分析的运动目标检测模型采用非凸log范数和截断分数范数作为鲁棒主成分分析中的稀疏度函数和秩函数。
进一步的,所述运动目标检测模型为:
s.t.D=L+S
其中,D为视频信息转换为的观测矩阵,L∈R
进一步的,所述采用交替方向乘子法求解运动目标检测模型,包括:
1)根据所述运动目标检测模型确定其对应的增广拉格朗日函数,表示为:
其中,μ>0是惩罚因子,Y是拉格朗日乘子,<,>是矩阵内积,║·║
2)对低秩背景矩阵L、稀疏前景矩阵S、拉格朗日乘子Y、惩罚因子μ进行更新,包括:
21)获取L,Y和μ的初始值或者前一次循环对应的更新值,固定L,Y和μ,更新S,得到:
将S
其中,上标或下标k表示前一次更新状态,上标或下标k+1表示当前更新状态,k=1,2,…K,K表示满足终止条件的前一次循环次数,
令
其中,
22)获取Y和μ的初始值或者前一次循环对应的更新值以及步骤21)中的S
其中
获取Y和μ的初始值或者前一次循环对应的更新值、步骤21)中的S
Y
μ
其中ρ>1是步长参数,μ
3)循环步骤2)过程直到达到终止条件,输出视频信息中背景对应的低秩矩阵L和前景对应的稀疏矩阵S。
进一步的,所述根据求解结果提取运动目标,包括:
根据视频信息中背景对应的低秩矩阵L和前景对应的稀疏矩阵S确定运动目标。
一种基于非凸范数的运动目标检测系统,包括:
获取模块,用于获取视频信息,将视频信息转换为观测矩阵,其中观测矩阵的每一列为视频的一帧,观测矩阵的行数为视频对应的帧数;
处理模块,用于将观测矩阵输入到预先构建的基于改进的鲁棒主成分分析的运动目标检测模型,采用交替方向乘子法求解基于改进的鲁棒主成分分析的运动目标检测模型,根据求解结果提取运动目标;所述基于改进的鲁棒主成分分析的运动目标检测模型采用非凸log范数和截断分数范数作为鲁棒主成分分析中的稀疏度函数和秩函数。
进一步的,所述运动目标检测模型为:
s.t.D=L+S
其中,D为视频信息转换为的观测矩阵,L∈R
进一步的,所述处理模块包括:
第一确定模块,用于根据所述运动目标检测模型确定其对应的增广拉格朗日函数,表示为:
其中,μ>0是惩罚因子,Y是拉格朗日乘子,<,>是矩阵内积,║·║
求解模块,用于对低秩背景矩阵L、稀疏前景矩阵S、拉格朗日乘子Y、惩罚因子μ进行更新,包括:
21)获取L,Y和μ的初始值或者前一次循环对应的更新值,固定L,Y和μ,更新S,得到:
将S
其中,上标或下标k表示前一次更新状态,上标或下标k+1表示当前更新状态,k=1,2,…K,K表示满足终止条件的前一次循环次数,
令
其中,
22)获取Y和μ的初始值或者前一次循环对应的更新值以及步骤21)中的S
其中
获取Y和μ的初始值或者前一次循环对应的更新值、步骤21)中的S
Y
μ
其中ρ>1是步长参数,μ
循环模块,用于循环求解模块的处理过程直到达到终止条件,输出视频信息中背景对应的低秩矩阵L和前景对应的稀疏矩阵S。
进一步的,所述处理模块包括:
第二确定模块,用于根据视频信息中背景对应的低秩矩阵L和前景对应的稀疏矩阵S确定运动目标。
本发明所达到的有益效果:
采用非凸log范数和截断分数范数替代传统鲁棒主成分分析中的稀疏度函数和秩函数,并采用交替方向乘子法对提出的方法进行求解,并提取运动目标,与现有的鲁棒主成分分析算法相比,非凸log范数和截断分数范数更能有效的逼近传统鲁棒主成分分析模型中的秩函数和稀疏度函数,提取的运动目标效果更好。
附图说明
图1是一种基于非凸范数的运动目标检测方法的结构框图;
图2是一种基于非凸范数的运动目标检测方法的视觉对比效果图;
图3是一种基于非凸范数的运动目标检测方法的F-measure值对比效果图;
图4是一种基于非凸范数的运动目标检测方法的运行时间值对比效果图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,该图为一种基于非凸范数的运动目标检测方法的结构框图,从该图中可以看出本发明提出了一种新的基于非凸范数的运动目标检测方法,构建了一种基于非凸范数的运动目标检测方法模型,该模型分别采用非凸log范数和截断分数范数替代传统鲁棒主成分分析中的稀疏度函数和秩函数;采用交替方向乘子法求解一种基于非凸范数的运动目标检测方法模型;将提出的一种基于非凸范数的运动目标检测方法应用于运动目标检测,并从视觉、F-measure值、处理时间等角度验证了本发明提出的一种基于非凸范数的运动目标检测方法的性能。
首先,基于改进的鲁棒主成分分析的运动目标检测模型为:
s.t.D=L+S
其中,D为视频信息转换为的观测矩阵,L∈R
其次,采用交替方向乘子法求解基于改进的鲁棒主成分分析的运动目标检测模型,则基于改进的鲁棒主成分分析的运动目标检测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║·║
上述问题的求解过程如下所示:
(1)获取L,Y和μ的初始值或者前一次循环对应的更新值,固定L,Y和μ,更新S,于是得:
上述问题可以转换为标量的最小化问题,如下式所示:
其中,上标或下标k表示前一次更新状态,上标或下标k+1表示当前更新状态,k=1,2,…K,K表示满足终止条件的前一次循环次数,
设:
其中
(2)获取Y和μ的初始值或者前一次循环对应的更新值以及步骤21)中的S
其中
(3)获取Y和μ的初始值或者前一次循环对应的更新值、步骤21)中的S
Y
μ
其中ρ>1是步长参数,μ
循环步骤(1)-(3)过程直到达到终止条件,输出视频信息中背景对应的低秩矩阵L和前景对应的稀疏矩阵S,根据视频信息中背景对应的低秩矩阵L和前景对应的稀疏矩阵S确定运动目标。
相应的本发明还提供一种基于非凸范数的运动目标检测系统,包括:
获取模块,用于获取视频信息,将视频信息转换为观测矩阵,其中观测矩阵的每一列为视频的一帧,观测矩阵的行数为视频对应的帧数;
处理模块,用于将矩阵输入到预先构建的运动目标检测模型,采用交替方向乘子法求解基于改进的鲁棒主成分分析的运动目标检测模型,根据求解结果提取运动目标;所述基于改进的鲁棒主成分分析的运动目标检测模型采用非凸log范数和截断分数范数作为鲁棒主成分分析中的稀疏度函数和秩函数。
进一步的,所述运动目标检测模型为:
s.t.D=L+S
其中,D为视频信息转换为的观测矩阵,L∈R
进一步的,所述处理模块包括:
第一确定模块,用于根据所述运动目标检测模型确定其对应的增广拉格朗日函数,表示为:
其中,μ>0是惩罚因子,Y是拉格朗日乘子,<,>是矩阵内积,║·║
求解模块,用于对低秩背景矩阵L、稀疏前景矩阵S、拉格朗日乘子Y、惩罚因子μ进行更新,包括:
21)获取L,Y和μ的初始值或者前一次循环对应的更新值,固定L,Y和μ,更新S,得到:
将S
其中,上标或下标k表示前一次更新状态,上标或下标k+1表示当前更新状态,k=1,2,…K,K表示满足终止条件的前一次循环次数,
令
其中,
22)获取Y和μ的初始值或者前一次循环对应的更新值以及步骤21)中的S
其中
获取Y和μ的初始值或者前一次循环对应的更新值、步骤21)中的S
Y
μ
其中ρ>1是步长参数,μ
循环模块,用于循环求解模块的处理过程直到达到终止条件,输出视频信息中背景对应的低秩矩阵L和前景对应的稀疏矩阵S。
进一步的,所述处理模块包括:
第二确定模块,用于根据视频信息中背景对应的低秩矩阵L和前景对应的稀疏矩阵S确定运动目标。
再者,如图2所示,该图为一种基于非凸范数的运动目标检测方法的视觉对比效果图,文中第三列(NLTFN)为一种基于非凸范数的运动目标检测方法的视觉的效果图,从该图可以看出,本发明提出的一种基于非凸范数的运动目标检测方法提取的运动目标效果更好。
再者,如图3所示,为一种基于非凸范数的运动目标检测方法的F-measure值对比效果图。F-measure值位于0,1之间,值越大效果越好,从该图可以看出本文提出的一种基于非凸范数的运动目标检测方法的对不同视频的平均效果最优。
最后,如图4所示,为一种基于非凸范数的运动目标检测方法的运行时间值对比效果图。从该图中可以看出本发明提出的一种基于非凸范数的运动目标检测方法对不同视频提取运动目标处理的时间在对比算法中排第二,在能够保证提取效果的前提下,运行时间相对较优。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
机译: 一种用于凸焊缝的实时非破坏性测试的方法和系统,以及一种用于实现这种方法的系统,该系统包括力感测装置和位移感测装置。
机译: 一种基于卡尔曼滤波的运动目标检测方法
机译: 用于基于化学反应性和/或非反应性原料的制剂的计算机辅助测定染发种子的至少一种性质的方法和装置,用于计算机辅助的测定毛发种子的制剂的方法和装置基于化学反应性和/或非反应性原料的染发种子,以及用于计算机辅助训练预定模型的设备和方法,该预定模型用于基于化学制剂确定计算机辅助确定染发种子的至少一种特性反应性和/或不反应性原料