基于低秩表示动态更新投影的在线运动目标检测

视频图像中运动目标检测是机器视觉领域的重要研究内容,旨在将序列图像中的背景和前景进行有效分离。在研究几种典型运动目标检测算法的基础上,提出了一种基于低秩表示动态更新投影的在线运动目标检测算法。采用低秩表示方法对若干连续视频帧进行低秩分解,并将分解所获得的低秩部分对应的左奇异值矩阵的正交补引为投影矩阵;再构建投影模型,拟合出数据的稀疏前景;最后采用视频分段分析法则对投影矩阵进行动态更新,从而保证所分离的背景以及前景的有效性。在Curtain等多个视频数据库上与其他算法进行了对比实验,实验结果表明所提算法具有很好的检测效果,对复杂的运动前景和动态背景的处理表现出很强的鲁棒性。     

自适应低秩稀疏分解在运动目标检测中的应用

针对视频处理中运动目标的精确检测这一问题,提出了一种自适应的低秩稀疏分解算法。该算法首先用背景模型与待求解的帧向量构建增广矩阵,然后使用鲁棒的主成分分析(robust principal component analysis,RPCA)对降维后的增广矩阵进行低秩稀疏分解,分离出的低秩部分和稀疏噪声分别对应于视频帧的背景和运动前景,然后使用增量奇异值分解方法用当前得到的背景向量更新背景模型。实验结果表明,该算法能更好地处理光线变化、背景运动等复杂场景,并有效降低算法的延迟和内存的占用。     

基于低秩矩阵二元分解的快速显著性目标检测算法

近年来,基于矩阵低秩表示模型的图像显著性目标检测受到了广泛关注。在传统模型中通常对秩最小化问题进行凸松弛,即引入最小化核范数将原始输入图像分解为低秩矩阵和稀疏矩阵。但是,这种方法在每次迭代中必须执行矩阵奇异值分解（SVD）,计算复杂度较高。为此,本文提出了一种低秩矩阵双因子分解和结构化稀疏矩阵分解联合优化模型,并应用于显著性目标检测。算法不仅利用低秩矩阵双因子分解和交替方向法（ADM）来降低时间开销,而且引入分层稀疏正则化刻画稀疏矩阵中元素之间的空间关系。此外,所提算法能够无缝集成高层先验知识指导矩阵分解过程。实验结果表明,提出模型和算法的检测性能优于当前主流无监督显著性目标检测算法,且具有较低的时间复杂度。     

基于张量低秩恢复和块稀疏表示的运动显著性目标提取

针对视频的高维结构特性,采用张量表征并将运动显著性目标提取转化为基于低秩张量恢复和块稀疏表示问题.首先根据背景张量的低秩性和运动目标的稀疏性,利用加速近端梯度张量恢复方法分别重建出RGB颜色通道中三维视频张量的低秩部分与稀疏部分,初步实现背景与运动目标的粗略分离;其次组合三颜色通道稀疏张量并转化为按照帧数展开的二维矩阵,进一步通过矩阵恢复的方法去除动态背景产生的小稀疏块干扰;最后通过自适应阈值法选择运动目标稀疏块掩模并对存在的空洞进行填充补偿,以达到重构出完整前景运动目标的目的.相对于常用方法,该方法从张量模型角度解决运动目标提取问题,较大程度地保护了视频序列的原始空间结构,不仅能够降低运动目标提取区域出现的漏检问题,而且可以很好地去除动态背景所带来的干扰.实验结果表明,该方法对运动目标提取的准确度较高,鲁棒性较强.     

结合l1/2范数与显著性约束的背景减除

传统背景减除模型在背景静止和前景对象移动较快时提取到的前景效果较好,但当背景变化或前景对象移动缓慢时容易将动态背景误判为前景或检测出的前景有较多空洞。针对传统背景减除模型在动态背景和前景对象移动缓慢条件下存在前景检测精度下降的问题,提出一种基于l_1/2范数与显著性约束的背景减除模型。将观测数据分为低秩背景、运动前景和动态干扰3类,利用l_1/2范数约束运动前景加强前景稀疏性,有效抑制动态背景对前景提取造成的干扰,提高运动前景在动态背景中的检测精度。引入视频每一帧的显著性约束,通过对每一帧图像进行低秩稀疏分解来检测移动缓慢的目标。实验结果表明,该模型对于复杂场景具有较强的适应能力,可有效去除动态背景对前景的干扰,快速检测出移动缓慢的前景对象,相比于l_1/1/2-RPCA背景减除模型的平均查全率、查准率和调和平均值分别提升了9、14和10个百分点。     

基于帧间相似性约束鲁棒主成分分析模型的运动目标检测

针对鲁棒主成分分析模型RPCA(robust principle component analysis)未能有效地利用相邻两帧具有相似性这一特性,提出基于帧间相似性约束鲁棒主成分分析模型的运动目标检测算法。考虑到时间序列数据中相邻数据之间的相似性特性,在原始的RPCA模型基础上,引入帧间相似性约束条件,通过求解新的RPCA模型可以得到平滑的低秩数据矩阵和稀疏误差矩阵,有效保留了原有序列数据中的相似性结构。将该模型用于运动目标检测,观测图像序列分解成低秩背景矩阵和稀疏运动目标矩阵,对分解出的运动目标进行二值化,并对检测出的运动目标图像进行定性分析和采用Similarity与F-measure评判标准进行定量分析。通过实验结果分析,该算法能够有效地对运动目标进行检测,提高运动目标的检测率。     

大气湍流下退化序列图像的目标检测方法

为解决大气湍流退化序列中运动目标检测困难的问题,提出了一种结合低秩分解和检测融合的目标检测方法。首先,根据退化视频中湍流运动分量的稀疏分布特点,采用低秩矩阵描述法将每帧图像分解为低秩稳像和稀疏运动两部分,初步实现场景和湍流运动的粗分离。其次,由于稀疏部分中包含目标在内的整个场景的稀疏运动量,引入自适应阈值法剔除干扰量,分割目标并填补其中空洞;对于无湍流偏移干扰的低秩部分,采用高斯建模获得低秩中的前景区域。最后,对两部分检测结果进行联合判定,从而获得准确的目标检测结果。实验表明,本文方法目标提取的准确度较高,明显优于当前经典检测方法,在强湍流条件下检测结果仍较为理想。     

基于低秩稀疏分解的自适应运动目标检测算法

传统的低秩稀疏分解方法使用[l1]范数把场景中的运动目标建模为稀疏离群值,分离出低秩的背景成分与稀疏的运动目标成分。然而,在许多实际场景中往往会有动态背景的情形（例如水面波纹、树木摇动）,[l1]范数并不能区分出这些干扰与真实目标,从而大大影响检测效果。实际上,运动目标区域中的像素不仅仅具有稀疏性,还具有空间分布上的连续性。通过引入空间融合稀疏约束,在空间连续性和稀疏性两方面对运动目标进行建模,使模型更符合目标像素的分布规律。同时,设计了一种自适应的参数更新方法,使算法的鲁棒性进一步提升。在公共数据集上的大量实验表明,相比于传统方法,该算法在准确率和鲁棒性方法有很大提高。     

基于背景先验与低秩恢复的显著性目标检测方法

显著性检测是指计算机通过算法自动识别出图像中的显著性目标，广泛应用于目标识别、图像检索与图像分类等领域。针对现有基于稀疏与低秩矩阵恢复的显著性检测模型中低秩转换矩阵的获取、前景稀疏矩阵的处理以及超像素块之间的关系，需对现有的稀疏与低秩矩阵恢复模型进行优化，使之更好地适用于图像的显著性检测。首先，根据背景的对比度和连通度原则获取图像低秩的背景字典，采用3种尺度分割图像的多个特征矩阵获得图像的前景稀疏矩阵；其次，通过计算邻居像素点之间的影响因子矩阵与置信度矩阵对显著图的结果进行结构约束，并且采用稀疏与低秩矩阵恢复模型对图像进行显著性检测；最后，利用K-means聚类算法的传播机制优化得到的显著图。在公开数据集上进行实验验证,结果证明本文方法能够准确有效地检测出显著性目标。     

基于低秩矩阵恢复的目标快速检测方法研究

为了实现快速运动目标检测,利用低秩矩阵恢复原理进行视频前景检测,主要针对低秩矩阵恢复算法存在的耗费大部分运算时间且运算较为复杂的奇异值分解问题,应用统一计算结构装置(CUDA)第三方库实现加速计算奇异值分解的低秩矩阵恢复算法优化,得到快速且高效的前景检测方法。基于开源视频序列实验,与原有的低秩矩阵恢复算法进行各项参数的比较,其中加速倍数达一倍以上。实验结果证明,经过优化的算法运算时间变短,具有更高效率。