运动.docx

2运动目标检测的基本方法 运动目标检测的实现是智能视频监控的前提，它处于整个系统的最底层，是特征提取、目标分类和目标跟踪等的基础。运动目标检测的目的是利用视频序列从背景图像中将感兴趣的运动区域提取出来。在现实世界中，场景中的背景往往会动态变化，受光照变化、阴影及背景中物体的周期性运动(例如树叶摆动)等的影响，使得运动目标检测变得困难。运动目标检测的基本方法有帧间差分法、背景差分法和光流法等。21帧间差分法 若监控场景中没有运动目标，则连续帧图像之间变化会很小;反之，则连续帧图像之间会有明显变化。帧间差分法就是利用选定的多帧图像逐像素差分并二值化来提取出拍摄图像中的运动区域。两帧差分法是帧间差分法中最简单的一种，它的原理可描述为: Dt(x,y)=t (x,y)-t-1 (x,y)Rt(x,y)=0 Dtx,yT) and (It(x, y)- It-2(x, y)T) 其中area(x, y)为像素点(x, y)三帧差分后的区域类别值，其值为假则代表背景区域，其值为真则代表运动区域。T为差分阈值，为了得到更多的运动区域，一般设置T为0，这样一来得到的背景区域将更小更精确。 (2)背景更新策略 在更新背景前要先建立初始背景。将采集到的第一帧图像作为初始背景。将背景区域中的像素点灰度值以一定更新率更新到背景中。 backt(x, y)=* It-1(x, y)+(1-)* backt-1(x, y) if area(x, y) =0 (式2.3) 其中backt(x, y)和backt-1(x, y)=力表示t和t-1时刻的背景，a表示背景更新率。一般取值为O.O5O.l 。 (3)背景差分 将当前帧与背景进行差分运算，得到最终的运动区域。差分时的闽值一般取值为lO30。2. 4 RPCA检测法 背景建模对运动目标的检测非常重要，然而传统的背景建模计算复杂，分割精度易受噪声影响，并且对光照变化和动态纹理等环境变化很敏感，如图 4.1 所示。随着数据量和数据维数的不断增长，在计算机视觉和机器学习领域中，稀疏性的学习近来引起很大的关注，例如主成分分析(PCA)模型，它的背景建模就是利用图片每一帧之间的相似性来形成一个子空间，通过这个子空间来塑造背景的全局变量。当出现一帧新的图像，就会投影到这个子空间中，剩余的部分就是需要提取的前景目标。假如一帧新来的图像，除前景部分外其他部分能够完全被前面的帧用线性组合来表达，那么处理诸如光照变化和动态纹理等因素的全局变量给背景图像带来的影响会很微小。然而 PCA 对于矩阵单独的某些元素被破坏这种情况下效果不佳，这是因为比较大的误差已经破坏了最小平方误差MSE1226。 为了改进 PCA，John Wright 提出 Robust PCA (RPCA)，是指当矩阵的某些元素被严重破坏后，仍然能够恢复出原矩阵图像，研究者们又相继提出 ALM、PPA等算法恢复稀疏和低秩矩阵。本章中将利用矩阵恢复理论应用到运动目标检测中，基于 Robust PCA 建立新的模型，并提出求解算法来实现运动目标检测。 近年来，随着科技的进步，1M 像素(pixels)的图片，1B 体素(voxels)的视频流在现实生活中已随处可见，现代社会的信息量是越来越大，同时用户信息的维数在不断地扩增，很多领域研究的数据如数字图像、监督监控视频以及文本网页等等都具有了高维的特点，很容易导致“维数灾难”，这对计算机视觉、信号处理、机器学习和识别带了巨大的阻碍，怎样从越来越大的数据中取得有用的信息是将来科技发展需要考虑的问题。为此人们想到了多种解决途径来处理信息量大的数据，这些对于诸如对图片进行压缩去噪超分辨率处理、对视频数据进行流处理追踪压缩等等、对网页数据进行索引排序搜索、对用户数据进行聚集分类以及协通滤波等应用问题影响很大。然而，研究者发现很多高维的数据有低维的结构，也就是说有些高维空间的数据其本征维数比较低，例如把图片ARMN看做一个矩阵 A= a1| . |an Rmn 那么 A rank ( A) 0是常数，|0是向量的l0范数。文献7中证明了：对任意的 p 0，存在常数 C ， s，m0，使得当 B 满足随机正交模型时，如果m m0，且矩阵 B 的秩满足:r Cmlogm 而 F 在某位置为正和为负的概率都小于 s 时， B 能够精确恢复的概率为1-Cm-p。由于这是一个 NP-Hard 的问题，在理论和实践中均存在指数复杂度的算法。然而一个矩阵的非零奇异值的个数恰好等于它的秩，这样用一个矩阵奇异值的和来代替矩阵的秩，根据这个理论 John Wright 等人就利用核范数来逼近矩阵的秩，利用矩阵的l0范数来逼近l1范数得到了一个凸优化的问题： mi