论文部分内容阅读
运动目标检测作为许多机器视觉应用中的预处理环节，在诸如智能空间、视频监控等领域中都有着重要的应用。在运动目标检测中，运动目标是人们感兴趣的区域，称为前景；而需要忽略的非前景区域，称为背景。其目的是在一个视频流中提取出前景区域，供下一步目标识别、跟踪、行为分析等等环节处理。本文在深入研究了图像视频序列稀疏表示理论的基础上，将其应用于运动目标检测方面，通过K-SVD字典学习或者求解RPCA(Robust Principal ComponentAnalysis，鲁棒性主成分分析方法)模型得到背景的稀疏特征表示，利用视频序列的时空相关性特性进行背景更新与前景目标分割，最终完成目标检测的功能。本文的研究成果和主要工作如下：(1)通过广泛阅读国内外文献和著作，简要地论述了本文的研究背景和意义，对稀疏表示的应用领域以及运动目标检测的研究现状做了阐述。这些工作，为后续论文的算法研究奠定了理论基础。(2)深入研究了稀疏表示理论，并对几种常用的稀疏分解算法进行了详细描述。同时，概述了K-SVD字典学习方法所涉及到的SVD算法、K-均值算法。详细介绍了PCA(Principal Component Analysis，主成分分析方法）与RPCA（Robust Principal ComponentAnalysis，鲁棒性主成分分析法）两种方法，以及其适用范围。(3)提出了一种改进的基于K-SVD字典学习的运动目标检测算法。该算法首先使用多帧平均方法从训练样本中得到初始背景，再通过BP算法建立背景的初始稀疏表示模型；然后利用视频序列中当前时刻的近邻五帧图像，通过K-SVD方法自适应更新背景数据字典中的原子，使背景稀疏表示模型最优逼近近邻帧背景的观测值；最后将当前帧图像与背景模型进行差分，完成前景运动目标的检测。(4)提出了一种基于PCP（主成分追踪）的块稀疏RPCA运动目标检测算法。该算法首先通过基于PCP的RPCA方法对视频序列降维，将观测图像序列分解成低秩背景矩阵和稀疏前景矩阵；然后根据运动特性的光流一致性特点，结合前景区域的空间相关性，进一步得到大致的前景稀疏块；再利用基于PCP的块稀疏RPCA方法，动态地估计前景运动区域，重构出前景目标。通过复杂场景下的实验表明，该算法能较好地检测出运动的车辆和行人。