积分商城

最新搜索： RFID SDK 应用分析精粹 HFSS windows 2000 Mentor PADS
您现在的位置是：首页 > 技术资料 > 一种快速鲁棒的视频序列运动目标检测方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

一种快速鲁棒的视频序列运动目标检测方法

更新时间：2019-12-24 17:57:21 大小：1024K 上传用户：zhiyao6查看TA发布的资源 标签：视频序列运动目标检测 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

稀疏表示已经成为运动目标检测的有效方法之一,但其还没有很好地解决目标检测的快速性和鲁棒性.本文基于最大后验概率提出了一种快速鲁棒的运动目标检测模型,并设计了该模型的求解算法.该算法包括两个阶段:在第一阶段利用编码迁移实现稀疏系数的快速求解;在第二阶段基于运动目标的空间连续性结构,利用图切实现目标检测.在多个具有挑战性的图像序列上的实验结果表明,与其他经典运动目标检测算法相比,本文方法在快速性和鲁棒性方面具有较优的性能.


部分文件列表

文件名 大小
一种快速鲁棒的视频序列运动目标检测方法.pdf 1024K

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
10  
Vol． 45 No． 10  
Oct． 2017  
第
期
电
子
学
报
2017  
10  
ACTA ELECTRONICA SINICA  
年
月
一种快速鲁棒的视频序列  
运动目标检测方法  
1
1
2
1
， ， ，  
秦晓燕 袁广林 李从利 张 旭  
( 1．  
，
解放军陆军军官学院十一系 安徽合肥  
230031; 2．  
，
解放军陆军军官学院三系 安徽合肥  
230031)  
:
，
稀疏表示已经成为运动目标检测的有效方法之一 但其还没有很好地解决目标检测的快速性和鲁棒  
摘
要
． ， ．  
性 本文基于最大后验概率提出了一种快速鲁棒的运动目标检测模型 并设计了该模型的求解算法 该算法包括两个  
: ; ，  
阶段 在第一阶段利用编码迁移实现稀疏系数的快速求解 在第二阶段基于运动目标的空间连续性结构 利用图切实  
． ， ，  
现目标检测 在多个具有挑战性的图像序列上的实验结果表明 与其他经典运动目标检测算法相比 本文方法在快速  
．
性和鲁棒性方面具有较优的性能  
:
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
运动目标检测 稀疏表示 编码迁移 图切  
:
TP391. 41  
:
A
: 0372-2112 ( 2017) 10-2355-07  
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 10． 007  
文献标识码  
文章编号  
电子学报  
An Approach to Fast and Robust Detecting of  
Moving Target in Video Sequences  
1
1
2
1
QIN Xiao-yan ，YUAN Guang-lin ，LI Cong-li ，ZHANG Xu  
( 1． Eleventh Department，Army Officer Academy of PLA，Hefei，Anhui 230031，China;  
2． Third Department，Army Officer Academy of PLA，Hefei Anhui 230031，China)  
Abstract: Sparse representation is one of effective methods in dealing with the moving object detection． However，the  
quickness and robustness of object detection are far from being solved in the existing methods． In this paper，a fast and robust  
moving object detection model based on the maximum posteriori probability is proposed，and a two-stage detection algo-  
rithms is designed． At the first stage，sparse coefficient is quickly solved by using coding transfer; At the second stage，based  
on spatial continuity structure，moving object detection is achieved by using graph cut． The experimental results on several  
challenging image sequences show that the proposed method has better performance than the existing classical moving object  
detection algorithms in rapidity and robustness．  
Key words: moving object detection; sparse representation; coding transfer; graph cut  
［1 － 6］  
．
目标检测受到了广泛关注  
1
引言  
［7］  
2009 ，Ma  
年
，
提出了基于稀疏表示的人脸识别 该  
运动目标检测是计算机视觉研究的一个热门课  
，
方法提高了人脸识别的准确率 特别是对于有遮挡或  
， 、 ．  
题 在智能安防 交通监控等方面应用广泛 近几十年  
，
．
损毁情况下的人脸具有优越的识别能力 受稀疏表示  
，
运动目标检测技术取得了快速发展 但仍然面临着光  
，
在人脸识别中的启发 人们开始关注稀疏表示在目标  
、 、 ，  
照变化 背景干扰 遮挡等难题 传统的目标检测方法并  
．
检测中的应用 基于稀疏表示的运动目标检测通过计  
．
不能达到理想的检测效果 由于稀疏表示方法符合人  
，
算测试图像在超完备字典下的稀疏编码 然后利用稀  
［8］  
， ，  
类视觉系统的描述方式 实现图像的有效表示 为运动  
，
疏编码重构出背景模型 实现运动目标检测  
． Huang  
， ，  
目标检测提供了新思路 近年来 基于稀疏表示的运动  
，
利用前景的空间连续性这一先验知识 提出组稀疏理  
: 2016-02-24;  
: 2016-08-12;  
:
责任编辑 孙瑶  
收稿日期  
修回日期  
:
基金项目 安徽省自然科学基金  
( No． 1508085QF114，No． 1608085QF144) ;  
( No． 61379105) ;  
( No．  
中国博士后科学基金  
国家自然科学基金  
2014M562535)  
2356  
2017  
年
电
子
学
报
［14 － 15］  
，
论 根据前景的组稀疏结构和背景在字典上的稀疏表  
． ， s  
为此 定义的二值向量 作为运动目标  
目标分割  
T
， ．  
示 实现基于稀疏表示的运动目标检测 在稀疏表示的  
，s =［s ，s ，…，s ］ ， s = 1 ，y ;  
表示背景 当  
i
的掩膜  
当
时
1
2
m
i
，
运动目标检测方法中 字典的鲁棒性对检测性能至关  
s = 0 ，y  
时
i
．
表示前景  
i
［9］  
［10］  
． Zhao  
Lu  
，
通过在线非负字典学习 即采用  
y
如果 是背景  
i
( s = 1) ，  
它可以表示为背景字典的  
i
重要  
和
，
在线重构的背景来更新背景模型 在一定程度上避免  
，
线性组合 另外考虑数据采集过程中引入的高斯噪声  
，
2
．
场景的动态变化对目标检测结果的影响 字典学习和  
y = ( Ax) + e ，  
其中 ∈  
i
e
N( 0， ) ．  
σ
有
它的条件概率密  
i
i
i
，
稀疏编码均是迭代求解最优解的过程 运算时间较长  
，
:
度函数如下  
2
， ， ，  
另外 在实际应用中 图像分辨率较高 而构建的超完备  
［y － ( x) ］  
Α
i
1
i
p( y | s ，x) =  
i = 1  
exp  
－
( 2)  
i
2
{
}
的 且 与 系 数 向 量 无 关 它 的 条 件 概 率 密 度 函 数  
，
字典维数是图像分辨率的平方 导致算法的空间复杂  
2
σ
2
槡
πσ  
，
性较大 影响了该类运动目标检测算法的快速性  
．
y
如果 为前景  
i
( s = 0) ，  
i
它的条件概率是均匀分布  
，
与此同时 矩阵的稀疏性也被用来解决视频序列  
，
x
．
［11］  
［16］  
． 2010 ，Candes  
年
的运动目标检测问题  
提出了主成分  
:
如下  
( Principal Component Pursuit，PCP)  
寻踪方法  
序列的背景建模  
，
用于视频  
方法将待检测视频排列为一个矩  
1
， y ［a，b］  
∈
i
，PCP  
b － a  
p( y | s ，x) =  
i = 0  
( 3)  
i
{
G = ( V，E) ，  
其中  
，
0，  
otherwise  
阵 利用凸优化将该矩阵分解为低秩矩阵和稀疏矩阵  
， ．  
其中低秩矩阵用于重建背景 稀疏矩阵对应前景 考虑  
，［a，b］  
其中  
，
表示图像的像素取值区间 在该区间内任  
［12］  
，Zhou  
到观测信号中包含测量噪声  
提出了稳定的主  
y
．
值的概率密度相同  
意
i
( Stable Principal Component Pursuit，  
成 分 寻 踪 算 法  
SPCP) ，PCP SPCP  
和
，V = { y ，…，y }  
表示  
m
定义图模型  
1
(
算法对于挑战性的视频 如背景中  
m ，E (  
图像的 个像素 表示相邻像素之间的边集 本文采  
、 、 )  
包含树叶的摆动 水面波纹 扶手电梯的运动等 检测  
) ． s， s  
用的是四邻域边集 用图模型表示 由于 是具有空  
［13］  
． Zhou  
DECOLOR  
运动目标检测方  
效果不理想  
提出  
，
间连续性的二值向量 可以利用马尔科夫随机场进行  
［15］  
， ，  
法 该方法考虑运动目标的空间连续性约束 保持目标  
，
建模 基于  
Ising  
，s  
:
的概率分布函数为  
模型  
， L ，  
区域的完整性 损失函数采用 范数 有效地解决了被  
0
1
p( s) =  
exp  
( 4)  
，Z  
(
)
－
| s － s |  
j
β
∑
i，j  
i
Z
，
检测视频序列中的背景干扰问题 提高了算法鲁棒性  
．
1
( i，j)  
E
∈
，
其中 β  
＞ 0，  
是用于控制  
s
s
和 之间依赖度的常量  
，
基于矩阵稀疏的运动目标检测方法采用批处理方式  
i，j  
i
j
1
．
是归一化常量  
．
无法进行实时检测  
基于稀疏表示的运动目标检测算法能有效提高检  
， ， x  
另外 为保证解的稳定 需要对系数 进行稀疏约  
［17］  
，
束 其概率分布函数  
:
为
， ，  
测性能 但同时需要付出巨大的计算时间代价 导致算  
n
1
，
法的实时性差 这也是该类运动目标检测算法在工程  
p( x) =  
exp  
( 5)  
p( s，x | y)  
表
(
)
－
| x |  
k
β
∑
Z
2
． ，  
应用中的瓶颈 为此 本文利用编码迁移的思想快速求  
k = 1  
x
s
，
满足独立同分布 因此后验概率  
由于  
和
， ;  
解稀疏表示系数 计算背景的重构误差 为保证算法的  
:
示如下  
， ，  
鲁棒性 考虑运动目标的空间连续性特点 利用图切算  
p( s，x | y)  
p( y | s，x) p( x) p( s)  
∝
，
法对重构误差进行运动目标分割 实现运动目标检测  
．
m
:
实验结果表明 本文提出的运动目标检测方法在快速  
=
p( x) p( s)  
[
]
p( y | s ，x)  
i
∏
i
i =1  
．
性和鲁棒性两方面均达到了较好的效果  
m
si  
p( y | s ，x) p( y | s ，x)  
i
1－si  
=
p( x) p( s)  
[
]
)
∏
i
i =1  
i =0  
2
运动目标检测模型  
i =1  
m
2
si  
1－si  
，
基于图像的稀疏表示理论和观测噪声模型 一幅  
( y － ( Ax) )  
i
1
1
i
exp  
=
－
∏
(
)
| s － s | )  
[
exp( －  
]
m
［7］  
(
2
{
×
}
b － a  
i =1  
y
待检测图像 ∈  
R
:
2
σ
在超完备字典下可表示为  
2
槡
πσ  
n
y = Ax + e  
( 1)  
1
1
| x | ) × exp( －  
β
∑
β
m × n  
k
∑
i，j  
i
j
Z
1
Z
2
，A = { ，a ，…， } R  
α ∈  
n
( m ＜＜ n) ， n  
是包含了  
其中  
α
k =1  
( i，j)  
E
∈
1
2
，
个样本的训练集 在运动目标检测中  
，A  
是超完备的背  
( 6)  
p( s，  
m
，x = { x ，x ，…，x }  
n
，e R  
∈
景字典  
为噪声向量  
为了获得更加准确的检测结果 本文利用运动目  
是
维稀疏系数向量  
x
s
由于  
和
的求解可以通过最大化后验概率  
1
2
n
．
x | y)  
，
获得 也等同于最小化  
－ logp( s，x | y) ． ( 6)  
由式  
推
，
1
，－ logp( s，x | y) = C + J( s，x) ，  
其中  
2
，C  
为常  
导得到  
，
标具有空间连续性这一先验知识 采用图切模型进行  
σ

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号