基于結(jié)構(gòu)化低秩稀疏分解模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究.pdf

1、運(yùn)動(dòng)目標(biāo)檢測(cè)不僅是圖像處理領(lǐng)域的一個(gè)分支，也是目標(biāo)跟蹤、目標(biāo)分類、行為理解、語(yǔ)義描述等一系列中層或高層視覺處理的第一步，運(yùn)動(dòng)目標(biāo)檢測(cè)的性能將對(duì)這些后續(xù)任務(wù)產(chǎn)生不可逆轉(zhuǎn)的影響。因此運(yùn)動(dòng)目標(biāo)檢測(cè)已經(jīng)成為計(jì)算機(jī)視覺研究課題中的一個(gè)基礎(chǔ)且不可或缺的部分，此項(xiàng)研究非常具備理論和實(shí)際意義。到現(xiàn)階段為止，越來(lái)越多有效的運(yùn)動(dòng)目標(biāo)檢測(cè)方法被研究者們提出。但是在實(shí)際應(yīng)用時(shí)，由于場(chǎng)景中存在各種各樣的挑戰(zhàn)，這些方法還存在著一些問(wèn)題，例如:對(duì)噪聲和遮擋非常敏感、

2、誤檢、漏檢、大目標(biāo)檢測(cè)不魯棒等。本文針對(duì)上述目標(biāo)檢測(cè)中存在的問(wèn)題展開了相關(guān)研究，主要的工作和貢獻(xiàn)包括如下兩點(diǎn):
　　(1)針對(duì)當(dāng)前運(yùn)動(dòng)目標(biāo)檢測(cè)方法在目標(biāo)尺寸相對(duì)較大時(shí)的檢測(cè)效果差，低魯棒性等問(wèn)題，本文提出了一種低秩框架下的新型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，叫做聯(lián)合低秩和稀疏分離模型(Collaborative Low-Rank and Sparse Separation，CLASS)。得到從輸入視頻中積累的連續(xù)幀的數(shù)據(jù)矩陣后，CLASS在保

3、證前景和背景的全局外觀一致性的前提下，從低秩結(jié)構(gòu)的背景中將移動(dòng)目標(biāo)看作是離群點(diǎn)檢測(cè)出來(lái)。這種局部稀疏和全局外觀一致性約束是互補(bǔ)的但是同時(shí)也是相互競(jìng)爭(zhēng)的，因此CLASS可以有效的檢測(cè)不同大小的運(yùn)動(dòng)目標(biāo)。同時(shí)在CLASS中加入目標(biāo)運(yùn)動(dòng)的平滑約束，進(jìn)一步提升了對(duì)噪聲的魯棒性。此外，利用保邊濾波方法在盡量保持精度的同時(shí)大幅度加速CLASS算法。同時(shí)在公共和新建視頻序列上進(jìn)行了大量實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明CLASS實(shí)現(xiàn)了優(yōu)越的性能并且與其他主流方法在效

4、率上具有一定的可比性。
　　(2)針對(duì)當(dāng)前運(yùn)動(dòng)目標(biāo)檢測(cè)方法在復(fù)雜場(chǎng)景下的檢測(cè)結(jié)果準(zhǔn)確率低，目標(biāo)的邊界存在誤檢、不完整等現(xiàn)象，本文提出了一種在低秩和稀疏分離框架中加入空間緊湊性和外觀一致性約束的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。得到從輸入視頻中積累的連續(xù)幀的數(shù)據(jù)矩陣后，提出的模型與低秩結(jié)構(gòu)的背景相對(duì)應(yīng)將運(yùn)動(dòng)目標(biāo)看作稀疏離群點(diǎn)檢測(cè)出來(lái)。此外，通過(guò)執(zhí)行同一超像素內(nèi)像素點(diǎn)之間的一致性來(lái)引入空間緊湊性。由于超像素被定義為在鄰域附近具有相似外觀的像素點(diǎn)，因此