基于結(jié)構(gòu)化低秩稀疏分解模型的運動目標檢測方法研究.pdf

1、運動目標檢測不僅是圖像處理領(lǐng)域的一個分支，也是目標跟蹤、目標分類、行為理解、語義描述等一系列中層或高層視覺處理的第一步，運動目標檢測的性能將對這些后續(xù)任務產(chǎn)生不可逆轉(zhuǎn)的影響。因此運動目標檢測已經(jīng)成為計算機視覺研究課題中的一個基礎(chǔ)且不可或缺的部分，此項研究非常具備理論和實際意義。到現(xiàn)階段為止，越來越多有效的運動目標檢測方法被研究者們提出。但是在實際應用時，由于場景中存在各種各樣的挑戰(zhàn)，這些方法還存在著一些問題，例如:對噪聲和遮擋非常敏感、

2、誤檢、漏檢、大目標檢測不魯棒等。本文針對上述目標檢測中存在的問題展開了相關(guān)研究，主要的工作和貢獻包括如下兩點:
　　(1)針對當前運動目標檢測方法在目標尺寸相對較大時的檢測效果差，低魯棒性等問題，本文提出了一種低秩框架下的新型的運動目標檢測方法，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)的背景中將移動目標看作是離群點檢測出來。這種局部稀疏和全局外觀一致性約束是互補的但是同時也是相互競爭的，因此CLASS可以有效的檢測不同大小的運動目標。同時在CLASS中加入目標運動的平滑約束，進一步提升了對噪聲的魯棒性。此外，利用保邊濾波方法在盡量保持精度的同時大幅度加速CLASS算法。同時在公共和新建視頻序列上進行了大量實驗，實驗結(jié)果表明CLASS實現(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)針對當前運動目標檢測方法在復雜場景下的檢測結(jié)果準確率低，目標的邊界存在誤檢、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動目標檢測方法。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)的背景相對應將運動目標看作稀疏離群點檢測出來。此外，通過執(zhí)行同一超像素內(nèi)像素點之間的一致性來引入空間緊湊性。由于超像素被定義為在鄰域附近具有相似外觀的像素點，因此