本站原创
摘要：
针对环境光照变化时，现有背景建模方法不能有效检测运动目标的问题，给出了一种基于背景图像集与图块稀疏分析的运动目标检测方法。该方法融合了稳健主成分分析（RPCA）和基于稀疏表示的图块分析方法，通过RPCA从一组视频序列中得到系列背景图像，组合这些背景图像为背景集合。以图像块为基本单元，基于稀疏表示方法对图像块分析处理，提取运动目标。实验仿真表明该方法能够在环境光照突变时，有效消除噪声对目标检测的影响，降低目标检测的误检率，达到较为鲁棒的检测效果。
关键词：
图像处理；目标检测；背景图像集；稳健主成分分析；稀疏表示
0引言
运动目标检测是指从视频图像中提取感兴趣的运动目标，确定运动目标所在区域的图像处理过程。这一过程也可看成为视频图像中运动目标像素与背景像素的分离。由于受到场景中各种扰动变化影响，在目标提取中主要存在两类不确定性问题：空间位置的不确定及像素值的不确定。空间位置不确定主要是在移动场景中由于相机抖动、镜头移动等造成的背景场景变化不定的情况；像素值的不确定主要是指固定场景中由于各种干扰造成背景图像部分像素值变化不确定的情况。两类不确定问题都将导致目标检测准确性的显著下降。
目前，在目标检测中得到广泛应用的背景差分法就存在典型的像素值不确定问题，该方法主要是通过将图像序列当前帧和背景帧相减以去除背景像素，实现背景像素与前景像素的分离。当场景中存在干扰情况，由于差分结果中包含了误判为前景的背景像素，使得目标检测错误率较高。
图像背景中的高斯噪声、枝叶抖动、光照变化等干扰都会引起像素值不确定问题，造成前、背景像素的误判。为解决各种干扰引起的前、背景像素误判问题，背景建模方法成为当前主流的目标检测方法，其思想是通过提取视频序列中的背景特征，建立数学模型来描述背景。代表性方法如Stauffer等提出的基于混合高斯模型的背景建模方法，通过为每个像素点建立K个高斯分布混合模型，再选取前N个分布作为背景模型，可满足高斯噪声环境下的运动目标检测。另外，Kim等提出基于码本背景模型的运动目标检测方法，利用序列图像中每个像素点的颜色和亮度信息来构建背景码本，通过判断输入图像像素是否属于背景码本来实现目标检测，该方法能较好地解决枝叶抖动对目标检测的影响。
但是，以上建模方法均是基于单像素随时间变化情况的统计。由于单个像素的特征值对光照变化十分敏感，在图像背景发生光照突变时局部像素值突变，突变后的像素特征值不满足数学模型分布（如高斯分布）或偏离某种量化范围（如码本模型）。因此，对于由光照突变干扰引起的前、背景像素点误判问题并不能很好地被解决。针对基于单个像素建模方法在光照突变情况下无法正确提取运动目标的问题，本文提出了一种基于背景图像集与图块稀疏分析的运动目标检测方法。该方法通过稳健主成分分析（Robust Principal Component Analysis， RPCA）[3]从一组视频序列中得到系列背景图像，组合这些背景图像为背景集合，以图像块为基本单元，基于稀疏表示方法对图像块分析处理，实现了对运动目标区域的准确分割。
6结语
针对背景发生光照变化时，现有基于单像素的背景建模方法不能有效检测出运动目标的问题，本文设计并实现了一种基于背景图像集合与图块稀疏分析的运动目标检测方法。该方法利用RPCA构建背景图像集合，通过基于稀疏表示的图块分析方法实现背景图块与前景图块的分离，最终实现运动目标的提取。仿真结果表明，本文的方法能较好地处理背景环境光照的突变，有效地消除环境噪声对目标检测的影响。但是，算法中涉及到了大矩阵的运算，耗时较长，如何在保证高精度的同时具有较好的实时性将是下一步研究的重点。
参考文献：
STAUFFER C， GRIMSON W E L. Learning patterns of activity using realtime tracking [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）： 747-757.
KIM K， CHALIDABHONGSE T H. HARWOOD D， et al. Background modeling and subtraction by codebook construction [C]// 2004 International Conference on Image Processing. Piscataway： IEEE， 2004： 3061-3064.
[3]
CANDES E， LI X D， MA Y， et al. Robust principal component analysis： Recovering lo
[4]
LIN Z C， CHEN M， MA Y. The augmented Lagrange multiplier method for exact recovery of corrupted lowrank matrices [J]. Mathematical Programming， 2009， 22（15）： 55-78.
[5]
CHEN S S， DONOHO D L， SAUNDERS M A. Atomic decomposition by basis pursuit [J]. SIAM Journal Scientific Computing， 1999， 20（1）： 33-61.
[6]
CANDES E J， TAO T. Nearoptimal signal recovery from random projections： universal encoding strategies？ [J]. IEEE Transactions on Information Theory， 2006， 52（12）： 5406-5425.
[7]
MALLAT S， ZHANG Z F. Matching pursuits with timefrequency dictionaries [J]. IEEE Transactions on Signal Processing， 1993， 41（12）： 3397-3415.
[8]
赵佳佳，唐峥远，杨杰，等. 基于图像稀疏表示的红外小目标检测算法[J].红外与毫米波学报， 2011， 30（2）： 156-161.
[9]
GAO C Q， ZHANG T Q，LI Q. Small infrared target detection using sparse ring representation[J]. Aerospace and Electronic Systems Magazine， 2012， 27（3）： 21-30.
[10]
许雪梅， 墨芹， 倪兰. 基于局部更新的分层码本目标检测算法 [J]. 计算机应用， 2011， 31（12）： 3399-3402.
针对环境光照变化时，现有背景建模方法不能有效检测运动目标的问题，给出了一种基于背景图像集与图块稀疏分析的运动目标检测方法。该方法融合了稳健主成分分析（RPCA）和基于稀疏表示的图块分析方法，通过RPCA从一组视频序列中得到系列背景图像，组合这些背景图像为背景集合。以图像块为基本单元，基于稀疏表示方法对图像块分析处理，提取运动目标。实验仿真表明该方法能够在环境光照突变时，有效消除噪声对目标检测的影响，降低目标检测的误检率，达到较为鲁棒的检测效果。
关键词：
图像处理；目标检测；背景图像集；稳健主成分分析；稀疏表示
0引言
运动目标检测是指从视频图像中提取感兴趣的运动目标，确定运动目标所在区域的图像处理过程。这一过程也可看成为视频图像中运动目标像素与背景像素的分离。由于受到场景中各种扰动变化影响，在目标提取中主要存在两类不确定性问题：空间位置的不确定及像素值的不确定。空间位置不确定主要是在移动场景中由于相机抖动、镜头移动等造成的背景场景变化不定的情况；像素值的不确定主要是指固定场景中由于各种干扰造成背景图像部分像素值变化不确定的情况。两类不确定问题都将导致目标检测准确性的显著下降。
目前，在目标检测中得到广泛应用的背景差分法就存在典型的像素值不确定问题，该方法主要是通过将图像序列当前帧和背景帧相减以去除背景像素，实现背景像素与前景像素的分离。当场景中存在干扰情况，由于差分结果中包含了误判为前景的背景像素，使得目标检测错误率较高。
图像背景中的高斯噪声、枝叶抖动、光照变化等干扰都会引起像素值不确定问题，造成前、背景像素的误判。为解决各种干扰引起的前、背景像素误判问题，背景建模方法成为当前主流的目标检测方法，其思想是通过提取视频序列中的背景特征，建立数学模型来描述背景。代表性方法如Stauffer等提出的基于混合高斯模型的背景建模方法，通过为每个像素点建立K个高斯分布混合模型，再选取前N个分布作为背景模型，可满足高斯噪声环境下的运动目标检测。另外，Kim等提出基于码本背景模型的运动目标检测方法，利用序列图像中每个像素点的颜色和亮度信息来构建背景码本，通过判断输入图像像素是否属于背景码本来实现目标检测，该方法能较好地解决枝叶抖动对目标检测的影响。
但是，以上建模方法均是基于单像素随时间变化情况的统计。由于单个像素的特征值对光照变化十分敏感，在图像背景发生光照突变时局部像素值突变，突变后的像素特征值不满足数学模型分布（如高斯分布）或偏离某种量化范围（如码本模型）。因此，对于由光照突变干扰引起的前、背景像素点误判问题并不能很好地被解决。针对基于单个像素建模方法在光照突变情况下无法正确提取运动目标的问题，本文提出了一种基于背景图像集与图块稀疏分析的运动目标检测方法。该方法通过稳健主成分分析（Robust Principal Component Analysis， RPCA）[3]从一组视频序列中得到系列背景图像，组合这些背景图像为背景集合，以图像块为基本单元，基于稀疏表示方法对图像块分析处理，实现了对运动目标区域的准确分割。
6结语
针对背景发生光照变化时，现有基于单像素的背景建模方法不能有效检测出运动目标的问题，本文设计并实现了一种基于背景图像集合与图块稀疏分析的运动目标检测方法。该方法利用RPCA构建背景图像集合，通过基于稀疏表示的图块分析方法实现背景图块与前景图块的分离，最终实现运动目标的提取。仿真结果表明，本文的方法能较好地处理背景环境光照的突变，有效地消除环境噪声对目标检测的影响。但是，算法中涉及到了大矩阵的运算，耗时较长，如何在保证高精度的同时具有较好的实时性将是下一步研究的重点。
参考文献：
STAUFFER C， GRIMSON W E L. Learning patterns of activity using realtime tracking [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）： 747-757.
KIM K， CHALIDABHONGSE T H. HARWOOD D， et al. Background modeling and subtraction by codebook construction [C]// 2004 International Conference on Image Processing. Piscataway： IEEE， 2004： 3061-3064.
[3]
CANDES E， LI X D， MA Y， et al. Robust principal component analysis： Recovering lo
源于：大学论文格式范文www.udooo.com
wrank matrices from sparse errors [C]//Proceedings of 2010 IEEE Sensor Array and Multichannel Signal Processing Workshop. Piscataway： IEEE， 2010： 201-204.[4]
LIN Z C， CHEN M， MA Y. The augmented Lagrange multiplier method for exact recovery of corrupted lowrank matrices [J]. Mathematical Programming， 2009， 22（15）： 55-78.
[5]
CHEN S S， DONOHO D L， SAUNDERS M A. Atomic decomposition by basis pursuit [J]. SIAM Journal Scientific Computing， 1999， 20（1）： 33-61.
[6]
CANDES E J， TAO T. Nearoptimal signal recovery from random projections： universal encoding strategies？ [J]. IEEE Transactions on Information Theory， 2006， 52（12）： 5406-5425.
[7]
MALLAT S， ZHANG Z F. Matching pursuits with timefrequency dictionaries [J]. IEEE Transactions on Signal Processing， 1993， 41（12）： 3397-3415.
[8]
赵佳佳，唐峥远，杨杰，等. 基于图像稀疏表示的红外小目标检测算法[J].红外与毫米波学报， 2011， 30（2）： 156-161.
[9]
GAO C Q， ZHANG T Q，LI Q. Small infrared target detection using sparse ring representation[J]. Aerospace and Electronic Systems Magazine， 2012， 27（3）： 21-30.
[10]
许雪梅， 墨芹， 倪兰. 基于局部更新的分层码本目标检测算法 [J]. 计算机应用， 2011， 31（12）： 3399-3402.