基于低秩矩陣分解的運(yùn)動(dòng)目標(biāo)檢測(cè)①

黃 霞, 許海霞, 莫 言

(湘潭大學(xué) 信息工程學(xué)院, 湘潭 411105)

基于低秩矩陣分解的運(yùn)動(dòng)目標(biāo)檢測(cè)①

黃 霞, 許海霞, 莫 言

(湘潭大學(xué) 信息工程學(xué)院, 湘潭 411105)

運(yùn)動(dòng)目標(biāo)檢測(cè)是視頻監(jiān)控任務(wù)的基礎(chǔ)問題之一, 針對(duì)灰度信息, 目標(biāo)檢測(cè)存在的陰影識(shí)別能力差、檢測(cè)精度低等問題, 提出在HSV顏色空間下基于低秩矩陣分解的運(yùn)動(dòng)目標(biāo)檢測(cè)算法. 首先將獲取的RGB圖像轉(zhuǎn)為HSV顏色空間分量, 分別對(duì)H、S、V通道構(gòu)建低秩觀測(cè)量, 進(jìn)行低秩矩陣優(yōu)化分解, 分離出不同顏色通道的前景和背景分量; 組合 H、S、V通道分量的前景圖像, 得到粗略的運(yùn)動(dòng)目標(biāo)區(qū)域; 再采用HSV顏色陰影去除去除前景圖像中的陰影; 最后經(jīng)噪聲去除和空洞的填充, 檢測(cè)得到準(zhǔn)確的前景運(yùn)動(dòng)目標(biāo). 實(shí)驗(yàn)驗(yàn)證表明, 與其它方法相比, 能夠有效地提高運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確度.

智能視頻監(jiān)控; 運(yùn)動(dòng)目標(biāo)檢測(cè); 低秩矩陣分解; HSV顏色空間

近幾年, 智能視頻監(jiān)控逐漸成為備受學(xué)者們關(guān)注的研究熱點(diǎn), 運(yùn)動(dòng)目標(biāo)檢測(cè)作為視頻監(jiān)控中的關(guān)鍵部分, 同時(shí)受到學(xué)者們的熱捧, 越來越多的方法用于對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè). 運(yùn)動(dòng)目標(biāo)檢測(cè)是從圖像序列中獲得目標(biāo)的運(yùn)動(dòng)信息, 并將其從圖像提取出來, 其是智能監(jiān)控系統(tǒng)中目標(biāo)分類、跟蹤及行為理解等后續(xù)處理的基礎(chǔ). 目前常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有光流法、幀差法和背景減除法等, 其中背景減除法得到了廣泛的應(yīng)用. 背景減除法[1-3]的核心思想是將當(dāng)前獲得的圖片與得到的背景圖像相減, 得到差分圖像, 然后通過設(shè)置閥值來判定差分圖像的像素狀態(tài), 如果像素點(diǎn)的值小于閥值則該像素被認(rèn)為是背景區(qū)域, 否則認(rèn)為是感興趣的運(yùn)動(dòng)目標(biāo)區(qū), 如混合高斯模型法[4-8]通過建立多個(gè)高斯模型來判定像素點(diǎn)屬于前景還是背景, 其方法在一定程度上能夠準(zhǔn)確的獲得運(yùn)動(dòng)目標(biāo)信息, 然而, 此類方法需要訓(xùn)練相關(guān)的圖像序列預(yù)先構(gòu)造背景模型,從而限制了其在視頻分析自動(dòng)化中的應(yīng)用.

近年, Wright[9]等人提出魯棒主成分析(Robust Principal Component Analysis, RPCA, 又稱低秩矩陣分解)并將此理論應(yīng)用到運(yùn)動(dòng)目標(biāo)檢測(cè)領(lǐng)域. 由于監(jiān)控視頻具有攝像頭的位置是固定不變的特點(diǎn), 因此采集到的視頻中背景信息是相對(duì)穩(wěn)定的, 而移動(dòng)的車輛在視頻的每一幀中存在很大的變動(dòng), 可將監(jiān)控視頻的每一幀圖像像素值組成一個(gè)列向量并排列成一個(gè)矩陣, 利用低秩矩陣恢復(fù)算法對(duì)其進(jìn)行分解, 將會(huì)對(duì)穩(wěn)定的背景(對(duì)應(yīng)低秩部分)和運(yùn)動(dòng)的物體(對(duì)應(yīng)稀疏部分)進(jìn)行分離. 文獻(xiàn)[10]基于低秩矩陣分解原理提出一種新穎的顯著運(yùn)動(dòng)目標(biāo)檢測(cè)方法, 其數(shù)據(jù)M矩陣由視頻的每一幀圖像的相同位置的行(列)組成, 通過低秩矩陣分解目標(biāo)函數(shù)求解, 獲得每幀圖像行(列)低秩部分和行(列)稀疏部分, 再對(duì)每幀圖像的行稀疏部分和列稀疏部分進(jìn)行組合, 得到初步的顯著目標(biāo), 利用自適應(yīng)閥值法和噪聲去除方法, 獲得最終的目標(biāo). 此方法在不同的視頻場景取得了較好的效果, 對(duì)低分辨率環(huán)境和噪聲具有較好的魯棒性. 然而當(dāng)基于灰度值建立背景時(shí), RPCA算法對(duì)運(yùn)動(dòng)目標(biāo)的陰影識(shí)別能力很差, 運(yùn)動(dòng)目標(biāo)檢測(cè)的精確度低, 為后續(xù)的視頻分析帶來了困難.

本文針對(duì)在灰度信息情況下, RPCA算法對(duì)陰影識(shí)別能力差問題, 利用顏色信息對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè).考慮到RGB顏色空間與人眼感知的差異很大, 且由于陰暗區(qū)域比亮區(qū)域的像素差別具有更高的不穩(wěn)定性,使其在陰暗區(qū)域的顏色比較效果不好, 而HSV顏色空間符合人視覺神經(jīng)觀察模型, 為此本文將圖像從RGB空間轉(zhuǎn)換到HSV空間, 在HSV顏色空間下通過低秩矩陣恢復(fù)對(duì)背景進(jìn)行建模, 提取運(yùn)動(dòng)目標(biāo), 提出在HSV顏色空間下基于低秩矩陣恢復(fù)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法.

實(shí)驗(yàn)表明改進(jìn)后的方法能夠取得更加準(zhǔn)確的前景分割特性, 對(duì)噪聲干擾表現(xiàn)出良好的魯棒性. 同時(shí)RGB顏色空間對(duì)運(yùn)動(dòng)目標(biāo)的陰影識(shí)別能力很差, 在HSV顏色空間卻能很好的識(shí)別, 可以有效地檢測(cè)出陰影區(qū)域.

1 HSV顏色空間

彩色數(shù)字圖像可由多種色彩空間模型來表示[11],常用的表現(xiàn)彩色圖像的顏色空間有RGB、HSV、YCbCr顏色空間等. 目前, 通過視頻采集設(shè)備獲取的視頻大多數(shù)是RGB顏色模式, 因此在對(duì)視頻序列幀進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)算法的研究大多數(shù)直接采用各個(gè)像素點(diǎn)的RGB值或者灰度值, 但RGB模型是通過紅(R)、綠(G)、藍(lán)(B)3種色光作適當(dāng)混合引起電磁光譜上所有任意顏色的感知, 故在RGB模型中R、G、B三個(gè)分量都包含了亮度信息, 它們之間存在著很大的相關(guān)性, 從而不利于運(yùn)動(dòng)目標(biāo)的檢測(cè)和分割, 且其顏色表示方式不適于人的視覺感知習(xí)慣, 在這方面HSV顏色模式則更有優(yōu)勢(shì). 在HSV顏色空間中, 其色度(H)表示不同的顏色, 飽和度(S)表示顏色的深淺; 亮度(V)表示顏色的明暗程度, 3個(gè)分量獨(dú)立不相關(guān). HSV顏色空間相對(duì)于RGB顏色空間能夠較好地解決強(qiáng)光照射、陰影和遮蔽或紋理帶來的物體表面顏色不勻等問題.

在傳統(tǒng)的RGB模型轉(zhuǎn)換到HSV模型中, 由于各自的自身特性, 使得在轉(zhuǎn)換過程中H分量出現(xiàn)奇異值和不穩(wěn)定點(diǎn), 本文采用文獻(xiàn)[12] 中RGB到HSV空間修正后的色彩轉(zhuǎn)換公式:

圖1為采用傳統(tǒng)方法轉(zhuǎn)換的結(jié)果與修正公式后轉(zhuǎn)換的結(jié)果. 圖1(b)為利用傳統(tǒng)方法轉(zhuǎn)換后的HSV圖,圖1(c)為利用式(1)轉(zhuǎn)換后的HSV圖, 比較圖1(b)和圖1(c)兩幀圖像, 可以看出利用修正公式轉(zhuǎn)換后的HSV圖像沒有存在不穩(wěn)定點(diǎn).

圖1 傳統(tǒng)方法與修正公式后轉(zhuǎn)換的HSV圖

2 RPCA理論

經(jīng)典的PCA(Principal Component Analysis)是一種特征提取和分析中數(shù)據(jù)降維的方法, 將高維的數(shù)據(jù)投影到低維線性子空間中并對(duì)其進(jìn)行估計(jì). 假設(shè)數(shù)據(jù)矩陣M可表示為M=L+E, 其中矩陣L表示矩陣M的低秩成分, 矩陣E表示噪聲干擾, 矩陣L和E未知,且矩陣E中的所有元素都服從獨(dú)立同分布的高斯分布, 經(jīng)典的PCA通過求解下式尋求最優(yōu)的秩k來估計(jì)L:

其中,k是目標(biāo)子空間的維度,表示矩陣的2范數(shù), 即M中奇異值的最大值. 經(jīng)典PCA只有當(dāng)E較小時(shí)才能求得最優(yōu)解, 而實(shí)際數(shù)據(jù)M矩陣往往被大量的干擾數(shù)據(jù)覆蓋, 此時(shí), 經(jīng)典PCA方法無法達(dá)到令人滿意的效果.

為了解決經(jīng)典PCA的缺點(diǎn), candes[13]等人提出RPCA模型, 該模型通過矩陣的低秩與稀疏性約束,能夠從稀疏的顯著誤差中恢復(fù)出低秩的矩陣, 此時(shí),求解低秩矩陣L的問題可優(yōu)化成如下模型問題:

其中,rank(L)表示矩陣L的秩,||E||0是矩陣的l0范數(shù), 即矩陣E中非零元素的個(gè)數(shù), 目標(biāo)函數(shù)中的兩項(xiàng)都是非線性非凸的, 上述問題是一個(gè)NP-hard問題. Candes將上述模型松弛到如下凸優(yōu)化問題:

其中,||L||*代表矩陣L的核范數(shù), 即為其矩陣奇異值之和.||E||1是矩陣E的l1范數(shù), 即E中所有元素絕對(duì)值之和.λ為控制稀疏矩陣E權(quán)值參數(shù). 此優(yōu)化問題可通過迭代閥值算法(iterative thresholding, IT)[13,15]、加速近端梯度算法(accelerated proximal gradient, APG)[14]、對(duì)偶方法[14,15]和不精確拉格朗日乘子法(inexact augmented Lagrange multipliers, IALM)[15,16]求解. 即使觀測(cè)矩陣M中的數(shù)據(jù)被大量干擾信息的破壞,通過求解(4)式仍能得到比較理想的結(jié)果(L,E).

3 基于矩陣分解的運(yùn)動(dòng)目標(biāo)檢測(cè)

由于利用灰度信息, 對(duì)運(yùn)動(dòng)目標(biāo)的陰影識(shí)別能力很差, 運(yùn)動(dòng)目標(biāo)檢測(cè)的精確度低, 本文利用顏色信息運(yùn)用低秩矩陣分解檢測(cè)運(yùn)動(dòng)目標(biāo), 提出在HSV顏色空間下基于RPCA的運(yùn)動(dòng)目標(biāo)檢測(cè)算法, 具體目標(biāo)檢測(cè)原理如圖2所示,過程描述如下:

1) 視頻的獲取以及顏色空間的轉(zhuǎn)換

由監(jiān)控系統(tǒng)獲取RGB圖像序列, 首先根據(jù)公式(1)將RGB圖像序列轉(zhuǎn)化為HSV圖像序列, 整個(gè)視頻數(shù)據(jù)可以看成是4維的, 通過按照3個(gè)顏色通道表示可以得到3個(gè)3維數(shù)據(jù), 把整個(gè)視頻流看作是H、S、V三個(gè)顏色通道的視頻流, 此時(shí)可以看作是對(duì)多個(gè)二維矩陣進(jìn)行計(jì)算, 大大地降低了存儲(chǔ)空間同時(shí)提高了計(jì)算效率.

2) 背景圖像與前景圖像的分離

根據(jù)低秩矩陣恢復(fù)理論, 觀測(cè)到的數(shù)據(jù)可以分解為兩個(gè)成分, 一個(gè)具有低秩性, 一個(gè)具有稀疏性. 由于背景比較穩(wěn)定, 故其背景像素值組成的矩陣具有低秩性, 而運(yùn)動(dòng)目標(biāo)在視頻中是運(yùn)動(dòng)的且分布范圍比較小, 故運(yùn)動(dòng)目標(biāo)像素值組成的矩陣具有稀疏特性. 前景目標(biāo)檢測(cè)步驟如下:

Step1: 低秩觀測(cè)量矩陣的構(gòu)成. 分別對(duì)視頻流中的H、S、V顏色通道的圖像序列進(jìn)行處理. 首先提取H顏色通道圖像序列幀H1,H2,L,Hf, 并將各幀圖像向量化, 組成低秩觀測(cè)矩陣

MH∈RMN×f, 其中f是圖像幀數(shù), 圖像的大小為M×N. 同理, 對(duì)S顏色通道圖像序列S1,S2,L,Sf和V顏色通道圖像序列V1,V2,L,Vf中的各幀圖像向量化, 得到S顏色通道的低秩觀測(cè)矩陣和V顏色通道的低秩觀測(cè)矩陣

Step2: 根據(jù)RPCA優(yōu)化模型, 得到的低秩觀測(cè)量滿足下式:

其中,x∈{H,S,V}, 采用IALM[15]對(duì)觀測(cè)矩陣低秩優(yōu)化分解,得到H顏色通道的低秩矩陣LH和稀疏矩陣EH, S顏色通道的低秩矩陣LS和稀疏矩陣ES, V顏色通道的低秩矩陣LV和稀疏矩陣EV.

Step3: 對(duì)低秩矩陣LH中的第n列去向量化,n={1,2Lf}, 得到圖像序列中第n幀的背景圖像, 對(duì)稀疏矩陣EH中的第n列去向量化, 得到圖像序列中第n幀的前景圖像, 對(duì)所有的列去向量化最終得到H顏色通道的背景圖像序列和前景圖像序列. 同理, 對(duì)S顏色通道的低秩矩陣LS、稀疏矩陣ES和V顏色通道的低秩矩陣LV、稀疏矩陣EV去向量化, 得到S顏色通道的背景圖像序列, 前景圖像序得到V顏色通道的背景圖像序列, 前景圖像序

圖2 基于低秩矩陣分解的運(yùn)動(dòng)目標(biāo)檢測(cè)算法原理

Step4: 組合H、S、V 三分量的背景部分得到HSV空間下第n幀圖像的背景圖像其中n=1,2,Lf; 組合H、S、V 三分量的前景部分得到HSV空間下第n幀圖像的前景圖像然后對(duì)值求和處理, 得到初步的前景圖像Maskn:

3) HSV陰影檢測(cè)

光具有直線傳播特性, 當(dāng)光源在入射方向上受到車的遮擋時(shí), 在汽車的另一側(cè)將產(chǎn)生陰影, 因此在絕大多數(shù)交通視頻場景下都存在著陰影.

陰影與物體具有運(yùn)動(dòng)一致性, 這使得背景差減法和去噪處理均不能將運(yùn)動(dòng)物體和陰影分離開, 陰影區(qū)域往往被誤檢為前景, 從而造成車體外觀以及形狀的扭曲, 車體之間粘貼, 不利于分割和識(shí)別.

根據(jù)前面得到的H、S、V顏色通道的背景圖像, 本文利用HSV顏色空間分別對(duì)初步的前景圖像Maskn進(jìn)行陰影檢測(cè)及去除. 在檢測(cè)圖像陰影區(qū)域時(shí), 陰影比對(duì)應(yīng)背景點(diǎn)的亮度變暗, 而色度和飽和度基本保持不變, 即陰影覆蓋區(qū)域與背景區(qū)域相比較, 區(qū)域像素的V(亮度)值降低, H(色度)值和S(飽和度)值變化小.本文采用 Cucchiara R[17,18]等人提出基于HSV空間的陰影檢測(cè)算法, 其判別函數(shù)如(7)所示.

其中, 下標(biāo)I表示當(dāng)前幀, 下標(biāo)B表示背景模型, H、S、V表示在HSV顏色空間下的各個(gè)組成分量,α和β是亮度的閾值;Ts和Th分別是飽和度和色相的閾值.其檢測(cè)結(jié)果由SW表示, 1表示該像素點(diǎn)是陰影點(diǎn), 0表示該像素點(diǎn)是目標(biāo)點(diǎn).

4) 噪聲去除和空洞的填充

在室外監(jiān)控視頻中, 由于樹枝的搖晃以及攝像頭的抖動(dòng)等情況的存在, 故背景往往是動(dòng)態(tài)的, 使檢測(cè)的前景圖像中存在細(xì)小的干擾噪聲, 針對(duì)前景圖像的噪聲, 本文首先對(duì)得到前景圖像進(jìn)行二值化, 閥值的選取采用最大類間方法(Otsu), 使用類間方差最大的分割意味著錯(cuò)分概率最小, 且該方法計(jì)算簡單、受圖像變化影響較小[19]. 在前景目標(biāo)檢測(cè)圖像中還存在一些面積較小的檢測(cè)物, 可通過設(shè)置前景目標(biāo)面積閥值去除掉. 由于目標(biāo)中間區(qū)域常常與背景相似, 在低秩矩陣分解過程中, 目標(biāo)區(qū)域在一定程度上存在內(nèi)部空洞, 為此, 本文進(jìn)一步對(duì)前景中的目標(biāo)進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理, 可基本完成空洞的填充, 從而達(dá)到最終運(yùn)動(dòng)目標(biāo)提取效果.

4 實(shí)驗(yàn)與結(jié)果分析

采用實(shí)際交通視頻數(shù)據(jù), 對(duì)本文方法進(jìn)行實(shí)驗(yàn)驗(yàn)證, 實(shí)驗(yàn)運(yùn)行平臺(tái)為matlab R2010b, CPU為Inter? Pentium? CPU G3220, 3.00GH, 4GB內(nèi)存, Windows7系統(tǒng)的臺(tái)式機(jī), 取三段交通視頻序列進(jìn)行實(shí)驗(yàn), 視頻序列的具體描述如下:

視頻1: 為高速公路上的交通視頻序列, 序列幀大小為240×320, 其背景相對(duì)比較平穩(wěn), 運(yùn)動(dòng)的車輛有較明顯的陰影. 實(shí)驗(yàn)中選取400幀作為測(cè)試序列.

視頻2: 為郊區(qū)的交通視頻序列, 序列幀大小為120×160, 道路的右側(cè)有樹木和青草, 有輕微的晃動(dòng),實(shí)驗(yàn)中選取400幀作為測(cè)試序列.

視頻3: 為高速公路上的交通視頻序列, 序列幀大小為240×200, 道路的右側(cè)有樹木, 由于光照導(dǎo)致樹木的陰影倒映在道路上. 實(shí)驗(yàn)中選取400幀作為測(cè)試序列.

把視頻流中的RGB圖像轉(zhuǎn)換成HSV圖像, 分別對(duì)H、S、V三個(gè)顏色通道的圖像序列的低秩觀測(cè)矩陣進(jìn)行優(yōu)化分解, 可得每幀圖像HSV空間下的前景圖像Imgn和背景圖像Backn, 再對(duì)HSV空間下的前景圖像中的H、S、V三個(gè)分量進(jìn)行絕對(duì)值求和處理的到初步的前景圖像Maskn. 為了提高運(yùn)動(dòng)目標(biāo)的精確度,本文對(duì)初步背景圖像Maskn進(jìn)行陰影去除, 根據(jù)文獻(xiàn)[17],式(7)中的參數(shù)取值為:α=0.4,β=0.6,Ts=0.1,Th=0.5,然后對(duì)前景圖像進(jìn)行閥值分割, 噪聲去除和形態(tài)學(xué)處理可得最終結(jié)果. 將本文方法的結(jié)果與GMM[6]、文獻(xiàn)[10]的結(jié)果進(jìn)行比較, 各算法在上述3種場景下的實(shí)驗(yàn)結(jié)果如圖3～5所示.

圖3 視頻1中圖像運(yùn)動(dòng)目標(biāo)檢測(cè)的對(duì)比實(shí)驗(yàn)結(jié)果

圖3 采用GMM方法、基于灰度信息的RPCA方法以及本文的方法對(duì)交通視頻1場景進(jìn)行運(yùn)動(dòng)車輛目標(biāo)檢測(cè), 在高速公路上, 由于受到光照的影響, 行駛的車輛存在面積較大的陰影, 檢測(cè)到的目標(biāo)容易出現(xiàn)粘連的現(xiàn)象, 造成檢測(cè)不準(zhǔn)確, 精確度低, GMM方法和基于灰色信息的RPCA方法未能對(duì)陰影進(jìn)行去除,針對(duì)存在陰影的情況, 本文提出在HSV顏色空間下的前景和背景的同時(shí)分離, 利用基于HSV顏色空間陰影檢測(cè)方法去除陰影, 得精確度高的檢測(cè)結(jié)果.

圖4 視頻2中圖像運(yùn)動(dòng)目標(biāo)檢測(cè)的對(duì)比實(shí)驗(yàn)結(jié)果

圖4采用GMM方法、基于灰度信息的RPCA方法以及本文的方法對(duì)交通視頻2場景進(jìn)行運(yùn)動(dòng)車輛目標(biāo)檢測(cè), 道路一側(cè)的樹葉和綠化帶的植物有輕微的晃動(dòng), 受到光照的不均勻, 背景像素值波動(dòng)大, 不穩(wěn)定, GMM方法和基于灰度信息的PRCA方法的結(jié)果中存在干擾的小目標(biāo)區(qū)域, 本文提出的方法能夠去除小目標(biāo)區(qū)域, 具有較好的魯棒性.

圖5 視頻3中圖像運(yùn)動(dòng)目標(biāo)檢測(cè)的對(duì)比實(shí)驗(yàn)結(jié)果

圖5 采用GMM方法、基于灰度信息的RPCA方法以及本文的方法對(duì)交通視頻3場景進(jìn)行運(yùn)動(dòng)車輛目標(biāo)檢測(cè), 道路的右側(cè)為樹木, 其陰影投在道路上, 左側(cè)為綠化帶, GMM方法未能排除樹木和綠化帶的干擾,基于灰度信息的PRCA方法未能完整檢測(cè)車距離較遠(yuǎn)的運(yùn)動(dòng)目標(biāo), 出現(xiàn)目標(biāo)區(qū)域漏檢和空洞的現(xiàn)象, 本文提出在顏色空間下的運(yùn)動(dòng)目標(biāo)檢測(cè), 圖像包含的信息豐富, 可以完整的檢測(cè)到遠(yuǎn)距離的車輛, 且能夠去除干擾信息.

從圖3～5中可以看出, 本文基于HSV顏色空間,應(yīng)用低秩矩陣分解原理, 可精確的檢測(cè)出運(yùn)動(dòng)目標(biāo),同時(shí)通過HSV顏色空間陰影檢測(cè)和去除, 有效地去除了陰影的干擾. 實(shí)驗(yàn)表明, 本文方法能夠更好的適應(yīng)復(fù)雜的環(huán)境, 具有較好的魯棒性, 檢測(cè)到的目標(biāo)精確度更高, 能夠有效地去除陰影, 去除動(dòng)態(tài)背景所產(chǎn)生的干擾, 以及光照帶來的小目標(biāo)區(qū)域干擾等, 具有較高的精確度和較好的魯棒性.

5 結(jié)語

針對(duì)灰度信息, 對(duì)陰影識(shí)別差、檢測(cè)精度低的問題, 本文提出在HSV顏色空間下, 基于低秩矩陣分解的運(yùn)動(dòng)目標(biāo)提取方法, 分別對(duì)H、S、V顏色通道的視頻流組成的觀測(cè)矩陣進(jìn)行低秩矩陣分解, 得到背景部分, 及前景部分; 再進(jìn)一步對(duì)前景圖像利用HSV顏色信息有效去除陰影, 以及空洞填充, 噪聲去除. 本方法優(yōu)于文獻(xiàn)[10]提出的混合高斯模型方法, 且在不需要事先學(xué)習(xí)和人工干預(yù)的情況下, 能夠精確地提出運(yùn)動(dòng)目標(biāo)區(qū)域, 具有較好的魯棒性和自適應(yīng)性.

1 Bouwmans T, El Baf F, Vachon B. Statistical background modeling for foreground detection: A survey. Handbook of Pattern Recognition and Computer Vision, 2010, 4(2): 181–189.

2 Cristani M, Farenzena M, Bloisi D, et al. Background subtraction for automated multisensor surveillance: A comprehensive review. EURASIP Journal on Advances in Signal Processing, 2010, 2010: 43.

3 Elhabian SY, El-Sayed KM, Ahmed SH. Moving object detection in spatial domain using background removal techniques-state-of-art. Recent Patents on Computer Science, 2008, 1(1): 32–54.

4 Stauffer C, Grimson WEL. Adaptive background mixture models for real-time tracking. 1999. IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE. 1999, 2.

5 Lee DS. Effective Gaussian mixture learning for video background subtraction. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2005, 27(5): 827–832.

6 Zivkovic Z. Improved adaptive Gaussian mixture model for background subtraction Proc. of the 17th International Conference on Pattern Recognition, 2004. ICPR 2004. IEEE. 2004, 2. 28–31.

7 Sheikh Y, Shah M. Bayesian modeling of dynamic scenes for object detection. IEEE Trans. on Pattern Analysis andMachine Intelligence, 2005, 27(11): 1778–1792.

8 Zivkovic Z, van der Heijden F. Efficient adaptive density estimation per image pixel for the task of background subtraction. Pattern Recognition Letters, 2006, 27(7): 773–780.

9 Wright J, Ganesh A, Rao S, et al. Robust principal component analysis: Exact recovery of corrupted low-rank matrices via convex optimization. Advances in Neural Information Processing Systems. 2009. 2080–2088.

10 Xue Y, Guo X, Cao X. Motion saliency detection using low-rank and sparse decomposition. 2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE. 2012. 1485–1488.

11 阮秋琦.數(shù)字圖像處理學(xué).北京:電子工業(yè)出版社,2007.

12 石美紅,申亮,龍世忠,等.從RGB到HSV色彩空間轉(zhuǎn)換公式的修正.紡織高?；A(chǔ)科學(xué)學(xué)報(bào),2008,21(3):351–356.

13 Candès EJ, Li X, Ma Y, et al. Robust principal component analysis. Journal of the ACM (JACM),2011,58(3): 11 .

14 Lin Z, Ganesh A, Wright J, et al. Fast convex optimization algorithms for exact recovery of a corrupted low-rank matrix. Computational Advances in Multi-Sensor Adaptive Processing (CAMSA- P), 2009, 61.

15 史加榮,鄭秀云,魏宗田,等.低秩矩陣恢復(fù)算法綜述.計(jì)算機(jī)應(yīng)用研究,2013,30(6):1601–1605.

16 Yuan X, Yang J. Sparse and low rank matrix decomposition via alternating direction method. Pacific Journal of Optimization, 2009, 9(1).

17 Cucchiara R, Grana C, Piccardi M, et al. Detecting moving objects, ghosts, and shadows in video streams. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2003, 25(10): 1337–1342.

18 Cucchiara R, Grana C, Piccardi M, et al. Improving shadow suppression in moving object detection with HSV color information. 2001 IEEE Proc. of Intelligent Transportation Systems. IEEE. 2001. 334–339.

19 王紅茹,季鳴.一種新型的實(shí)效運(yùn)動(dòng)目標(biāo)檢測(cè)方法.計(jì)算機(jī)系統(tǒng)應(yīng)用,2015,24(12):208–214.

Moving Objects Detection Based on Low-Rank Matrix Decomposition

HUANG Xia, XU Hai-Xia, MO Yan
(College of Information Engineering, Xiangtan University, Xiangtan 411105, China)

Moving objects detection is one of fundamental tasks of video surveillance. Specific to the poor identification capability and low accuracy to shadow in gray information, this paper proposes a novel moving objects detection method based on the combination of Low-Rank Matrix decomposition and HSV color information. Firstly, we convert the images from RGB space to HSV space, construct observation matrix for H, S, V channels, respectively, and optimize the observation matrix through Low-Rank Matrix decomposition to obtain H, S, V channel’s foreground component and background component; combing H, S, V channels foreground component in order to get roughly moving object district. Secondly, the moving shadow should be detected and eliminated from the foreground image, after combining H, S, V channels component to get the row processing foreground objects and the column processing foreground objects, the row processing foreground image and the column processing foreground image are combined to obtain the moving objects image. Finally, by morphological processing and connectivity detection to eliminate the noise, the accurate foreground moving objects can be obtained. The experimental results demonstrate that the proposed method is much better than others in increasing accuracy of moving objects detection.

intelligent video surveillance; moving objects detection; low-rank matrix decomposition; HSV color space

湖南省自然科學(xué)基金(14JJ6014)

2016-03-23;收到修改稿時(shí)間:2016-05-16

10.15888/j.cnki.csa.005585