基于稀疏表达残差的自然场景运动目标检测

谢谢侬

要： 本文提出一种基于稀疏表达残差的非参数化运动目标检测算法，在假设前景变化相对静态背景可以视 为稀疏残差的基础上，采用视频前 ｎ帧初始化稀疏表达字典；利用字典对后续视频帧进行重构，提取每帧的重构残 差；结合基于光照强度的全局阈值矩阵，将残差图像二值化，提取图像前景；利用前景区域和边缘点关系剔除 ｇｈｏｓｔ区 域；采用增量 ＰＣＡ（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ）算法和保守更新的思想对背景模型进行更新．在 ｃｈａｎｇｅｄｅｔｅｃｔｉｏｎ．ｎｅｔ提供 的 ｓｈａｄｏｗ数据集上实验表明，采用全局更新和残差计算的方法，可以有效的解决由于自然场景光线变化导致的阴影 变化，并且对自然场景中背景的小幅度抖动和相机抖动等问题也具有一定的抵抗能力．
- k* @" H3 Z; H# W8 v
关键词： 背景建模；残差；运动目标检测；稀疏表达

( p! u/ K9 ]2 s( e

4 c" l8 [; w8 d6 f# R监控视频处理中，运动目标检测是基础性的工作， 其准确性直接影响后续处理的可行性．在静态场景监控 视频中，运动目标检测主要用于运动目标提取和检测场 景中物体的变化．该领域内，背景减法是最常用的一种 方法［１～４］，其核心思想是通过对每个像素位置构建一个 背景像素值模型，利用当前像素值与模型比较来提取运 动目标．对于背景减法的研究有时不仅仅局限于核心算 法，研究人员还常常把注意力放在处理 ｇｈｏｓｔ区域［２］、阴 影［５］、遮挡和相机抖动等方面，这些处理需要添加一些 预处理或者后处理，可能会造成如边缘模糊和过分填充 等现象，使得检测的精度下降．现有的大部分研究方 法［１，２，４，５］都是基于像素点的方法，这些方法可以很好的 解决大面积前景和相机剧烈抖动问题，但算法对全局光 照变化很敏感，特别是在光照发生突变时，检测的准确 度会严重下降．文献［６，７］采用全局更新的字典学习方 法进行运动目标检测，可有效解决光照敏感问题，其基 本思想是基于场景的不同状态构建不同的字典进行运 动目标检测，但构建多字典时存在计算量大、延迟长等 缺点，并要求已知场景的可能状态及对应帧作为训练 集，在自然场景状态不确定情况下很难实现．
/ ^4 A3 ~/ X) G" }



  D/ X% m* S/ M9 H: i. o附件下载：

游客，如果您要查看本帖隐藏内容请回复

8 `! l( |2 }, m6 ^; A. b% e5 i

enhgf65

对自然场景中背景的小幅度抖动和相机抖动等问题也具有一定的抵抗能力

谢谢侬

enhgf65 发表于 2021-5-12 13:15
/ c7 z$ S0 x! q7 x3 L% p8 n对自然场景中背景的小幅度抖动和相机抖动等问题也具有一定的抵抗能力

主要是对抖音有抵抗力的
$ k& Q6 D; Y  g8 [2 m. i- L  f