基于稀疏表示的运动目标检测方法研究-计算机应用技术专业论文.docxVIP

万方数据 万方数据 独创性声明 本人郑重声明：所呈交的学位论文是我个人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表和撰写的研究成果，也不包含为获得华 东交通大学或其他教育机构的学位或证书所使用过的材料。与我一同工作 的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢 意。 本人签名 日期 关于论文使用授权的说明 本人完全了解华东交通大学有关保留、使用学位论文的规定，即：学 校有权保留送交论文的复印件，允许论文被查阅和借阅。学校可以公布论 文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。 保密的论文在解密后遵守此规定，本论文无保密内容。 本人签名 导师签名 日期 _ 摘要 摘要 基于 稀疏表示 的 运动目标检测 方法 研究 摘要 运动目标检测作为许多机器视觉应用中的预处理环节，在诸如智能空间、视频监控 等领域中都有着重要的应用。在运动目标检测中，运动目标是人们感兴趣的区域，称为 前景；而需要忽略的非前景区域，称为背景。其目的是在一个视频流中提取出前景区域， 供下一步目标识别、跟踪、行为分析等等环节处理。 本文在深入研究了图像视频序列稀疏表示理论的基础上，将其应用于运动目标检测 方面，通过 K-SVD 字典学习或者求解 RPCA (Robust Principal Component Analysis，鲁棒 性主成分分析方法)模型得到背景的稀疏特征表示，利用视频序列的时空相关性特性进 行背景更新与前景目标分割，最终完成目标检测的功能。本文的研究成果和主要工作如 下： (1) 通过广泛阅读国内外文献和著作，简要地论述了本文的研究背景和意义，对稀 疏表示的应用领域以及运动目标检测的研究现状做了阐述。这些工作，为后续论文的算 法研究奠定了理论基础。 (2) 深入研究了稀疏表示理论，并对几种常用的稀疏分解算法进行了详细描述。同 时，概述了 K-SVD 字典学习方法所涉及到的 SVD 算法、K-均值算法。详细介绍了 PCA (Principal Component Analysis，主成分分析方法）与 RPCA（Robust Principal Component Analysis，鲁棒性主成分分析法）两种方法，以及其适用范围。 (3) 提出了一种改进的基于 K-SVD 字典学习的运动目标检测算法。该算法首先使用 多帧平均方法从训练样本中得到初始背景，再通过 BP 算法建立背景的初始稀疏表示模 型；然后利用视频序列中当前时刻的近邻五帧图像，通过 K-SVD 方法自适应更新背景 数据字典中的原子，使背景稀疏表示模型最优逼近近邻帧背景的观测值；最后将当前帧 图像与背景模型进行差分，完成前景运动目标的检测。 (4) 提出了一种基于 PCP（主成分追踪）的块稀疏 RPCA 运动目标检测算法。该算 法首先通过基于 PCP 的 RPCA 方法对视频序列降维，将观测图像序列分解成低秩背景 矩阵和稀疏前景矩阵；然后根据运动特性的光流一致性特点，结合前景区域的空间相关 性，进一步得到大致的前景稀疏块；再利用基于 PCP 的块稀疏 RPCA 方法，动态地估 计前景运动区域，重构出前景目标。通过复杂场景下的实验表明，该算法能较好地检测 出运动的车辆和行人。 关键词：目标检测，稀疏表示，K-SVD，主成分追踪，鲁棒性主成分分析 I Ab Abstract RESEARCH OF MOVING OBJECT DETECTION BASED ON SPARSE REPRESENTATION ABSTRACT As a pretreatment means, moving object detection plays a very important role in machine vision applications such as smart space, video surveillance, etc. Moving objects in object detection is called the prospect, which we interested in, however the other is called background, which is to be ignored. The foreground region extracted in a video stream is usually prepared for the next step such as object identification, tracking, behavior analysis, which is the purpose of moving obj