一种基于字典学习的低照度运动检测方法
【专利摘要】本发明公开了一种基于字典学习的低照度运动检测方法，属于数字图像处理领域；从图像块的角度出发，采用字典学习的方法，为每一个图像块建立字典，从而得到一个基于背景图像的大字典，并根据稀疏编码的相关理论，求得背景图像在字典上的稀疏系数，进而得到背景模型；然后，根据当前帧图像在字典上的稀疏投影与背景模型的差值来判断前景区域，为了保证检查结果的准确性和避免孤立点的出现，对该差值进行了加权后处理，提升了检测结果的准确性。本发明的方法能很好地避免由于低照度而引起的大噪声的影响，保证在低照度环境下运动检测结果的准确性和鲁棒性。
【专利说明】—种基于字典学习的低照度运动检测方法
【技术领域】
[0001]本发明涉及数字图像处理领域，特别是一种针对低照度或极大噪声环境下，基于字典学习的运动检测方法。
【背景技术】
[0002]随着设备制造工艺、计算机处理能力的不断提高，智能视频监控技术已被广泛应用到国防、工业、交通管制等各个领域。视频监控中的智能处理如分类、跟踪、行为理解等都依赖于正确的目标检测。因此，运动检测是一个基础且关键的步骤。运动检测是指在监控视频中，判断是否有运动目标进入到所监控的场景中，并将其提取出来的一类方法。针对视频采集装置固定的场景，基于背景差分法的研究应用较为广泛。该算法的思想是通过一种合适的方法，建立所监控场景的背景模型，然后将当前帧图像与背景模型做差值，把差值较大的区域分割为前景运动区域。
[0003]混合高斯模型是一种经典的背景差分法，Friedman采用三个高斯分布分别对应道路、阴影、车辆来对交通监控系统进行建模；随后，Stauffer和Grimson混合多个高斯分布来对场景中的像素进行建模，能够较好地解决复杂背景下的建模。当混合高斯模型关于模型选择的假设不成立时，非参数模型是一个更好的选择，该算法利用核函数密度估计方法从样本中得到未知背景密度分布函数，Elgammal等提出的正态核函数能够适用于任何形式的密度函数，这也使得非参数模型成为一种应用广泛的运动检测方法。
[0004]上述的两种经典运动检测算法主要是针对复杂、动态的背景，并没有考虑到在低照度环境下的运动检测。在低照度环境下，由于光照不充足和摄像机CCD自身的原因，采集到的视频图像中灰度值低、灰度差别小，并含有大量随机分布的噪声，当这些噪声的闪动程度过大时，会导致现有的运 动检测方法效果不佳甚至失效。
【发明内容】
[0005]本发明所要解决的技术问题是，针对现有技术不足，提供一种适合于低照度环境的基于字典学习的低照度运动检测方法，保证在低照度环境下运动检测结果的准确性。
[0006]为解决上述技术问题，本发明所采用的技术方案是:一种基于字典学习的低照度运动检测方法，该方法为:
[0007]I)从被监控场景的视频图像I中提取N张背景图像，将每张所述背景图像分成mX I个背景图像块；将第f张背景图像的第j个背景图像块矢量化为向量Sjf，所有背景图
像上第j个位置的背景图像块构成矩阵；将矩阵Xj作为所有背景图像上
第j个位置的背景图像块的训练集；其中，f=l, 2，…，N ；j=l, 2，-mX I ；
[0008]2)从Xj中随机选择k个向量作为初始字典Dtl ；
[0009]3)令 t=l;
[0010]4)从&中选择一个向量，记为xt，利用下式计算背景图像块训练集&的稀疏系数
【权利要求】
1.一种基于字典学习的低照度运动检测方法，其特征在于，该方法为: 1)从被监控场景的视频图像I中提取N张背景图像，将每张所述背景图像分成mXI个背景图像块；将第f?张背景图像的第j个背景图像块矢量化为向量.，所有背景图像上第j个位置的背景图像块构成矩阵；=
2.根据权利要求1所述的基于字典学习的低照度运动检测方法，其特征在于，该方法还包括: 13)对IF(j)进行加权后处理，得到加权处理后的前景检测值IF'(j):
【文档编号】G06K9/62GK103617637SQ201310684414
【公开日】2014年3月5日 申请日期:2013年12月16日 优先权日:2013年12月16日
【发明者】刘煜, 张茂军, 肖华欣, 王炜, 谭树人, 徐玮, 熊志辉, 张政 申请人:中国人民解放军国防科学技术大学