一种监测视频图像中运动目标的方法与流程

本发明涉及视觉分析技术，具体涉及一种监测视频图像中运动目标的方法。
背景技术：
：运动目标检测就是将监控视频帧序列中的背景图像和运动目标图像(又称为前景)分离，是智能视频分析中重要的基础性步骤。运动目标的准确检测对后续高层次的计算机视觉任务(如行为识别、场景分析、交通管控等)的完成有重要意义。近年来，国内外广大学者围绕该课题展开了广泛的研究，提出了许多算法。但由于运动目标检测面临着光照变化、动态背景、相机的抖动以及算法的实时性等诸多挑战，它仍然是机器视觉领域的一个研究难点和热点。背景建模是实现运动目标检测的一类主要方法，它的思想是建立背景模型，然后判断待检测视频帧中的像素点是否符合背景模型，如不符合则属于前景运动目标。典型的方法有单高斯模型、混合高斯模型、核密度估计模型、视觉背景提取、线性自回归模型以及基于像素的自适应分割等。这些方法以单一像素为处理单元，往往对背景模型的特点作出较为严格的假设，使得这些算法在应用于实际场景时没有取得理想的效果。一方面，业内人士根据监控视频背景图像序列之间存在的强相关性及前景运动目标像素具有稀疏性这两个特点，将鲁棒主成分分析方法应用到运动目标检测问题中。该方法不需要太多假设，而且能够有效克服背景环境周期性变化产生的目标误检，同时对光照变化等具有较好的鲁棒性。该方法认为监控视频图像是由背景和前景运动目标叠加得到的(如图1所示)，可以利用背景图像序列之间的低秩性约束和前景运动目标的稀疏性约束，将前景运动目标的检测和跟踪转化为如下代价函数的优化问题：其中d∈rm×n，n为视频帧数，其列向量由相应图像帧向量化得到。l为背景图像，s为前景运动目标。因(1)式中的秩函数和l0范数均为非线性非凸的，因此它的求解是一个难以解决的问题。另一方面，业内人士还使用核范数||l||*替换rank(l)，用l1范数||s||1替换||s||0，将式(1)变换为如下新的代价函数：其中，||l||*＝∑iσi(l)(σi(l)为矩阵l的第i个奇异值)，用以近似矩阵的秩；||·||1为l1范数，用以近似l0范数。因核范数和l1范数均为凸函数，所以(2)式可以用业已发展比较成熟的凸优化方法求解。而且该方法能在一定的含噪条件下，使得运动目标检测仍具有准确性和抗噪性。但该方法也存在如下两个问题:(1)用l1范数实现稀疏性的约束，这种作法将每个像素独立对待，没有利用前景运动目标具有的区域连续性先验知识，会把一些零散的非目标大噪声误判为前景运动目标。(2)用矩阵的核范数||l||*替代秩函数rank(l)实现低秩性约束，核范数项∑iσi(l)中所有奇异值的权值均为1，这样使核范数项最小化，不同大小的奇异值会被以同样的幅度压缩。而根据奇异值的物理意义，大奇异值包含图像的主要信息，这样势必降低分解得到的背景图像的质量。技术实现要素：为解决现有技术中的问题，本发明提供一种监测视频图像中运动目标的方法，该方法能够实现对监控视频图像中运动目标更有效和精确的检测与跟踪，且提高背景图像的质量。一方面，本发明提供的监测视频图像中运动目标的方法，包括：s1、构造待处理的视频图像的观测矩阵d；s2、依据鲁棒主分量分析理论、预先定义的加权核范数、结构稀疏范数和所述观测矩阵d，获取低秩矩阵和稀疏矩阵；所述低秩矩阵的每一列是由观测矩阵d中相应帧(每一列对应的帧)的背景图像向量化得到的，所述稀疏矩阵的每一列是由观测矩阵d中相应帧的前景运动目标图像向量化得到的；s3、分别对低秩矩阵和稀疏矩阵进行向量转矩阵运算，得到背景图像帧序列和前景运动目标图像帧序列。可选地，所述步骤s2包括：s21、依据鲁棒主分量分析理论，建立代价函数：其中，l∈rm×n为待确定的低秩矩阵，s∈rm×n为待确定的稀疏矩阵，rank(·)表示矩阵的秩函数，λ为平衡因子，||·||0表示l0范数；d＝l+s为约束条件；s22、定义低秩矩阵l的加权核范数定义矩阵s的结构稀疏范数其中，w＝[w1,…,wn],0≤w1≤…≤wn,σ1(l)≥…σn(l)＞0,σi(l)代表矩阵l的第i个奇异值；在矩阵s中，第j列sj由第j帧的前景运动目标图像fj∈ra×b向量化而得到，sj∈rm是一个m维的向量，sj中向量元素的序号称为像素序号，所有像素序号构成的集合记为θ＝{1,2,…,m}；定义的e×e的滑动窗口逐行逐列滑过矩阵fj时，滑动窗口的一个位置所覆盖的像素记为其中g是所覆盖像素的序号所构成的集合，它是集合θ一个子集，不同位置的滑动窗口所对应的g构成一个集合记为g，||·||∞表示l∞范数；s23、将子步骤s22中的加权核范数||l||w,*替换公式一中的rank(l)，用结构稀疏范数υ(s)替换公式一中的||s||0，获得新的代价函数：可选地，所述步骤s2还包括：s24、采用增广拉格朗日乘子式处理所述公式二，得到公式三；其中，y∈rm×n表示拉格朗日乘子矩阵，μ＞0表示惩罚因子，<·,·>表示内积运算，||·||f表示frobenius范数；s25、通过循环迭代的方式对公式三进行最小化，获得l、s及y。可选地，子步骤s25包括：初始化参数μ0＞0,ρ＞1,θ＞0,k＝0,l0＝d,y0＝0；通过循环迭代的方式对公式三进行最小化，此时，lk+1、sk+1、yk+1表示如下：公式四的lk+1算式中gl＝d-sk+yk/μk，则lk+1通过下述公式五确定；判断是否成立，成立则终止迭代，记此时的k+1＝q,则迭代得到的lq、sq即是所求的低秩矩阵和稀疏矩阵；否则令k＝k+1，重复迭代过程，直至成立；其中，svd(·)表示奇异值分解函数，即gl＝uσvt，u、v为酉矩阵，σ为对角矩阵；gl的奇异值σi(gl)在σ的对角线上按从大到小的顺序排列；奇异值收缩算子是一个对角矩阵，其对角元素定义如下：可选地，所述步骤s3包括：bi＝reshape(li,a×b)，bi∈ra×b,i＝1,…,n，为确定的背景图像帧序列；其中：reshape(li,a×b)表示向量转矩阵函数，lq＝[l1,l2,…,ln]，li∈rm×1,i＝1,…,n，reshape:rm×1→ra×b,m＝ab；fi＝reshape(si,a×b)，fi∈ra×b,i＝1,…,n，为确定的前景运动目标图像帧序列；sq＝[s1,s2,…,sn]，si∈rm×1,i＝1,…,n。可选地，公式三中的λ取值为e×e滑动窗口中e的取值为3-5；ρ＝1.05,θ＝1×10-8，其中，σ1(d)是观测矩阵d的最大奇异值。可选地，所述步骤s1包括：s11、将视频图像中的每一帧图像进行灰度处理，灰度处理后n帧图像为i1,…,in，且灰度处理后的每一帧图像的分辨率为a×b，ii∈ra×b,i＝1,…,n，ra×b表示大小为a×b的实数空间；s12、将灰度处理后的每一帧图像依次向量化，依据向量化的每一帧图像构造观测矩阵d；其中，d＝[vec(i1),...,vec(in)]∈rm×n；rm×n表示大小为m×n的实数空间；vec(ii)表示矢量化函数，vec:ra×b→rm×1,m＝ab。另一方面，本发明还提供一种监测视频图像中运动目标的装置，包括：观测矩阵构造单元，用于构造待处理的视频图像的观测矩阵d；低秩矩阵和稀疏矩阵获取单元，用于依据鲁棒主分量分析理论、预先定义的加权核范数、结构稀疏范数和所述观测矩阵d，获取低秩矩阵和稀疏矩阵；所述低秩矩阵的每一列是由观测矩阵d中相应帧的背景图像向量化得到的，所述稀疏矩阵的每一列是由观测矩阵d中相应帧的前景运动目标图像向量化得到的；处理单元，用于分别对低秩矩阵和稀疏矩阵进行向量转矩阵运算，得到背景图像帧序列和前景运动目标图像帧序列。再一方面，本发明还提供一种图像处理设备，包括上述的监测视频图像中运动目标的装置，以及用于获取视频图像的图像监控装置；所述图像监控装置将获取的视频图像发送至所述监测视频图像中运动目标的装置进行处理。本发明具有的有益效果如下：本发明的监测视频图像中运动目标的方法，通过提供一种新的基于鲁棒主成分分析原理的代价函数，并借助交替方向乘子法对其进行最小化优化，从而实现了对监控视频中运动目标的更有效和精确的检测与跟踪。也就是说，本发明中，采用加权核范数作为背景图像矩阵的低秩约束，使得压缩阈值与相应奇异值的大小呈单调递减关系，从而大奇异值得以较小幅度压缩。使用结构稀疏范数作为前景矩阵的稀疏约束，可以有效利用前景运动目标的空间区域连续性的先验知识。由加权核范数和结构稀疏范数组成新的代价函数并用交替方向乘子法进行优化，实现对监控视频中运动目标的更有效、更精确的检测与跟踪。附图说明图1是鲁棒主分量分析的原理示意图；图2是本发明实施例的总体流程图；图3是本发明实施例中步骤103的流程图；图4是6种场景下采用本发明方法和传统方法某一帧运动前景识别的效果图；图5是结构稀疏范数的原理示意图，其中(a)-(b)表示两种稀疏像素的分布情况示意图，(c)-(d)表示3×3的滑动窗口在两种情况下的几种位置示例图。具体实施方式为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。本文所使用的所有的技术和科学术语与属于本发明的
技术领域：
的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。当前，运动目标检测就是将视频序列中的背景和运动目标相分离，是智能视频分析中重要的基础性步骤。监控视频图像可以认为是由背景和前景运动目标叠加得到的，如图1所示。鲁棒主分量分析方法利用背景图像序列之间的低秩性特点和前景运动目标的稀疏性特点，通过建立一个代价函数并对其进行最小化优化来实现背景和前景运动目标的分离。现有的代价函数用核范数近似矩阵的秩函数实现低秩性约束，这一作法误差太大，不够精确，影响分离效果。另一方面，现有代价函数多用l1范数实现稀疏性的约束，这种作法将每个像素独立对待，没有利用前景运动目标具有的区域连续性先验知识，从而影响前景运动目标的检测效果。本发明实施例提供了一个新的代价函数，并采用交替方向乘子法对其进行最小化优化，实现前景运动目标的检测。在新的代价函数中，采用加权核范数近似矩阵的秩函数作为背景图像的低秩约束，逼近效果更好，精度更高；采用结构稀疏范数作为前景目标的稀疏性约束，充分利用了前景具有的空间区域连续性先验知识。实施例一如图2所示，本发明提供一种监测视频图像中运动目标的方法，该方法包括下述的步骤：101，构造待处理的视频图像的观测矩阵d；具体地，该步骤101中可将获取到的监控视频序列的每一帧图像进行灰度化和向量化操作，构造观测矩阵。例如，将获取到的n帧监控视频图像进行灰度化操作，灰度化后得到的n帧图像记为i1,…,in,每帧图像的分辨率记为a×b，即ii∈ra×b,i＝1,…,n，ra×b表示大小为a×b的实数空间。以及将i1,…,in依次向量化，构造观测矩阵d∈rm×n,其中m＝ab，rm×n表示大小为m×n的实数空间，具体操作如下:d＝[vec(i1),…,vec(in)]∈rm×nvec(ii)表示矢量化函数，vec:ra×b→rm×1,m＝ab,它将矩阵ii∈ra×b的列按从左到右的顺序依次连接成一个m×1的向量。102，依据鲁棒主分量分析理论、预先定义的加权核范数、结构稀疏范数，建立求解背景图像和前景运动目标图像的新的代价函数。103，结合观测矩阵，对步骤102中建立的代价函数进行迭代优化，求解低秩矩阵和稀疏矩阵。本步骤中，低秩矩阵的每一列是由观测矩阵d中相应帧(即与列对应的帧)的背景图像向量化得到的，所述稀疏矩阵的每一列是由观测矩阵d中相应帧的前景运动目标图像向量化得到的。104，对低秩矩阵、稀疏矩阵的每一列分别进行向量转矩阵操作，求解所述监控视频的背景图像帧序列和前景运动目标图像帧序列。在步骤104中，考虑到低秩矩阵lk+1的每一列是由背景图像帧向量化得到的，稀疏矩阵sk+1的每一列是由前景运动目标图像帧向量化得到的。分别对lk+1、sk+1的每一列进行向量转矩阵运算，得到背景帧图像序列和前景运动目标帧图像序列。针对上述的步骤102，举例说明如下：102-1，依据鲁棒主分量分析理论，建立代价函数:其中，l∈rm×n是待求解的低秩矩阵，由背景图像序列组成；s∈rm×n表示待求解的稀疏矩阵，由前景图像序列组成；rank(·)表示矩阵的秩函数；λ表示平衡因子；||·||0表示l0范数。公式(1-1)中的s.t.表示subjectto的缩写，受约束的意思。102-2，定义矩阵l的加权核范数这里w＝[w1,…,wn]，0≤w1≤…≤wn,σ1(l)≥…σn(l)＞0,σi(l)代表矩阵l的第i个奇异值。102-3，定义矩阵s的结构稀疏范数υ(s)。待求的前景运动目标帧序列构成的矩阵为s∈rm×n，其第j列sj∈rm由第j帧的前景运动目标图像fj∈ra×b向量化而得到，sj所包含像素序号构成的集合记为θ＝{1,2,…,m}。sj∈rm是一个m维的向量，像素序号即为该向量元素的序号。在本实施例中，可设计一个e×e的滑动窗口(例如，e的取值可为3-5)，逐行逐列滑过矩阵fj，窗口的一个位置所覆盖的像素记为其中g是所覆盖像素的序号所构成的集合，它是集合θ一个子集，不同位置的窗口所对应的g构成一个集合记为g。则结构稀疏范数的定义为其中||·||∞表示l∞范数。102-4，用加权核范数||l||w,*替换rank(l)，用结构稀疏范数υ(s)替换||s||0，将式(1-1)变换为如下新的代价函数相应地，步骤103，包括如下子步骤:103-1，建立式(1-3)的增广拉格朗日乘子式:其中，y∈rm×n表示拉格朗日乘子矩阵，μ＞0表示惩罚因子，<·,·>表示内积运算，||·||f表示frobenius范数。可选地，λ取值可为103-2，初始化参数μ0＞0,ρ＞1,θ＞0,k＝0,l0＝d,y0＝0。举例来说，可令ρ＝1.05,θ＝1×10-8，其中σ1(d)是观测矩阵d的最大奇异值。103-3，通过循环迭代的方式对式(1-4)进行最小化，以确定l、s及y:记式(1-5)第一个算式中gl＝d-sk+yk/μk，则lk+1通过如下方式确定：式中，svd(·)表示奇异值分解函数，即gl＝uσvt，u、v为酉矩阵，σ为对角矩阵；gl的奇异值σi(gl)在σ的对角线上按从大到小的顺序排列。c的取值可为该公式(1-6)中权值wi与相应的奇异值σi(lk)的大小呈单调递减的关系。奇异值收缩算子是一个对角矩阵，其对角元素定义如下在公式(1-7)中，大奇异值被施以较小幅度的压缩，由此提高了分离得到的背景图像的质量。103-4，判断是否成立，成立则终止迭代，记此时的k+1＝q,则迭代得到的lq、sq即是所求的低秩矩阵和稀疏矩阵；否则令k＝k+1，转至步骤103-3继续执行，如图3所示。另外，上述的步骤104可包括下述的子步骤：104-1，记lq＝[l1,l2,…,ln]，其中li∈rm×1,i＝1,…,n。对lq每一列进行向量转矩阵运算:bi＝reshape(li,a×b)，其中bi∈ra×b,i＝1,…,n，为确定的背景帧图像序列；其中:reshape(li,a×b)表示向量转矩阵函数，reshape:rm×1→ra×b,m＝ab。104-2，记sq＝[s1,s2,…,sn]，其中si∈rm×1,i＝1,…,n。对sq每一列进行向量转矩阵运算:fi＝reshape(si,a×b)。fi∈ra×b,i＝1,…,n，即为确定的前景运动目标图像帧序列。本实施例中提供了一个衡量背景图像低秩性和前景运动目标稀疏性的代价函数，并对其进行最小化优化来实现前景运动目标的检测和跟踪。上述实施例可具有下述优点：1、在新的代价函数中，利用加权核范数替代现有方法广泛采用的核范数作为背景图像的低秩性约束，权值与相应的奇异值大小呈单调递减的关系。这样，在使用奇异值收缩算子迭代求解低秩矩阵(背景图像)时，大奇异值被施以较小幅度的压缩，从而提高了分离得到的背景图像的质量。2、在新的代价函数中，使用结构稀疏范数替代现有方法广泛采用l1范数作为前景矩阵的稀疏约束，充分利用了前景运动目标具有空间区域连续性这一先验知识，有效提高了前景运动目标的检测效果。3、采用高效的交替方向乘子法对新的代价函数进行最小化优化，通过多次迭代可同时求得原视频矩阵的低秩结构(对应背景图像)和稀疏结构(对应前景运动目标)。此外，采用上述实施例的方法在cdnet2014数据集的真实视频上进行了测试，有针对性的选择了highway、office、pedestrian、pets2006、overpass及canoe等6个场景进行算法的对比分析。根据业界共识，方法的综合性能用参数f-measer来衡量。图4给出了在6种场景下各算法得到的某一帧运动前景识别的效果图。其中第一列是监控视频帧，第二列是数据集提供的真实的运动前景(groundtruth)，第三列是现有技术中的基于低秩矩阵分解的抗噪运动目标检测算法的方法所得到的运动前景，第四列是本发明方法得到的运动前景。由图4中可以看到，与传统方法(即原方法)相比，本发明得到的结果前景轮廓更清晰，运动目标的空洞更少，检测效果更好。进一步地，下述表1列出了两种方法f-measer参数对比。通过表1可以看出，在各个场景下本发明方法的性能均优于传统方法。表1传统方法和所提方法在6种场景下的f1指标对比officehighwaypedestrianpets2006overpasscanoe传统方法0.8802240.8205630.9169040.8552620.7377620.702293所提方法0.9098010.9100370.9186040.9170420.7526040.846014实施例二本实施例对cdnet2014office场景的监控视频运用本发明方法对其进行运动目标检测和跟踪。201，将获取到的100帧三通道彩色监控视频图像进行灰度化操作，灰度化后得到的100帧图像记为i1,…,i100,每帧图像的分辨率记为360×240；202，将i1,…,i100依次向量化，构造观测矩阵d∈r86400×100,其中86400＝360×240，具体操作如下:d＝[vec(i1),…,vec(i100)]∈r86400×100vec(ii)表示矢量化函数，它将矩阵ii的列按从左到右的顺序依次连接成一个86400×1的向量。203，基于鲁棒主分量分析理论，建立代价函数：其中:l∈r86400×100表示待求解的低秩矩阵，由背景图像序列组成；s∈r86400×100表示待求解的稀疏矩阵,由前景图像序列组成；rank(·)表示矩阵的秩函数；λ表示平衡因子；||·||0表示l0范数。204，定义矩阵l的加权核范数这里w＝[w1,…,wn]，0≤w1≤…≤wn,σ1(l)≥…σn(l)＞0,σi(l)代表矩阵l的第i个奇异值。权值wi的大小和对应奇异值σi(l)的大小成单调递减的关系，数值大的奇异值给予较小的权值。这样在最小化加权核范数时，大奇异值被压缩的会小一些。205，定义矩阵s的结构稀疏范数υ(s)。待求的前景运动目标图像帧序列构成的矩阵为s∈r86400×100，其第j列sj∈rm由第j帧的前景运动目标图像fj∈r360×240向量化而得到，sj所包含像素序号构成的集合记为θ＝{1,2,…,86400}。设计一个3×3的滑动窗口，逐行逐列滑过矩阵fj，窗口的一个位置所覆盖的像素记为其中g是所覆盖像素的序号所构成的集合，它是集合θ一个子集，不同位置的窗口所对应的g构成一个集合记为g。则结构稀疏范数的定义为参照图5所示，图5进一步说明了结构稀疏范数的思想。假设图(a)，(b)是优化过程中一帧图像前景运动目标的两种可能选择，图5中白色点代表前景运动目标像素(数值代表像素值)，黑色点代表背景像素(像素值为0)。如果采用l1范数衡量图(a)，(b)的稀疏性，会得出相同的结果。但是，根据前景运动目标的空间区域连续性这一先验知识，显然图(a)更可能是前景目标图像。考虑设计一个3×3的方形窗口，然后逐行逐列滑动窗口，相邻两个窗口位置有6个像素重合。图(c)、(d)是两种情况下部分窗口的位置示意图。计算每个窗口位置的l∞范数，然后把所有窗口位置的l∞范数相加作为稀疏性的度量。显然，采用这种方法图(a)的稀疏度(值为420)明显小于图(b)(值为680)，所以根据运动目标矩阵稀疏度最小的要求，在优化过程中图(a)会被认为是前景目标。由此可见，本实施例采用结构稀疏范数υ(s)替代l1范数作为前景运动目标的稀疏性约束，能够充分利用前景所具有的空间区域连续性先验知识，能够更准确地检测到前景运动目标。206，用加权核范数||l||w,*作为背景图像的低秩性约束，用结构稀疏范数υ(s)作为前景目标的稀疏性约束，将式(2-1)变换为如下新的代价函数207，λ取值为建立式(2-3)的增广拉格朗日乘子式:其中，y表示拉格朗日乘子矩阵，μ＞0表示惩罚因子，<·,·>表示内积运算，||·||f表示frobenius范数。208，初始化参数：通过循环迭代的方式对式(2-4)进行最小化，以确定l、s及y:记式(2-5)第一个算式中gl＝d-sk+yk/μk，则lk+1通过如下方式确定：式中，svd(·)表示奇异值分解函数，即gl＝uσvt，u、v为酉矩阵，σ为对角矩阵；gl的奇异值σi(gl)在σ的对角线上按从大到小的顺序排列。奇异值收缩算子是一个对角矩阵，其对角元素定义如下由上式及步骤204可知，奇异值σi(gl)的压缩阈值wi/μ与相应奇异值σi(gl)呈单调递减的关系。这样，小奇异值得到较大的压缩，从而以更快的速度接近零。而大奇异值得到较小的压缩，从而背景图像的质量可以得到有效的保证，得到更好的背景和前景的分离效果。209，判断是否成立，是则终止迭代，记此时的k+1＝q,则迭代得到的lq、sq即是所求的低秩矩阵和稀疏矩阵；否则令k＝k+1，转至步骤208继续执行。210，记lq＝[l1,l2,…,ln]，其中li∈r86400×1,i＝1,…,100。对lq每一列进行向量转矩阵运算:bi＝reshape(li,360×240)，其中:bi∈r360×240,i＝1,…,100，reshape(li,360×240)表示向量转矩阵函数，即reshape:r86400×1→r360×240。bi,i＝1,…,100，即为获得的背景图像帧序列。211，记sq＝[s1,s2,…,sn]，其中：si∈r86400×1,i＝1,…,100。对sq每一列进行向量转矩阵运算:fi＝reshape(si,360×240)，其中：fi∈ra×b,i＝1,…,100。fi,i＝1,…,100，即为获得的前景运动目标图像帧序列。图4中第1行给出了本范例的有关结果，其中第4幅图像是运用本实施例方法求得的前景运动目标图像，第3幅图像是运用现有技术基于低秩矩阵分解的抗噪运动目标检测算法所得到的运动前景。两幅图像对比可得，本实施例方法所得运动前景轮廓明显清晰，而且躯干部空洞较传统方法明显减少。通过表1可得，本实施例的f-measure为0.90981明显高于传统方法的0.880224，也进一步说明了本实施例的方法的有效性。另外，本发明还提供一种监测视频图像中运动目标的装置，该装置可包括观测矩阵构造单元、低秩矩阵和稀疏矩阵获取单元、处理单元；其中，观测矩阵构造单元，用于构造待处理的视频图像的观测矩阵d；低秩矩阵和稀疏矩阵获取单元，用于依据鲁棒主分量分析理论、预先定义的加权核范数、结构稀疏范数和所述观测矩阵d，获取低秩矩阵和稀疏矩阵；所述低秩矩阵的每一列的元素是由观测矩阵d中相应帧的背景图像向量化得到的，所述稀疏矩阵的每一列的元素是由观测矩阵d中相应帧的前景运动目标图像向量化得到的；处理单元，用于分别对低秩矩阵和稀疏矩阵进行向量转矩阵运算，得到背景图像帧序列和前景运动目标图像帧序列。本实施例的装置可执行上述任意实施例的方法，参照上述描述，该处不再赘述。另外，本发明实施例还提供一种图像处理设备，该图像处理装置可包括用于获取视频图像的图像监控装置和上述的监测视频图像中运动目标的装置；所述图像监控装置将获取的视频图像发送至所述监测视频图像中运动目标的装置进行处理。本实施例的图像处理设备可为后台监控服务器或其他服务器等，本实施例不对其进行限定。本实施例的图像处理设备能够实现对监控视频图像中运动目标更有效和精确的检测与跟踪，且提高背景图像的质量。最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。当前第1页12