申请/专利权人:江苏信息职业技术学院
申请日:2020-12-23
公开(公告)日:2023-08-22
公开(公告)号:CN112561949B
主分类号:G06T7/215
分类号:G06T7/215;G06T7/246;G06T7/194;G06T5/00;G06V20/40;G06V10/26;G06V10/764
优先权:
专利状态码:有效-授权
法律状态:2023.08.22#授权;2021.04.13#实质审查的生效;2021.03.26#公开
摘要:本发明涉及目标检测算法技术领域,具体涉及一种基于RPCA和支持向量机的快速运动目标检测算法,它包括:首先使用RPCA对视频矩阵进行分解得到视频的前景信息,同时通过超像素分割对视频进行分割,再提取前景和背景超像素块对应的稀疏矩阵的异常值的特征,并通过SVM进行模型训练;在进行检测时,提取前景和背景超像素块对应的稀疏矩阵的异常值的特征,再使用已经训练好的模型进行判断超像素块是否属于前景。本发明的有益效果为:在保证检测结果F‑measure值在0.85左右的情况下,检测速度是已有RPCA扩展模型的50倍左右,可以用于智能安防监控中实时提取出运动目标,可以作为后续的图像分类、目标检测、目标识别的基础工作。
主权项:1.一种基于RPCA和支持向量机的快速运动目标检测算法,其特征在于:包括模型训练、目标检测,所述模型训练优先于目标检测进行;所述模型训练包括如下六个步骤:A、超像素分割:将视频中的每一帧图像提取出来,并对每一帧图像进行超像素分割;B、灰度化:对彩色视频进行灰度化,将视频中的每一帧图像提取出来,并将每一张图像进行灰度化处理,灰度化处理通过对彩色图像中的三分量亮度求平均得到灰度值;C、合并向量:对灰度化后的视频中的列化成向量,将每一帧对应的列向量组成一个二维矩阵;D、RPCA分解:对步骤C中得到的二维矩阵进行RPCA分解,得到视频的前景矩阵和背景矩阵,前景矩阵和背景矩阵的维度是一致的,前景矩阵中的像素值都属于异常值,且前景矩阵中包含了噪声和运动目标;E、提取特征:提取前景和背景超像素块的特征,具体方法为,得到一个超像素块所有像素的坐标,然后根据坐标在前景矩阵中取出对应坐标相应的异常值组成一个异常值向量,提取异常值向量的如下四个特征:均值、方差、0范数和直方图;F、模型训练:使用SVM对提取到的前景和背景特征进行训练;所述目标检测包括如下六个步骤:A、超像素分割;B、灰度化;C、合并向量;D、RPCA分解;G、提出待检测视频帧所有超像素的特征:得到一个超像素块所有像素的坐标,根据坐标在前景矩阵中取出对应坐标相应的异常值组成一个异常值向量,提取异常值向量的如下四个特征:均值、方差、0范数和直方图;H、根据已经训练好的模型计算超像素特征是否属于前景,最后输出前景运动目标。
全文数据:
权利要求:
百度查询: 江苏信息职业技术学院 一种基于RPCA和支持向量机的快速运动目标检测算法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。