论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　摘 要：从监控视频场景中提取出运动对象，对于后续场景理解、语义分析、智能处理有着重要的意义。提取运动对象有检测、跟踪等多种手段，本文提出一种基于压缩感知的监控视频运动对象提取算法，将视频数据分解为稀疏和低秩分量，实验表明算法的有效性。

　　关键词：压缩感知；运动对象；提取

　　中图分类号：TP391.41

　　运动对象的提取可以通过检测、跟踪等方法来实现，是计算机视觉领域具有挑战性的研究任务之一，由于场景中对象的外形和运动特点经常发生突变，使得实现鲁棒的跟踪算法极其困难。影响跟踪的主要因素有遮挡、对象姿态、亮度及运动状态的变化等，要能同时处理所有的这些变化，跟踪方法通常需要具备复杂的观察、运动模型及有效的跟踪模型。

　　外观模型用于评价候选状态是否是真实目标状态的可能性并选择最佳候选状态作为当前帧的跟踪结果，其对于实现正确的跟踪十分重要，根据所使用的外观模型，通常可将跟踪算法分为产生式和辨别式两种。产生式跟踪算法先通过建立模型来表达目标对象，如用特征空间、线性子空间仿射形变，自适应低维子空间等表示方法，再使用该模型搜索具有最小重构误差的图像区域；辨别式跟踪算法把跟踪问题视为二值分类任务，寻找从背景中分离目标对象的边界，稀疏贝叶斯学习、在线多实例学习等方法被用来处理跟踪过程中出现的遮挡、严重形变等复杂情况，从而实现对象的可靠跟踪。

　　运动模型用于预测目标随着时间最有可能的运动，为跟踪器提供多个候选状态，典型的运动模型有粒子滤波或卡尔曼滤波。粒子滤波基于蒙特卡洛方法（Monte Carlo methods），它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法（Sequential Importance Sampling）。

　　基本的跟踪器可以把一对基本的观察模型和运动模型构建为一个马尔可夫链模型，用来产生估计最大后验概率的状态抽样。多个基本的跟踪器交换信息可以实现这些模型彼此间信息融合，例如使用交互式马尔可夫链蒙特卡洛来实现多个跟踪模型间的并行与交互。本文提出一种基于压缩感知的监控视频运动对象提取算法。

　　1 问题构造

　　与图像显著性检测不同，视频中的运动区域更吸引人的注意力，视频显著性区域不是每一单独帧中具有较大对比度的区域。由于相邻帧的相关性，视频中的运动区域能通过低秩和稀疏分解从背景中分离出来。前景运动对象，例如汽车、行人通常占图像像素的一小部分，因此可视为稀疏误差。记视频沿X-T和Y-T的时片为矩阵S，很自然地，低秩分量对应为背景，稀疏分量对应前景运动对象。