基于協(xié)同低鐵分解的快速多模態(tài)運(yùn)動(dòng)目標(biāo)檢測研究.pdf

1、運(yùn)動(dòng)目標(biāo)檢測是計(jì)算機(jī)視覺中一項(xiàng)重要并具有挑戰(zhàn)性的問題，同時(shí)也在一些視覺應(yīng)用中扮演著重要的角色。例如:視頻監(jiān)控，無人駕駛和機(jī)器人技術(shù)。
　　近年來，這項(xiàng)研究在計(jì)算機(jī)視覺領(lǐng)域中取得了顯著的成果，并且一些運(yùn)動(dòng)目標(biāo)檢測方法在工程中也有了廣泛的應(yīng)用。但是在某些極端天氣下，如低光照，嚴(yán)重霧霾等惡劣環(huán)境中，由于可見光條件下成像質(zhì)量的局限性，基于可見光的單模態(tài)運(yùn)動(dòng)目標(biāo)檢測算法難以實(shí)現(xiàn)較魯棒的檢測結(jié)果。為了解決此問題，通過引入熱紅外光譜信息來彌補(bǔ)可

2、見光譜信息的不足，最終通過兩種模態(tài)之間的信息融合實(shí)現(xiàn)更加魯棒的運(yùn)動(dòng)目標(biāo)檢測。
　　本文針對(duì)復(fù)雜場景下多模態(tài)運(yùn)動(dòng)目標(biāo)檢測算法進(jìn)行了相關(guān)的研究，主要工作如下:
　　(1)提出了一種基于協(xié)同低秩分解的多模態(tài)運(yùn)動(dòng)目標(biāo)檢測(CLoD)算法。旨在通過融合不同模態(tài)之間的信息，從而實(shí)現(xiàn)魯棒的運(yùn)動(dòng)目標(biāo)檢測。具體地，將不同數(shù)據(jù)來源的視頻幀收集起來，會(huì)得到兩個(gè)不同的數(shù)據(jù)矩陣。針對(duì)具有低秩結(jié)構(gòu)的背景矩陣，運(yùn)動(dòng)目標(biāo)被視為能夠檢測到的稀疏噪聲。對(duì)于一般

3、的多模態(tài)方法而言，每個(gè)模態(tài)之間是獨(dú)立的，貢獻(xiàn)也是相同的。這就在一定程度上限制了處理偶然干擾或者某一數(shù)據(jù)源較差導(dǎo)致檢測效果不理想的能力。為了解決這個(gè)問題，在本文工作中，將不同模態(tài)的背景矩陣聯(lián)合在一起，并對(duì)聯(lián)合的背景矩陣加以低秩約束，并在此基礎(chǔ)上，本文還設(shè)計(jì)了一個(gè)自適應(yīng)的權(quán)重用來實(shí)現(xiàn)不同模態(tài)之間的自適應(yīng)融合，從而有效解決上述問題。對(duì)于優(yōu)化，與大部分方法將背景約束松弛到核范數(shù)的求解方式不同，本文將具有固定秩的協(xié)同背景矩陣分解成兩個(gè)低秩的子矩陣

4、，因此避免了每次迭代中多次使用SVD分解，使得算法的效率有了較大的提升。最后通過在最新公開的數(shù)據(jù)集GTFD上的大量實(shí)驗(yàn)表明，本文提出的方法相對(duì)比其他方法在準(zhǔn)確性與效率方面都取得了較理想的結(jié)果。
　　(2)為了進(jìn)一步加快協(xié)同低秩分解算法的檢測效率，本文提出了一種更加有效的算法。具體地，用一個(gè)固定大小的時(shí)空窗把每個(gè)視頻劃分成若干塊，每一塊是由多個(gè)時(shí)間上相鄰且重合的圖像區(qū)域組成。這不僅僅可以壓縮視頻噪聲而且能夠顯著的減少計(jì)算負(fù)擔(dān)。同時(shí)，