专利交易市场

本发明公开了一种基于改进的低秩稀疏分解(LRSD)的视频前背景分离方法。在观测的视频数据中，帧与帧之间的背景有较强的相关性可以将其看作低秩矩阵，而前景目标呈现出与背景不同的运动形式，可以被认为是低秩矩阵中的异常点且通常只占整个背景中的一小部分，符合稀疏特性。因此，在LRSD中认为视频数据是由具有低秩特性的背景和稀疏特性的前景构成的。本发明采用广义核范数和拉普拉斯尺度混合来构建一个低秩稀疏分解模型，然后采用交替方向乘子法来求解该模型，得到低秩矩阵和稀疏矩阵，从而完成视频的前背景分离。本发明解决了现有低秩稀疏分解方法中对秩函数和稀疏度函数近似表达不准确的问题，提高了基于低秩稀疏分解的视频前背景分离方法的性能。

本发明公开了一种基于鲁棒低秩稀疏分解的视频前背景分离方法，将待处理视频转化为一个大小为m行，n列的二维矩阵M，m为视频每帧的长宽积，n为视频的帧数；将二维矩阵M输入至预先构建的基于鲁棒低秩稀疏分解的视频前背景分离方法的模型，输出对应于视频背景的低秩矩阵B、对应于视频前景的稀疏矩阵F和噪声矩阵G；所述基于鲁棒低秩稀疏分解的视频前背景分离方法的模型采用广义非凸核范数作为模型的秩函数，采用结构化稀疏诱导范数作为模型的l0范数，并增加噪声项。优点：与传统的视频前背景分离方法比较，鲁棒性好，抗噪声强，对带噪声的视频的前背景分离效果好。

本发明公开了一种基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，包括：1)对原图像进行超像素聚类，并提取每个超像素的颜色、纹理和边缘特征，据此构成特征矩阵；2)在MSRA数据库中，基于梯度下降法学习得到特征变换矩阵；3)在MSRA数据库中，利用全卷积神经网络学习得到高层语义先验知识；4)利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换；5)利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解，并根据分解得到的稀疏噪声计算显著图。本发明作为图像预处理过程，可以被广泛的应用到视觉跟踪、图像分类、图像分割和目标重定位等视觉工作领域。