[论文解读] Detection of Moving Object in Dynamic Background Using Gaussian Max-Pooling and Segmentation Constrained RPCA

Yang Li, Guangcan Liu+1 more|arXiv (Cornell University)|Sep 3, 2017

Advanced Measurement and Detection Methods被引用 7

一句话总结

本文提出了一种针对动态背景的新型运动目标检测方法，采用高斯最大池化（Gaussian max-pooling）提取稳定的像素值，并引入基于视频分割的组稀疏性约束的低秩表示优化模型（Segmentation Constrained RPCA, SC-RPCA），以增强对光照变化、水波、雪等动态背景变化的鲁棒性，在CDCNET 2014基准测试中相比现有最先进方法取得了更优的F-measure性能。

ABSTRACT

Due to its efficiency and stability, Robust Principal Component Analysis (RPCA) has been emerging as a promising tool for moving object detection. Unfortunately, existing RPCA based methods assume static or quasi-static background, and thereby they may have trouble in coping with the background scenes that exhibit a persistent dynamic behavior. In this work, we shall introduce two techniques to fill in the gap. First, instead of using the raw pixel-value as features that are brittle in the presence of dynamic background, we devise a so-called Gaussian max-pooling operator to estimate a "stable-value" for each pixel. Those stable-values are robust to various background changes and can therefore distinguish effectively the foreground objects from the background. Then, to obtain more accurate results, we further propose a Segmentation Constrained RPCA (SC-RPCA) model, which incorporates the temporal and spatial continuity in images into RPCA. The inference process of SC-RPCA is a group sparsity constrained nuclear norm minimization problem, which is convex and easy to solve. Experimental results on seven videos from the CDCNET 2014 database show the superior performance of the proposed method.

研究动机与目标

• 解决基于RPCA的方法在背景运动破坏静态背景假设时的局限性。
• 通过估计对光照变化、水波和雪具有抗性的稳定像素值，提升动态场景中的特征表示能力。
• 通过将视频分割作为组稀疏性约束，引入时间与空间连续性，提升检测精度。
• 构建一种既高效又有效的凸优化框架，适用于实时监控应用。

提出的方法

• 提出高斯最大池化（Gaussian max-pooling），一种新颖的算子，通过高斯加权最大操作聚合局部强度变化，为每个像素计算稳定值。
• 采用超像素分割对空间上一致的区域进行分组，随后通过子空间聚类形成时间上一致的图像与视频片段。
• 将分割结果作为组稀疏性约束引入RPCA，形成SC-RPCA模型，其数学形式为凸核范数最小化问题。
• 通过组稀疏性约束优化求解SC-RPCA问题，提升前景与动态背景的分离效果。
• 采用两阶段处理流程：首先通过高斯最大池化估计稳定值，随后应用SC-RPCA实现鲁棒的前景检测。
• 使用CDCNET 2014数据集进行评估，对比11种方法在多样化动态场景下的性能表现。

实验结果

研究问题

• RQ1 通过高斯最大池化进行稳定值估计，是否能提升对水波、雪等动态背景变化的鲁棒性？
• RQ2 通过视频分割引入时间与空间连续性，是否能提升动态场景中前景检测的准确性？
• RQ3 所提出的SC-RPCA模型在处理复杂动态背景时，相较于标准RPCA及其他最先进方法表现如何？
• RQ4 来自分割的组稀疏性在挑战性监控场景中，对运动目标识别的提升程度如何？

主要发现

• 在'blizzard'视频中，所提方法取得0.942的F-measure，优于所有对比方法，包括CP3online与KDE。
• 在'canoe'视频中，方法取得0.901的F-measure，显著优于Xue（0.387）与欧氏距离方法（0.767）。
• 在'boats'视频中，方法取得0.863的F-measure，优于GMM（0.787）与CP3online（0.815）。
• 在'overpass'视频中，方法取得0.851的F-measure，优于多数方法，仅CP3online（0.863）略高。
• 在'winterDriveway'视频中，方法取得0.843的F-measure，优于CP3online（0.815）与GMM（0.787）。
• 图7的视觉结果表明，仅本方法与CP3online在雪天及动态场景中能一致检测到运动目标，且本方法误报更少。