买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉金华航大北斗应用技术有限公司申请的专利基于加权低秩和邻域组稀疏分解的运动目标检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN113989700B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111168791.5，技术领域涉及：G06V20/40；该发明授权基于加权低秩和邻域组稀疏分解的运动目标检测方法是由张井合;李林昊;张大蔚;董永峰设计研发完成，并于2021-09-30向国家知识产权局提交的专利申请。

本基于加权低秩和邻域组稀疏分解的运动目标检测方法在说明书摘要公布了：本发明公开一种基于加权低秩和邻域组稀疏分解的移动目标检测方法，包括：一取每帧图像的灰度图，并将像素归一化到[0,1]区间；二根据像素的圆形邻域，构造每个视频帧的重叠局部图像组，并给出邻域组稀疏诱导范数的表达式；三将D分解为低秩背景矩阵B、结构化稀疏前景S以及高斯噪声矩阵E；四以S的结构信息和背景减除后的残差噪声建模结果，构造权重W；五根据上述过程建立最终的加权低秩和邻域组稀疏分解模型；六对第五步的模型以交替方向乘子法求解，在迭代过程中更新权重，最终得到前景目标。本本发明可检测出短暂或较长时间停滞的前景对象、能处理复杂的动态背景和增强检测前景的完整性，在F‑measure指标和视觉效果上都优于其他模型的检测效果。

本发明授权基于加权低秩和邻域组稀疏分解的运动目标检测方法在权利要求书中公布了：1.一种基于加权低秩和邻域组稀疏分解的移动目标检测方法，其特征在于：包括步骤如下： S1、获取n帧图像的灰度图，每帧包含m个像素，将像素归一化到[0,1]区间，然后将这些帧向量化并堆叠为观测视频矩阵D∈Rm×n； S2、根据像素的圆形邻域，构造每个视频帧的重叠局部图像组，并给出邻域组稀疏诱导范数的表达式； S3、将观测视频矩阵D分解为低秩背景矩阵B、结构化稀疏前景矩阵S以及高斯噪声矩阵E，其中E分量吸收动态背景和其他噪声； S4、以结构化稀疏前景矩阵S的结构信息和背景减除后的残差噪声建模结果，构造权重矩阵W表达式； S5、根据上述邻域组稀疏诱导范数表达式、观测视频矩阵D的分解方式以及权重矩阵W的表达式，建立最终的加权低秩和邻域组稀疏分解WLNGS模型； S6、对步骤S5中的WLNGS模型以交替方向乘子法ADMM求解，在迭代过程中更新权重，最终得到前景目标； 所述步骤S2中邻域组稀疏诱导范数的表达式为： 其中gij＝{p,q|p-i2+q-j2≤rN 2}，表示圆形邻域中像素的索引集合；||·||∞表示无穷范数；sk是矩阵S的第k列，是以集合gij中元素为索引形成的稀疏向量sk的子集；表示各组的权重； 所述步骤S4中的权重矩阵W∈Rm×n的表达式为： 其中di2j2、bi2j2、si2j2和wi2j2分别表示D、B、S和W在i2，j2位置上的元素，bi2j2在每次迭代求解过程中计算得到；δ2为尺度参数，控制非零权重的数值大小；当si2j2＝0时，i2，j2位置为背景像素且受高斯噪声的影响，权重wi2j2以高斯核构建；当si2j2≠0时，i2，j2位置是前景像素且对背景的恢复没有贡献，权重wi2j2为0； 所述步骤S5中的WLNGS模型具体为： 其中U∈Rm×r和V∈Rr×n是低秩矩阵，r＜＜min{m,n}，B＝UV为约束条件，参数λ＞0，控制对S的组稀疏惩罚度； 所述步骤S6具体包含以下步骤： S61、初始化：给定观测视频矩阵D∈Rm×n，设置初始参数λ＞0、μ＞0和ρ＞1.0，随机初始化矩阵B0、S0、U0、V0和W0,乘子Z0＝0，迭代次数t＝0； S62、更新变量U和V： S63、更新变量B： S64、更新变量S： S65、更新变量W： S66、更新乘子Z：Zt+1＝Zt+μtBt+1-Ut+1Vt+1； S67、更新变量μ：μt+1＝ρμt； S68、算法终止条件为或达到最大迭代次数100；若终止条件满足，迭代结束；否则，令t＝t+1同时返回步骤S62。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人金华航大北斗应用技术有限公司，其通讯地址为：321035 浙江省金华市金东区金义都市新区金山大道南658号金山科创园305(自主申报)；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。