基于高阶阈值算子与张量全变分的前景检测

摘要：

基于鲁棒主成分分析(RPCA)的方法有一个潜在的假设,即场景中移动物体的像素是稀疏离群值,其往往忽略了物体的时间和空间结构,导致这些方法在动态背景、遮挡、光照变化等场景下检测效果降低.针对这一问题,提出了一种基于张量鲁棒主成分分析(TRPCA)的张量非凸稀疏模型.首先,利用三种常见收缩算子的优点,引入了二阶广义收缩阈值算子(GSTO),探索适用于高阶张量数据的高阶广义阈值收缩算子(HoGSTO),进而提升背景建模的鲁棒性;然后,为了表征视频前景中移动目标像素之间的相关性,在视频前景建模的过程中,利用张量全变分正则化(TTV)增强前景的时空连续性;接着,通过自适应l1范数对视频中的动态成分建模,避免了对前景建模产生干扰.多个视频帧的实验结果表明,该方法在移动目标检测任务中优于现有的方法,能够更好地分离前景和背景.

关键词：移动目标检测、张量鲁棒主成分分析、收缩阈值、张量全变分、自适应l1范数

所属期刊栏目：52

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;河北省自然科学基金;天津市自然科学基金;北航北斗技术成果转化;产业化资金资助项目;河北省高等学校科学技术研究项目

在线出版日期：2023-09-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：31-40