基于低秩稀疏分解的自适应运动目标检测算法

摘要：

传统的低秩稀疏分解方法使用l 1范数把场景中的运动目标建模为稀疏离群值,分离出低秩的背景成分与稀疏的运动目标成分.然而,在许多实际场景中往往会有动态背景的情形(例如水面波纹、树木摇动),l 1范数并不能区分出这些干扰与真实目标,从而大大影响检测效果.实际上,运动目标区域中的像素不仅仅具有稀疏性,还具有空间分布上的连续性.通过引入空间融合稀疏约束,在空间连续性和稀疏性两方面对运动目标进行建模,使模型更符合目标像素的分布规律.同时,设计了一种自适应的参数更新方法,使算法的鲁棒性进一步提升.在公共数据集上的大量实验表明,相比于传统方法,该算法在准确率和鲁棒性方法有很大提高.

关键词：鲁棒主成分分析(RPCA)、低秩建模、空间约束、前景检测

所属期刊栏目：54

分类号：TP391(计算技术、计算机技术)

在线出版日期：2019-01-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：189-194