没有合适的资源?快使用搜索试试~ 我知道了~
论文研究-基于低秩稀疏分解的自适应运动目标检测算法.pdf
需积分: 29 4 下载量 173 浏览量
2019-09-06
16:40:39
上传
评论
收藏 1.34MB PDF 举报
温馨提示
试读
6页
传统的低秩稀疏分解方法使用[l1]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),[l1]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。
资源详情
资源评论
资源推荐
计算机工程与应用
www.ceaj.org
2018,54(23)
1 引言
运动目标检测是许多计算机视觉应用的第一步,例
如交通监控、机器人导航、增强现实等
[1]
。运动目标检测
的任务就是把被称为“前景”的运动目标区域从被称为
“背景”的场景中分离出来,为目标识别、目标跟踪、目标
行为分析提供可靠而准确的数据
[2]
。因此,运动目标检
测是计算机应用中十分关键的一步。
常见的运动目标检测算法有差分法、光流法、背景
减除法等。其中背景减除法是最主要的一类方法。在
此类方法中,背景通常被假设是静止的,通过比较当前
图像与背景模型的不同来得到前景。在过去的几十年
内,国内外学者们建立了一系列的背景建模方法,包括
单高斯模型
[3]
、混合高斯模型
[4]
、非参数核模型
[5]
、隐马尔
科夫模型
[6]
、线性回归模型
[7]
、ViBe背景减除
[8]
方法等。然
而,实际场景下的运动目标检测问题,往往受到背景杂
波、噪声、光照变化、场景中存在的阴影等因素的影响,
现有的运动目标检测算法难以处理各种复杂的场景
[9]
。
近 几年 ,鲁 棒 主 成 分 分 析 理 论(Robust Principle
Component Analysis,RPCA)
[10-11]
出现,其在运动目标检
测领域受到了越来越多的关注。其核心思想在于在摄
基于低秩稀疏分解的自适应运动目标检测算法
朱 林,郝元宏,蒋秀蓉
ZHU Lin, HAO Yuanhong, JIANG Xiurong
北方自动控制技术研究所,太原 030000
North Automatic Control Technology Institute, Tai yuan 030000, China
ZHU Lin, HAO Yuanhong, JIANG Xiurong. Adaptive moving object detection based on low-rank and sparse
decomposition. Com put er Engineering and Applications, 201 8, 54(23):189-194.
Ab stract:Low rank and sparse decompo sition based methods use
l
1
-no rm penalty to model moving object as sparse
outliers. With these methods, the observed video matrix can be decomposed into a sparse matrix and a low -rank matri x,
which model the foreground and background respectively. How ever, in many practical scenarios, the background is usually
affected by dynamic background(e.g.water surface, waving trees), thus the fixed
l
1
-n orm cannot offer a satisfactory
performance. The distribu tions of the moving parts are not only pixel-wised sparse but also spatial continuous. In this
paper, by introduc ing the spatial fused sparse constraint into low-rank model, the foreground is constrained by both spatial
continuity constrai nt and sparse constraint. Furthermore, an adaptive parameter selection method is a dopted in the
propos ed method. Experiment s on publ ic datas ets demonstrate that the prop osed method outp erforms the state-of-the-arts
methods and works effectively on complex video s.
Key wor ds:Robust Principle Component Analysis(RPCA); low-rank modeling; spatial constraint; foreground detec tion
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(RP CA);低秩建模;空间约束;前景检测
文献标志码:A 中图分类号:TP39 1 doi:10.3778/j.issn. 100 2-8331.1708-0358
作者简介:朱林(1992—),男,硕士研究生,研究领域为图像处理,E-mail:imanalysis@163.com;郝元宏(1 982—),男,副研究员,研
究领域为图像处理与图像识别。
收稿日期:2017- 08-29 修回日期:2017- 10-16 文章编号:1002- 8331(2018)23-0189-06
CN KI网络出版:2018-03-12 , http://kns.cnki. net/kcm s/detail/11.2127.TP.20180312.0852 .002.html
Computer Engineeri ng and Ap plications计算机工程与应用
189
weixin_38744375
- 粉丝: 372
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0