基于分层鲁棒主成分分析的运动目标检测

被引：10

作者：

仓园园 ^{[1
]}

孙玉宝 ^{[1
,2
]}

刘青山 ^{[1
]}

机构：

[1] 南京信息工程大学信息与控制学院

[2] 南京理工大学江苏省光谱成像与智能感知重点实验室

来源：

计算机辅助设计与图形学学报 | 2014年 / 04期

关键词：

运动目标检测; 加权鲁棒主成分分析模型; 3D全变差模型;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

针对鲁棒主成分分析(RPCA)模型未能有效地利用运动目标时空连续性先验,容易将背景中的动态细节误判为运动目标的问题,提出了基于分层RPCA的运动目标检测方法.第一层RPCA模型对下采样的低分辨视频进行快速分解,动态地估计可能的运动区域,并利用时空域3D全变差模型来去除稀疏成分中的非结构化的背景扰动,确定显著的运动目标区域,生成运动区域map;第二层构建加权的RPCA模型,根据估计的运动区域map对候选前景进行阈值加权,鲁棒地检测运动目标,得到清晰完整的前景.实验结果证明,该方法能够有效地处理复杂动态背景的运动目标检测.

引用

页码：537 / 544

页数：8

共 6 条

[1] 基于时空背景差的运动目标检测算法 [J].

肖梅 ;

韩崇昭 ;

张雷 .

计算机辅助设计与图形学学报, 2006, (07) :1044-1048

[2] 在线高斯混合模型和纹理支持的运动分割 [J].

向世明 ;

陈睿 ;

邓宇 ;

李华 .

计算机辅助设计与图形学学报, 2005, (07) :1504-1509

[3] Robust Principal Component Analysis? [J].

Candes, Emmanuel J. ;

Li, Xiaodong ;

Ma, Yi ;

Wright, John .

JOURNAL OF THE ACM, 2011, 58 (03)

[4]

Incremental subspace learning via non-negative matrix factorization[J] . Serhat S. Bucak,Bilge Gunsel.Pattern Recognition . 2008 (5)

[5]

Efficient adaptive density estimation per image pixel for the task of background subtraction[J] . Zoran Zivkovic,Ferdinand van der Heijden.Pattern Recognition Letters . 2005 (7)

[6]

A Framework for Robust Subspace Learning[J] . Fernando De la Torre,Michael J. Black.International Journal of Computer Vision . 2003 (1)

← 1 →