不完全鲁棒主成分分析的正则化方法及其在背景建模中的应用

被引：3

作者：

史加荣

郑秀云

杨威

机构：

[1] 西安建筑科技大学理学院

来源：

计算机应用 | 2015年 / 35卷 / 10期

关键词：

鲁棒主成分分析; 低秩矩阵恢复; 背景建模; 核范数最小化; 增广拉格朗日乘子法;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

针对现有的鲁棒主成分分析(RPCA)方法忽略序列数据的连续性及不完整性的情况,提出了一种低秩矩阵恢复模型——正则化不完全鲁棒主成分分析(RIRPCA)。首先基于序列数据连续性的度量函数建立了RIRPCA模型,即最小化矩阵核范数、L1范数和正则项的加权组合;然后使用增广拉格朗日乘子法来求解所提出的凸优化模型,此算法具有良好的可扩展性和较低的计算复杂度;最后,将RIRPCA应用到视频背景建模中。实验结果表明,RIRPCA比矩阵补全和不完全RPCA等方法在恢复丢失元素和分离前景上具有优越性。

引用

页码：2824 / 2827+2832 +2832

页数：5

共 14 条

[1]

Robust principal component analysis with missing data. SHANG F,LIU Y,CHENG J,et al. Proceedings of the 23rd ACM International Conference on Information and Knowledge Management . 2014

[2]

Matrix completion with noise. Candes, Emmanuel J.,Plan, Yaniv. Proceedings of Tricomm . 2010

[3]

Robust principal component analysis: Exact recovery of corrupted low-rankmatrices via convex optimization. Wright J,Ganesh A,Rao S, etal. Proceedings of Neural Information Processing Systems (NIPS) . 2009

[4]

The power of convex relaxation: near-optimal matrix completion. Emmanuel J. Candès,Terence Tao. IEEE Transactions on Information Theory . 2010

[5]

Principal component analysis. Jolliffe IT. . 2002

[6]

Robust low-rank tensor recovery:models and algorithms. Goldfarb D,Qin Z W. SIAM Journal on Computing . 2014

[7]

The augmented lagrange multiplier meth-od for exact recovery of corrupted low-rank matrices. Lin Z,Chen M,Wu L. UILU-ENG-09-2215 . 2009

[8] Exact Matrix Completion via Convex Optimization [J].

Candes, Emmanuel J. ;

Recht, Benjamin .

FOUNDATIONS OF COMPUTATIONAL MATHEMATICS, 2009, 9 (06) :717-772

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

Candes, Emmanuel J. ;

Li, Xiaodong ;

Ma, Yi ;

Wright, John .

JOURNAL OF THE ACM, 2011, 58 (03)

[10] 低秩矩阵恢复算法综述 [J].

史加荣 ;

郑秀云 ;

魏宗田 ;

杨威 .

计算机应用研究, 2013, 30 (06) :1601-1605

← 1 2 →