摘要
在许多计算机视觉任务中,运动目标检测是视频自动分析的基础步骤。近年来,许多基于鲁棒主成分分析(RPCA)的静态背景与运动前景分离的方法被提出来应用于运动目标检测。通过假设视频帧的背景与前景部分分别是低秩和稀疏的,传统的RPCA方法使用l1范式对前景部分进行稀疏约束,但在实际应用中,由于前景部分不一定是严格稀疏的,所以使用l1范式对前景进行约束可能过于严格,例如在处理具有相机抖动和动态背景等情况的视频时,会极大限制RPCA提取前景的有效性。基于传统RPCA方法并结合拉普拉斯尺度混合(LSM)模型,提出一种全新的提取运动物体的算法,称之为LSM_RPCA算法,该算法使用LSM模型对视频帧的前景部分进行建模,用以提高传统RPCA方法在提取运动目标时的精度。实验结果表明,LSM_RPCA算法在运动目标检测方面具有与其他顶尖算法相媲美的性能。
Moving Object Detection(MOD)is a fundamental step for automated video analysis in many computer vision tasks.Recently,different methods based on the Robust Principal Component Analysis(RPCA)have been proposed for static background and changing foreground separation.The classic RPCA model uses the l1-norm to characterize the sparse component in video,assuming the background to be lowrank while the foreground is spatially sparse.In practice,such assumption can be too restrictive,which should limit the effectiveness of the classic RPCA method,such as when processing videos with camera jitter,dynamic background,etc.In this paper,we proposed a novel MOD method,and modeled the sparse component with the Laplacian Scale Mixture(LSM)model instead of the l1-norm.Experiment re⁃sults demonstrate the potentials of the proposed method compared with the current state-of-the-art algorithms.
作者
邵泽瑞
SHAO Ze-rui(College of Computer Science,Sichuan University,Chengdu 610065)
出处
《现代计算机》
2021年第5期46-51,共6页
Modern Computer
基金
国家重点研发计划:高质高效的审判支撑关键技术及装备研究(No.2018YFC0830300)。
关键词
运动目标检测
鲁棒的主成分分析
拉普拉斯尺度混合模型
Moving Object Detection
Robust Principal Component Analysis
Laplacian Scale Mixture Model
