基于稀疏和低秩矩陣恢復(fù)的目標(biāo)檢測(cè)算法研究.pdf

1、背景建模對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)至關(guān)重要，然而傳統(tǒng)的背景建模計(jì)算復(fù)雜高，分割精度低，很難處理諸如具有光照變化和動(dòng)態(tài)紋理等特征的復(fù)雜環(huán)境。另外，數(shù)據(jù)維數(shù)的不斷增長(zhǎng)給背景建模帶來(lái)了很大的挑戰(zhàn)。近來(lái)，在機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺領(lǐng)域，諸如主成分分析(PCA)模型等稀疏性的學(xué)習(xí)引起了很大的關(guān)注。
　　 為了解決上述的問(wèn)題John Wright改進(jìn)了典型PCA提出Robust PCA(RPCA)，它是指在當(dāng)矩陣的某些元素被嚴(yán)重破壞后，仍然能夠恢復(fù)出原矩

2、陣圖像，研究者們又相繼提出ALM、PCP等恢復(fù)算法。然而ALM等算法只把問(wèn)題當(dāng)成了一個(gè)半定規(guī)劃(SDP)問(wèn)題處理，忽略了目標(biāo)模型和限制條件的特殊的可分離結(jié)構(gòu)，準(zhǔn)確性不高。
　　 基于上述問(wèn)題，本文利用圖片每一幀之間的相似性來(lái)形成一個(gè)子空間，通過(guò)這個(gè)子空間來(lái)塑造背景的全局變量。當(dāng)出現(xiàn)一幀新的圖像，就會(huì)投影到這個(gè)子空間中，剩余的部分就是需要提取的前景目標(biāo)，利用這種思想處理諸如光照變化和動(dòng)態(tài)紋理這些全局變量具有巨大的優(yōu)勢(shì)，主要工作為:

3、
　　 分析了Robust PCA，將低秩和稀疏矩陣恢復(fù)理論應(yīng)用到運(yùn)動(dòng)目標(biāo)檢測(cè)問(wèn)題，提出了一種基于Robust-PCA的新框架，將視頻序列分解為低秩部分和稀疏部分。針對(duì)所提框架和問(wèn)題，提出了一種新算法解決上述優(yōu)化問(wèn)題，實(shí)驗(yàn)證明所提問(wèn)題框架和算法的良好性能。
　　 現(xiàn)有的目標(biāo)檢測(cè)算法易受光照變化和動(dòng)態(tài)紋理等因素影響，針對(duì)這一問(wèn)題，本文充分利用模型的特殊可分離結(jié)構(gòu)，提出改進(jìn)的交替方向方法(VADM)，并從理論上證明了算法的收