基于稀疏性和連通性的增量式運(yùn)動目標(biāo)檢測算法.pdf

1、運(yùn)動目標(biāo)檢測是視頻自動分析中的重要一環(huán)。對于由固定攝像機(jī)拍攝的視頻而言，運(yùn)動目標(biāo)檢測可看作前景與背景的分離問題。它假設(shè)視頻中的背景區(qū)域是由一個低維子空間展開的，而前景區(qū)域則處于該低維子空間之外。然而在現(xiàn)實中，很多情況都會打破上述假設(shè):一方面是動態(tài)背景（如晃動的樹葉或者水的波紋）和噪聲的存在會導(dǎo)致背景區(qū)域不能完全由一個低維子空間生成，從而導(dǎo)致誤檢;另一方面與背景十分相似以及運(yùn)動緩慢的前景區(qū)域會難以與背景分離，從而導(dǎo)致漏檢。因此，魯棒而高效

2、的運(yùn)動目標(biāo)檢測是一個很有挑戰(zhàn)性的任務(wù)。
　　DECOLOR(DEtecting Contiguous Outliers in the LOw-rank Representation)算法是現(xiàn)今效果最優(yōu)的批量式運(yùn)動目標(biāo)檢測算法。該算法在對背景進(jìn)行假設(shè)的同時利用了前景區(qū)域的平滑性和稀疏性，從而得到較好的檢測效果。然而，批量式運(yùn)動目標(biāo)檢測算法需要對視頻的整體進(jìn)行統(tǒng)一處理而不能逐幀處理，并且檢測效率較低。
　　GRASTA(Gras

3、smannian Robust Adaptive Subspace Tracking Algorithm)算法是近年來比較流行的增量式運(yùn)動目標(biāo)檢測算法。該算法可以對視頻逐幀處理，且效率很高。然而，該算法僅僅對前景區(qū)域添加了稀疏性的約束，并不能得到很好的檢測結(jié)果。因此，本文提出了一種基于稀疏性和連通性的增量式運(yùn)動目標(biāo)算法。基于前景區(qū)域應(yīng)該是平滑的先驗知識，該算法不但考慮了對背景區(qū)域的約束，而且增加了對前景區(qū)域的稀疏性和連通性的約束，并把兩