文献类型：期刊文章

作　　者：董永峰[1,4] 刘沛东[1] 李林昊[1,2,3] 李英双[4]

DONG Yongfeng;LIU Peidong;LI Linhao;LI Yingshuang(School of Artificial Intelligence,Hebei University of Technology,Tianjin 300401,China;Hebei Province Key Laboratory of Big Data Computing,Tianjin 300401,China;Hebei Engineering Research Center of Data-Driven Industrial Intelligent,Tianjin 300401,China;Information Security and Technology Service Center,Hebei University of Technology,Tianjin 300401,China)

机构地区：[1]河北工业大学人工智能与数据科学学院,天津300401 [2]河北省大数据计算重点实验室,天津300401 [3]河北省数据驱动工业智能工程研究中心,天津300401 [4]河北工业大学信息安全与技术服务中心,天津300401

出　　处：《河北工业大学学报》

基　　金：国家自然科学基金(61902106);河北省自然科学基金(F2020202028);天津市自然科学基金(19JCZDJC40000);北航北斗技术成果转化及产业化资金资助项目(BARI2001);河北省高等学校科学技术研究项目(QN2021213)。

年　　份：2023

卷　　号：52

期　　号：4

起止页码：31-40

语　　种：中文

收录情况：AJ、CAS、ZGKJHX、ZMATH、普通刊

摘　　要：基于鲁棒主成分分析(RPCA)的方法有一个潜在的假设,即场景中移动物体的像素是稀疏离群值,其往往忽略了物体的时间和空间结构,导致这些方法在动态背景、遮挡、光照变化等场景下检测效果降低。针对这一问题,提出了一种基于张量鲁棒主成分分析(TRPCA)的张量非凸稀疏模型。首先,利用三种常见收缩算子的优点,引入了二阶广义收缩阈值算子(GSTO),探索适用于高阶张量数据的高阶广义阈值收缩算子(HoGSTO),进而提升背景建模的鲁棒性;然后,为了表征视频前景中移动目标像素之间的相关性,在视频前景建模的过程中,利用张量全变分正则化(TTV)增强前景的时空连续性;接着,通过自适应l1范数对视频中的动态成分建模,避免了对前景建模产生干扰。多个视频帧的实验结果表明,该方法在移动目标检测任务中优于现有的方法,能够更好地分离前景和背景。

关 键 词：移动目标检测  张量鲁棒主成分分析  收缩阈值  张量全变分  自适应l1范数  

分 类 号：TP391.4]