基于迭代张量高阶奇异值分解的运动目标提取_徐联微

《基于迭代张量高阶奇异值分解的运动目标提取_徐联微》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、网络出版时间：2015-11-2510:22:57网络出版地址：http://www.cnki.net/kcms/detail/51.1196.TP.20151125.1022.022.html优先出版计算机应用研究第33卷基于迭代张量高阶奇异值分解的运动目标提取徐联微1，杨晓梅2(四川大学电气信息学院，成都610065))摘要：将基于凸优化的低秩矩阵恢复（LRMR）理论用于背景建模，当背景不稳定时，这种方法提取运动目标的效果不佳。由于矩阵的数据表示形式破坏了视频在时间和空间上的原始结构，采用张

2、量表征视频的高维结构特性，提出了一种基于迭代张量高阶奇异值分解（HOSVD）的运动目标提取方法。用高阶奇异值分解代替LRMR中的矩阵奇异值分解（SVD），利用增广拉格朗日乘子法重建出三维视频张量的背景部分和运动目标部分，并进一步对运动目标部分进行形态学开闭运算。实验结果证明，相比常用方法，本文方法错分率更低，能更准确完整地提取运动目标。关键词：背景建模；低秩矩阵恢复；张量；高阶奇异值分解；矩阵奇异值分解；运动目标提取；开闭运算中图分类号：TP391.41Movingobjectextractio

3、nbasedoniterativetensorhigh-ordersingularvaluedecompositionXuLianwei1,YangXiaomei2(CollegeofElectricalEngineering&Information,SichuanUniversity,Chengdu610065,China)Abstract:Themethodusingthetheoryoflow-rankmatrixrecovery(LRMR)basedonConvexOptimizatio

4、ntomodelthebackgroundcan’textractthemovingobjecteffectivelywhenthebackgroundisunstable.Sincematrixrepresentationofvideodamagedtheoriginaltemporalandspatialstructureofdata.thispaperproposedaapproachofmovingobjectextractionbasedoniterativetensorhigh-or

5、dersingularvaluedecomposition(HOSVD).whichutilizedthetensortocharacterizethehighdimensionalspatiotemporalstructureofvideo.TheproposedapproachusedtheHOSVDtoreplacethesingularvaluedecomposition(SVD)inLRMR.andutilizedtheaugmentedLagrangemultiplierstorec

6、onstructthebackgroundportionandmovingobjectportionofthree-dimensionalvideotensor.Additionally.theproposedapproachappliedmorphologicalopeningandclosingoperationstothemovingobjects.Comparingwithtraditionalmethods.theexperimentalresultsshowtheproposedme

7、thodcanextractthemovingobjectsmoreaccuratelyandcompletelywithlowermisclassificationrate.KeyWords:backgroundmodeling;low-rankmatrixrecovery;tensor;HOSVD;SVD;movingobjectextraction;openingandclosingoperations近年来，压缩感知和低秩理论的研究使稀疏和低秩表示成0引言为一种新的数据表示方式。基于凸优

8、化的矩阵重建技术作为一随着计算机视觉和图像处理的应用不断地广泛，运动目标种有效的数据分析手段在机器学习中扮演着重要的角色[6]。研检测引起了越来越多信号处理、计算机视觉和机器学习领域学究发现：当背景比较稳定时，图像序列帧与帧之间具有极大的者的研究，并将它很好地运用到相关应用中，例如：目标识别相似性，所以仅由背景像素点组成的数据矩阵具有低秩性；而[1]、行为分析、图像分割[2]等。目前，视频监控中常见的目标检前景在图像上的分布范围比较小，故前景像素点组成的数据矩测算法主要有3类[3]：光流法、帧间