基于稀疏和低秩矩陣恢復的目標檢測算法研究.pdf

1、背景建模對運動目標的檢測至關重要，然而傳統(tǒng)的背景建模計算復雜高，分割精度低，很難處理諸如具有光照變化和動態(tài)紋理等特征的復雜環(huán)境。另外，數(shù)據(jù)維數(shù)的不斷增長給背景建模帶來了很大的挑戰(zhàn)。近來，在機器學習和計算機視覺領域，諸如主成分分析(PCA)模型等稀疏性的學習引起了很大的關注。
　　 為了解決上述的問題John Wright改進了典型PCA提出Robust PCA(RPCA)，它是指在當矩陣的某些元素被嚴重破壞后，仍然能夠恢復出原矩

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

3、
　　 分析了Robust PCA，將低秩和稀疏矩陣恢復理論應用到運動目標檢測問題，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。針對所提框架和問題，提出了一種新算法解決上述優(yōu)化問題，實驗證明所提問題框架和算法的良好性能。
　　 現(xiàn)有的目標檢測算法易受光照變化和動態(tài)紋理等因素影響，針對這一問題，本文充分利用模型的特殊可分離結構，提出改進的交替方向方法(VADM)，并從理論上證明了算法的收