论文研究 基于低秩稀疏分解的自适应运动目标检测算法.pdf

传统的低秩稀疏分解方法使用[l1]范数把场景中的运动目标建模为稀疏离群值，分离出低秩的背景成分与稀疏的运动目标成分。然而，在许多实际场景中往往会有动态背景的情形（例如水面波纹、树木摇动），[l1]范数并不能区分出这些干扰与真实目标，从而大大影响检测效果。实际上，运动目标区域中的像素不仅仅具有稀疏性，还具有空间分布上的连续性。通过引入空间融合稀疏约束，在空间连续性和稀疏性两方面对运动目标进行建模，使模型更符合目标像素的分布规律。同时，设计了一种自适应的参数更新方法，使算法的鲁棒性进一步提升。在公共数据集上的大量实验表明，相比于传统方法，该算法在准确率和鲁棒性方法有很大提高。