计算机应用

作者：陈利霞, 刘俊丽, 王学文

单位：1. 桂林电子科技大学 数学与计算科学学院, 广西 桂林 541000;2. 桂林电子科技大学 计算机与信息安全学院, 广西 桂林 541000

关键词：低秩稀疏分解,前景检测,加权Schatten-p范数,3D全变分

基金：桂林电子科技大学研究生科研创新项目（2017YJCX84）；广西高等教育本科教学改革工程项目（2017JGB230）。

针对低秩与稀疏方法一般将前景看作背景中存在的异常像素点，从而使得在复杂场景中前景检测精确度下降的问题，提出一种结合加权Schatten-p范数与3D全变分（3D-TV）的前景检测模型。该模型首先将观测数据三分为低秩背景、运动前景和动态干扰；然后利用3D全变分来约束运动前景，并加强对前景目标时空连续性的先验考虑，有效抑制了不连续动态背景异常点的随机扰动；最后利用加权Schatten-p范数约束视频背景的低秩性能，去除噪声干扰。实验结果表明，与鲁棒主成分分析（RPCA）、高阶RPCA（HoRPCA）和张量RPCA（TRPCA）等模型相比，所提模型的综合衡量指标F-measure值是最高的，查全率与查准率也处于最优或次优状态。由此可知，所提模型在动态背景、恶劣天气等复杂场景中能有效提高运动目标的提取精确度，且提取的前景目标视觉效果较好。

来源：2019年第4期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第4期