基于高阶阈值算子与张量全变分的前景检测

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。