视频背景分离中一种新的非凸秩近似的RPCA模型

视频背景分离以及前景提取广泛应用于场景分析、目标追踪等领域。而鲁棒主成分分析(RPCA)则是实现视频背景与前景分离的重要技术之一。但是,用核范数来近似秩函数的传统RPCA模型在处理含有较大奇异值的图像时效果并不理想。为了解决这一问题,提出一种新的非凸函数来近似秩函数,对基于核范数的RPCA模型进行改进,并应用增广拉格朗日乘子法求解改进的模型。实验结果表明,与传统的RPCA及现有的一些改进模型相比,提出的基于非凸秩近似的RPCA模型计算效率更高,且图像分离效果更好。

基于高阶鲁棒主成分分析的视频前景与背景分离

运动目标检测的发展历史由来已久,出现了基于均值方法、中值方法、直方图方法和高斯混合模型等各种检测算法。然而,这些目标检测方法往往未考虑图像背景之间的时间相关性以及前景对象内的空间连续性,也未考虑视频中的其他结构信息。采用微观视角,将目标视频中每个帧像素的张量化进行了扩展,即将原始图像的像素邻域扩展为一定阶数的数组。因此,原始图像转化为了一个形式上的高阶图像。所提出的模型旨在应用于诸如视频前景背景分离等任务,以增强图像算法的有效性。

基于广义非凸鲁棒主成分分析的视频前背景分离

针对基于传统鲁棒主成分分析的视频前背景分离的精度不高的问题,提出了一种新的广义非凸鲁棒主成分分析(GNRPCA)模型。该模型分别采用广义核范数和广义范数来代替鲁棒主成分分析模型中的秩函数和l0范数,以解决现有鲁棒主成分分析模型存在的对秩函数和稀疏度函数的替代函数过惩罚而导致逼近程度不佳的问题。然后采用交替方向乘子法(ADMM)对提出的GNRPCA模型进行求解。最后,将该算法用于视频前背景分离,进行仿真实验并对实验结果进行分析。实验结果证明提出的算法的平均F-measure值为0.589 2,相对于截断核范数算法提高了13%以上,比其他的基于鲁棒主成分分析的视频前背景分离算法更具有优越性和有效性。

低秩稀疏分解及其在视频和图像处理中的应用

低秩稀疏分解(Low Rank and Sparse Decomposition,LRSD)是一种被广泛应用于计算机视觉等领域的数据表示技术,通过将已知矩阵分解为低秩成分和稀疏成分,实现视频前背景分离、图像去噪等的实际应用。分析了这一技术的研究现状,针对11种经典低秩稀疏分解方法,给出了各种方法的模型及算法的优缺点。将各种算法应用于视频前背景分离和图像去噪实验中,视频前背景分离的实验结果包括使用各种算法提取的不同视频的前景效果图、视频前背景分离的F-measure值和运行时间,图像去噪实验结果展示了各种算法对不同图像的去噪效果图、PSNR值和FSIM值,从视觉效果和定量评价两个角度验证了各种算法在视频前背景分离和图像去噪这两个实际应用中的优缺点。

人工智能背景下创新创业人才培养模式研究及实践

日前,人工智能成为引领未来和推动产业变革的核心驱动力。本文从高职院校人才培养模式的现状出发,针对目前高职院校在人才培养模式中存在的问题,提出了在人工智能背景下的创新创业人才培养模式的研究方案,并将研究方案实施于研究型学习中的人工智能相关项目中,最终使用项目结项时的人才培养的质量反馈验证本方案对培养人工智能背景下的创新创业型大国工匠人才的推动作用。

一种新的基于非凸秩近似的鲁棒主成分分析模型

在机器学习、数据挖掘和图像处理等研究领域,鲁棒主成分分析(RPCA)主要用于恢复一个低秩的数据矩阵。考虑到核范数作为矩阵秩函数的凸近似在处理实际数据集时存在的问题,以及矩阵秩函数的非凸近似所展现出的优势,提出了一种新的非凸近似函数。基于该非凸近似函数,提出一个改进的RPCA模型,并应用增广拉格朗日乘子法对其进行求解。最后利用视频背景分离的实际数据,通过数值实验验证了新模型的有效性。