用于背景建模的压缩动态模式分解
计算机视觉与模式识别
2016-12-13 v2
摘要
我们介绍了用于背景建模的压缩动态模式分解（cDMD）方法。动态模式分解（DMD）是一种回归技术，它集成了当今使用的两种领先数据分析方法：傅里叶变换与奇异值分解。借助压缩感知与矩阵草图的思想，cDMD 缓解了高分辨率视频处理的计算负担。cDMD 的关键原理是在视频流的（小型）压缩矩阵表示上获得分解。因此，cDMD 算法的复杂度随矩阵的内在秩缩放，而非随实际视频（数据）矩阵的大小缩放。表征背景的最优模式的选择被表述为一个稀疏约束的稀疏编码问题。我们的结果表明，所得背景模型的质量具有竞争力，这由 F-measure、召回率（Recall）与精确率（Precision）量化。我们还给出了一种 GPU（图形处理单元）加速实现，进一步提升了算法的计算效率。
引用
@article{arxiv.1512.04205,
title = {Compressed Dynamic Mode Decomposition for Background Modeling},
author = {N. Benjamin Erichson and Steven L. Brunton and J. Nathan Kutz},
journal= {arXiv preprint arXiv:1512.04205},
year = {2016}
}
备注
Preprint submitted to Journal of Real-Time Image Processing