Hyper RPCA：联合最大互相关熵准则与拉普拉斯尺度混合建模的在线运动目标检测
计算机视觉与模式识别
2020-06-16 v1
摘要
运动目标检测对于许多视觉相关任务（如监控跟踪、视频压缩编码等）中的自动视频分析至关重要。鲁棒主成分分析（RPCA）作为最流行的运动目标建模方法之一，旨在将视频中时变（即运动）的前景目标与静态背景分离，假设背景帧是低秩的，而前景在空间上是稀疏的。经典RPCA使用l1范数约束前景分量的稀疏性，并通过2范数最小化建模误差。我们表明，这些假设在实践中可能过于严格，限制了经典RPCA的有效性，尤其是在处理具有动态背景、相机抖动、伪装运动目标等的视频时。本文提出一种新颖的基于RPCA的模型，称为Hyper RPCA，用于在线检测运动目标。与经典RPCA不同，所提出的Hyper RPCA联合应用最大互相关熵准则（MCC）对建模误差进行建模，并使用拉普拉斯尺度混合（LSM）模型对前景目标进行建模。大量实验结果表明，所提出的Hyper RPCA在几个知名基准数据集上的前景检测性能与最先进算法相比具有竞争力。
引用
@article{arxiv.2006.07795,
title = {Hyper RPCA: Joint Maximum Correntropy Criterion and Laplacian Scale Mixture Modeling On-the-Fly for Moving Object Detection},
author = {Zerui Shao and Yifei Pu and Jiliu Zhou and Bihan Wen and Yi Zhang},
journal= {arXiv preprint arXiv:2006.07795},
year = {2020}
}