学习时空正则化张量稀疏RPCA用于背景减除

视频背景减除是计算机视觉中的基础问题之一，旨在分割所有运动物体。鲁棒主成分分析在过去十年中被认为是一种前景广阔的无监督背景减除范式，因其在多个基准数据集中具有竞争力。张量鲁棒主成分分析的变体进一步提升了背景减除性能。然而，由于稀疏分量中的运动物体像素被独立处理且不必遵循时空结构化稀疏约束，对于具有动态背景、伪装及相机抖动问题的序列，性能会下降。本工作中，我们提出一种时空正则化张量稀疏RPCA算法以实现精确背景减除。在稀疏分量内，我们以归一化图拉普拉斯矩阵形式施加时空正则化。为此，我们构建两张图，一张跨越输入张量的空间位置，另一张跨越其时间域中的正面切片。在最大化目标函数时，我们迫使张量稀疏分量充当图拉普拉斯矩阵的时空特征向量。所提基于图的正则化保留了稀疏分量中离散的运动物体像素，因它们均包含基于时空子空间的结构。此外，我们提出一种独特的目标函数，采用批处理与在线优化方法联合最大化背景-前景与时空正则化分量。在六个公开可用背景减除数据集上的实验表明，所提算法优于若干现有方法。我们的源代码将很快公开。