Masked-RPCA：叠加模型下的稀疏与低秩分解及其在运动目标检测中的应用
计算机视觉与模式识别
2019-09-19 v1 机器学习
图像与视频处理
摘要
给定视频序列中的前景检测是许多计算机视觉应用（如视频监控系统）中的关键步骤。鲁棒主成分分析 (RPCA) 执行低秩与稀疏分解，并在背景静止、前景动态且相对较小时完成此类任务。RPCA 的一个基本问题是关于低秩与稀疏分量在各元素上相加的假设，而现实中运动前景是叠加在背景之上的。我们提出通过掩膜分解（即叠加模型）的表示，其中每个元素要么属于低秩分量要么属于稀疏分量，由掩膜决定。我们提出 Masked-RPCA 算法，利用线性化与交替方向技术同时恢复掩膜与低秩分量。我们进一步扩展我们的公式以对背景的动态变化具有鲁棒性，并增强前景分量的空间连通性。我们的研究表明，与其他框架获得的稀疏分量上的后处理相比，所检测掩膜有显著改进。
引用
@article{arxiv.1909.08049,
title = {Masked-RPCA: Sparse and Low-rank Decomposition Under Overlaying Model and Application to Moving Object Detection},
author = {Amirhossein Khalilian-Gourtani and Shervin Minaee and Yao Wang},
journal= {arXiv preprint arXiv:1909.08049},
year = {2019}
}