用于动态背景减除的鲁棒在线矩阵分解

我们提出了一种有效的在线背景减除方法，该方法可鲁棒地应用于前景和背景均存在变化的实际视频中。以往的方法通常将前景建模为高斯或拉普拉斯分布，与此不同，我们为每一帧的前景建模为一个特定的混合高斯分布，并逐帧在线更新。具体而言，我们每一帧中的 MoG 模型由先前帧中学习到的前景/背景知识进行正则化。这使得我们的在线 MoG 模型高度鲁棒、稳定，且能适应实际的前景和背景变化。所提出的模型可以表述为一个简洁的概率最大后验（MAP）模型，可通过 EM 算法轻松求解。我们进一步将仿射变换算子嵌入到所提出的模型中，该算子可自动调整以适应各种视频背景变换，并使该方法对相机运动更加鲁棒。通过使用子采样技术，所提出的方法可加速至平均每秒执行 250 帧以上，满足实际视频处理任务中实时背景减除的要求。在合成视频和真实视频上进行的广泛实验证实了所提方法的优越性，其表现优于现有最先进的在线和离线背景减除方法。