基于迭代张量高阶奇异值分解运动目标提取_徐联微.pdf

网络出版时间：2015-11-25 10:22:57 网络出版地址：/kcms/detail/51.1196.TP1022.022.html 优先出版 计 算 机 应 用 研 究 第33 卷 基于迭代张量高阶奇异值分解的运动目标提取 1 2 徐联微 ，杨晓梅 (四川大学 电气信息学院，成都 610065) ) 摘 要：将基于凸优化的低秩矩阵恢复（LRMR ）理论用于背景建模，当背景不稳定时，这种方法提取运动目标的效果 不佳。由于矩阵的数据表示形式破坏了视频在时间和空间上的原始结构，采用张量表征视频的高维结构特性，提出了一 种基于迭代张量高阶奇异值分解（HOSVD ）的运动目标提取方法。用高阶奇异值分解代替LRMR 中的矩阵奇异值分解 （SVD），利用增广拉格朗日乘子法重建出三维视频张量的背景部分和运动目标部分，并进一步对运动目标部分进行形 态学开闭运算。实验结果证明，相比常用方法，本文方法错分率更低，能更准确完整地提取运动目标。 关键词：背景建模；低秩矩阵恢复；张量；高阶奇异值分解；矩阵奇异值分解；运动目标提取；开闭运算 中图分类号：TP391.41 Moving object extraction based on iterative tensor high-order singular value decomposition 1 2 Xu Lianwei , Yang Xiaomei (College of Electrical Engineering Information , Sichuan University, Chengdu 610065, China) Abstract: The method using the theory of low-rank matrix recovery(LRMR) based on Convex Optimization to model the background can’t extract the moving object effectively when the background is unstable. Since matrix representation of video damaged the original temporal and spatial structure of data. this paper proposed a approach of moving object extraction based on iterative tensor high-order singular value decomposition(HOSVD). which utilized the tensor to characterize the high dimensional spatiotemporal structure of video. The proposed approach used the HO