基于广义高阶鲁棒主成分分析的视频稀疏目标提取.pdfVIP

基于广义高阶鲁棒主成分分析的视频稀疏目标提取

专业名称：电子信息

研究生姓名：周至恺

指导老师：廖亮教授

摘要

在现代视频分析技术的演变中，运动目标提取算法经历了从基础到复杂的全面发

展，其多样化的算法包括了基于均值的简单模型、经过时间验证的中值滤波技术、基

于直方图的复杂性分析方法，以及灵活的高斯混合模型。然而，它们在处理更复杂或

动态变化的场景时常显不足，特别是在处理图像序列时忽略了视频帧与帧之间的时间

相关性和稀疏成分对象的空间连续性。传统方法往往没有有效地利用视频数据中蕴含

的丰富结构信息，导致分析结果很可能受限于算法本身的局限性。

为应对这些挑战，本文提出了一种高阶的视频分析方法。这种方法不再局限于单

帧处理，而是将整个视频序列的每个像素和其周围邻域的信息整合起来，运用张量化

方法将这些信息映射到一个更高维度的数据结构上。在这个多维度的数据结构中，图

像不再是静态的二维数组，而是转变为了一个高阶的、具有多个维度的实体。这样的

高阶图像不仅更全面地捕捉了视频数据的内在特性，还能够更精确地描述像素之间复

杂的时空关系。

通过这种高阶表示，我们能够更加精细地处理图像中的各种信息，无论是图像中

的噪声、光照变化，还是稀疏成分和背景的微妙运动。这种高维模型为图像处理提供

了一个全新的视角，极大地提升图像处理算法在分析精度和处理复杂情况能力上的表

现。

本论文的研究内容包括：

1.本文研究了一种邻域扩展策略，称为“inception”方法，以优化对视频数据的处理。

这一策略的核心在于，它将二维数组的邻域信息融入视频处理的框架中，与基于广义

可交换代数模型的“t-product”卷积代数相结合。这种结合催生了一个创新的广义高阶

鲁棒主成分分析(HO-RPCA)算法，用于提取视频稀疏成分数据。通过引入有限维可交

换代数模型，HO-RPCA算法成功地实现了对高维数据结构的有效映射，突破了传统

RPCA算法在处理由于环境变化而引起的复杂视频序列时的局限。广义的张量表达形式

允许算法不仅捕捉每个独立像素的变化，而且能识别其在时空中的关系，从而更精准

地提取出视频中的稀疏成分对象。

针对摄像头随物体移动导致的背景粘连问题，本文引入了Motion-Adaptive视频

稳定算法，其提供了一个强化视频分析框架健壮性的新工具。这一算法的核心在于其

调整能力，它能够动态适应每一帧视频中的具体内容，对抗由于摄像头不稳定运动所

引起的视觉扭曲和变形。通过运动估计和补偿，它有效地消除了背景中由于摄像头倾

斜或平移带来的动态变化，确保视频分析的稳定性和连续性。

3.将Motion-Adaptive视频稳定算法与HO-RPCA算法相结合，我们得到了一个强

大的视频稀疏成分提取工具M-HO-RPCA，能应对动态、不确定的现实世界条件。这个

综合的算法框架考虑到了视频数据的多维性和时间连续性，通过对每一帧进行高阶张

量化处理，并适应摄像头运动，大幅提升了在多变环境中处理视频的能力。

关键词：有限维可交换代数；广义矩阵模型；邻域拓展策略；鲁棒主成分分析；

视频的稀疏成分提取

VideoSparseTargetsExtractionBasedon

GeneralizedHigh-OrderRobustPrincipalComponent

Analysis

Major:electronicinformation

Master:ZhouZhikai

Instructor:ProfessorLiaoLiang

Abstract

Intheevolutionofmodernvideoanalysistechnol