×
杨振珍;范璐;杨永鹏;杨，珍;桂、关

基于广义奇异值阈值算子的非凸低秩稀疏分解运动目标检测。 （英语） 兹比尔1455.94039

J.富兰克林研究所。 356，第16号，10138-10154（2019）.
运动目标检测是计算机视觉和许多其他领域中最具挑战性的任务之一，是高级处理的基础。低秩稀疏分解（LRSD）在运动目标检测中应用广泛。现有的方法主要通过利用秩函数和稀疏约束的近似来解决LRSD问题。传统方法通常将核范数视为低秩矩阵的近似。然而，实际结果表明，核范数并不是秩函数的最佳近似，因为它同时最小化了所有奇异值。本文利用一种新的非凸代理函数来逼近低秩矩阵，并基于广义奇异值阈值（GSVT）算子提出了一种非凸低秩稀疏分解的广义公式。然后，我们用交替方向乘子法（ADMM）求解了该非凸问题，并分析了其收敛性。最后，我们给出了在合成数据和真实图像数据上验证所提算法的数值结果。结果表明，我们的模型具有优越的性能。我们将提出的非凸模型用于运动目标检测，并提供了实验结果。结果表明，该方法比具有代表性的基于LRSD的运动目标检测算法更有效。

引用于1文件

MSC公司：

94A08型 信息与通信理论中的图像处理（压缩、重建等）
94甲13 信息与通信理论中的探测理论

关键词：

基于LRSD的运动目标检测算法

软件：

RASL公司;震波
PDF格式BibTeX公司 XML格式引用
\textit{Z.Yang}等人，J.Franklin Inst.356，No.16，10138--10154（2019；Zbl 1455.94039）
全文： DOI程序

参考文献：

[1] 贾维德，S。；马哈茂德，A。；AlMaadee，S.，使用时空结构稀疏RPCA检测复杂场景中的运动对象，IEEE Trans。图像处理。，28, 2, 1007-1022 (2018) ·Zbl 1409.94829号
[2] Safaei，A。；吴琼。；Yang，Y.，基于片上系统（SOC）的前景和背景识别硬件加速，J.Frankl。研究所，355，4，1888-1912（2018）·Zbl 1395.94060号
[3] Kang，B。；Liang，D。；Yang，Z.，《通过全局上下文正则化局部约束线性编码实现鲁棒视觉跟踪》，Optik，183，232-240（2019）
[4] Shi，G。；陶，H。；Dong，W.，通过结构化高斯尺度混合建模进行鲁棒前景估计，IEEE Trans。图像处理。，27, 10, 4810-4824 (2018) ·Zbl 1409.62130号
[5] Barnich，O。；Droogenbroeck，M.V.，Vibe：视频序列的通用背景减法算法，IEEE Trans。图像处理。，20, 6, 1709-1724 (2011) ·Zbl 1372.94018号
[6] 陶，M。；Yuan，X.，从不完全和噪声观测中恢复矩阵的低秩和稀疏分量，SIAM J.Optim。，21, 1, 57-81 (2011) ·Zbl 1218.90115号
[7] Wright，J。；Ganesh，A。；Rao，S。；Ma，Y.，稳健主成分分析：受损低秩矩阵的精确恢复，J.ACM，58，3，1-43（2009）
[8] 张，X。；王，L。；Gu，Q.，非凸低秩加稀疏矩阵恢复的统一框架，《国际人工智能与统计会议论文集》，1097-1107（2018）
[9] 彭，Y。；Ganesh，A。；Wright，J.，RASL：线性相关图像的稀疏和低秩分解鲁棒对齐，IEEE Trans。模式分析。机器。智力。，2012年11月34日，2233-2246
[10] 刘，X。；赵，G。；Yao，J.，基于低秩和结构化稀疏分解的背景减法，IEEE Trans。图像处理。，24, 8, 2502-2514 (2015) ·Zbl 1408.94411号
[11] 布曼，T。；Sobral，A。；Javed，S.，《分解为低秩加性矩阵用于背景/前景分离：与大规模数据集的比较评估综述》，计算。科学。修订版，23，1-71（2017）·Zbl 1398.68572号
[12] 坎迪斯，E.J。；李，X。；Ma，Y.，稳健主成分分析？：从稀疏误差中恢复低秩矩阵，IEEE传感器阵列和多通道信号处理研讨会论文集，201-204（2010）
[13] 周，X。；杨，C。；Yu，W.，通过检测低秩表示中的连续离群点来检测运动对象，IEEE Trans。模式分析。机器。智力。，35, 3, 597-610 (2013)
[14] 唐·G。；Nehorai，A.，基于低秩和块解析矩阵分解的稳健主成分分析，第45届信息科学与系统年会论文集，1-5（2011）
[15] Guyon，C。；布曼，T。；Zahzah，E.H.，基于低秩和块解析矩阵分解的前景检测，IEEE图像处理国际会议论文集，1225-1228（2012）
[16] 曹，X。；Yang，L。；Guo，X.，动态背景下不规则运动目标检测的总变分正则化RPCA，IEEE Trans。赛博。，46, 4, 1014-1027 (2017)
[17] 胡，Y。；张，D。；Ye，J.，通过截断核规范正则化快速准确地完成矩阵，IEEE模式分析和机器智能学报，352117-2130（2013）
[18] Zhang，Y。；郭杰。；Zhao，J.，基于截断核范数优化的稳健主成分分析，上海交通大学，21，5，576-583（2016）
[19] Hong，B。；Wei，L。；Hu，Y.，通过截断核范数正则化进行在线鲁棒主成分分析，神经计算，175216-222（2016）
[20] 周，T。；Tao，D.，Godec：噪声情况下的随机低秩和稀疏矩阵分解，《机器学习国际会议论文集》，贝尔维尤，33-40（2011）
[21] 周，T。；Tao，D.，双边随机投影，IEEE信息理论国际研讨会论文集，1286-1290（2012）
[22] 费，X。；Han，J。；Wang，Y.，通过非凸低阶矩阵近似的动态磁共振成像，IEEE Access，5，99，1958-1966（2017）
[23] Chen，W。；Li，Y.，通过非凸Schatten p-最小化实现低秩矩阵的稳定恢复，Sci。中国数学。，58, 12, 2643-2654 (2015) ·Zbl 1342.90141号
[24] Yang，L。；Pongy，T。；Chen，X.，一类非凸非光滑问题的交替方向乘法器方法及其在背景/前景提取中的应用，SIAM J.成像科学。，1074-110（2017）·Zbl 1364.90278号
[25] 李毅。；林毅。；Cheng，X.，脉冲噪声下鲁棒稀疏恢复的非凸惩罚正则化，IEEE Access，6，1，25474-25485（2018）
[26] Li，Y.，MUSAI-（l_{1/2}）：基于多个子小波域的自适应迭代加权正则化算法，IEEE Access，6，1，16795-16805（2018）
[27] 待发布
[28] Wen，J。；Wang，J。；Zhang，Q.，正交最小二乘法的近似最优界，IEEE Trans。信号处理。，65，5347-5356（2017）·Zbl 1415.94281号
[29] Wen，J。；Zhou，Z。；Liu，Z.，Sharp通过块正交匹配追踪稳定恢复块稀疏信号的充分条件，应用。计算。谐波分析。，47, 3, 948-974 (2019) ·Zbl 1422.94017号
[30] Lu，C。；Tang，J。；Yan，S.，通过迭代重加权核范数实现非凸非光滑现库最小化，IEEE Trans。图像处理。，25, 2, 829-839 (2016) ·Zbl 1408.94866号
[31] 杨，Z。；杨，Z。；Han，D.，基于非凸非光滑加权核范数的稀疏低秩分解的交替方向乘子法，IEEE Access，6，1，56945-56953（2018）
[32] Lu，C。；Tang，J。；Yan，S.，广义非凸非光滑低阶极小化，IEEE计算机视觉和模式识别会议论文集，4130-4137（2014）
[33] 袁，X。；Yang，J.，通过交替方向法进行稀疏和低阶矩阵分解，Pacific J.Optim。，9, 1, 1-11 (2013)
[34] 杨，Z。；Yang，Z.，通过快速线性化拉格朗日双重交替方向乘法器法重建噪声图像，Wirel。个人通讯。，82, 1, 143-156 (2015)
[35] 梅，J。；黄，T。；Wang，S.，超声图像斑点减少的二阶总广义变差，J.Frankl。研究所，355，1574-595（2018）·Zbl 1380.94029号
[36] 杨，Z。；杨，Z.，增广正则化问题的快速线性化交替方向乘子法，信号图像视频处理。，1601-1612年9月7日（2015年）
[37] 杨，Z。；Yang，Z.，基于压缩感知的新型多焦点图像融合与重建框架，IET图像处理。，7, 9, 837-847 (2013)
[38] Lu，C。；朱，C。；Xu，C.，广义奇异值阈值，IEEE第二十届AAAI人工智能会议论文集，1805-1811（2015）
[39] 蔡，J。；坎迪斯，E.J。；Shen，Z.，矩阵补全的奇异值阈值算法，SIAM J.Optim。，20, 4, 1956-1982 (2008) ·Zbl 1201.90155号
[40] 文，F。；Ying，R。；Liu，P.，使用广义非凸正则化的鲁棒PCA，IEEE Trans。电路系统。视频技术。，1-14 (2019)
[41] 文，F。；Chu，L。；Liu，P.，关于信号处理、统计和机器学习中基于非凸正则化的稀疏和低秩恢复的调查，IEEE Access，6,169883-69906（2018）
[42] 罗德里格斯，P。；Wohlberg，B.，视频背景建模的增量主成分追踪，J.Math。成像视觉。，55, 1, 1-18 (2016) ·Zbl 1334.68284号
[43] 陈，M。；Ganesh，A。；Lin，Z.，精确恢复受损低秩矩阵的快速凸优化算法，J.Mar.Biol。英国协会，56，3707-722（2009）
[44] Brutzer，S。；Hoferlin，B。；Heidemann，G.，视频监控背景减法技术评估，IEEE计算机学会计算机视觉和模式识别会议论文集，1937-1944（2011）
[45] Z.Zha，X.Zhang，Y.Wu，等，加权核范数最小化与核范数最小的比较研究，2019。可用：https://arxiv.org/abs/1608.04517。
[46] 李，L。；Huang，W。；顾一。；田强，用于前景物体检测的复杂背景统计建模，IEEE Trans。医学图像，13，11，1459-1472（2004）
[47] 北卡罗来纳州戈耶特。；Jodoin，P。；Porikli，F。；Konrad，J。；Ishwar，P.，Changedetection.net：一个新的变化检测基准数据集，IEEE计算机视觉和模式识别研讨会论文集，1-8（2012）
[48] Brutzer，S。；Hoferlin，B。；Heidemann，G.，视频监控背景减法技术评估，IEEE计算机视觉模式识别会议论文集，1937-1944（2011）
[49] Luong，H。；Deligiannis，N。；Seiler，J.，通过（n-\ell_1）最小化的压缩在线鲁棒主成分分析，IEEE Trans。图像处理。，第27、9、4314-4329页（2018）·Zbl 1409.90242号
[50] Prativadibhayankaram，S。；Luong，H。；Le，T.，使用多个先验信息和光流进行压缩在线视频背景-地面分离，J.Imaging，4，7，1-23（2018）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。