迭代张量高阶奇异值分解在运动目标提取中的应用

“基于迭代张量高阶奇异值分解的运动目标提取”这篇论文探讨了如何利用张量表示和高阶奇异值分解（HOSVD）技术来改进运动目标提取的性能，特别是在背景不稳定的情况下。传统的低秩矩阵恢复（LRMR）方法在背景变化频繁时可能效果不佳，因为矩阵形式的数据表示无法完全保留视频的时间和空间结构。为了解决这个问题，论文提出了一个基于迭代张量HOSVD的新方法。 在视频分析中，背景建模是识别和分离运动目标的关键步骤。LRMR理论通过假设背景图像可以被表示为一个低秩矩阵来进行背景建模，但这种方法在背景动态变化时可能会失效。相比之下，张量是一种能够更好地捕捉多维数据结构的数学工具，适合于表示具有时间序列特性的视频数据。 论文中介绍的方法首先使用张量来表征三维视频数据，然后通过HOSVD来分解这个张量，而不是使用传统的矩阵奇异值分解（SVD）。HOSVD能够保留更多的时空信息，有助于区分背景和运动目标。接着，通过增广拉格朗日乘子法，该方法能够重建出视频中的背景部分和运动目标部分。最后，对运动目标部分进行形态学的开闭运算，以去除噪声和填充目标内部的空洞，进一步提高目标提取的准确性和完整性。 实验结果表明，与常规方法相比，该迭代张量HOSVD方法降低了错分率，能够更加精确和完整地提取运动目标，尤其在背景不稳定的场景中表现优越。这表明，利用张量和HOSVD进行运动目标提取是一种有效且有潜力的策略，对于视频监控、自动驾驶等应用领域有着重要的实际意义。 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：TP391.4 文献标志码：A 文章编号：1001-3695（2016）09-2856-06 doi：10.3969/j.issn.1001-3695.2016.09.068 作者简介：徐联微（1991-），女，四川泸州人，硕士研究生，主要研究方向为数字图像处理；杨晓梅（1973-），女，四川乐山人，副教授，博士，主要研究方向为医学图像处理、模式识别。