CN110969638A - 一种基于张量的背景减除方法及系统 - Google Patents

一种基于张量的背景减除方法及系统 Download PDF

Info

Publication number
CN110969638A
CN110969638A CN201911098926.8A CN201911098926A CN110969638A CN 110969638 A CN110969638 A CN 110969638A CN 201911098926 A CN201911098926 A CN 201911098926A CN 110969638 A CN110969638 A CN 110969638A
Authority
CN
China
Prior art keywords
tensor
iteration
foreground
background
factor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911098926.8A
Other languages
English (en)
Other versions
CN110969638B (zh
Inventor
陈利霞
班颖
王学文
刘俊丽
莫建文
林乐平
欧阳宁
首照宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201911098926.8A priority Critical patent/CN110969638B/zh
Publication of CN110969638A publication Critical patent/CN110969638A/zh
Application granted granted Critical
Publication of CN110969638B publication Critical patent/CN110969638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于张量的背景减除方法及系统。该方法包括：获取观测张量；对观测张量进行高阶奇异值分解，得到初始化核心张量、因子、初始化辅助张量、拉格朗日乘子以及迭代次数；将观测张量分解为背景张量和前景张量；通过基于克罗内克基表示的张量稀疏检测方法约束背景张量，通过范数约束前景张量，得到最小化问题；通过求解最小化问题，得到迭代核心张量、迭代因子、迭代辅助张量以及迭代前景张量；判断所述迭代前景张量与前景张量之间的变化是否小于预先设定的阈值；若否，更新拉格朗日乘子；若是，根据迭代核心张量和迭代因子，得到迭代背景张量；根据迭代背景张量和迭代前景张量完成前景和背景的分离。本发明能够快速准确的分离背景和前景。

Description

一种基于张量的背景减除方法及系统
技术领域
本发明涉及数字图像处理领域，特别是涉及一种基于张量的背景减除方法及系统。
背景技术
视频监控在现代城市中发挥着巨大的作用，各交通要点、景区、商场超市、楼道等地方都安装有监控。摄像机24小时工作，会产生大量的视频数据，因此对视频存储有着较大的要求。现在监控储存主要采用的方法是对视频图像进行压缩处理，但压缩视频会对视频本身的质量产生一定的影响。而视频背景减除是计算机视觉领域的一项重要技术，其目的是将视频图像中因其他因素产生的噪声和背景元素去除，从而得到感兴趣的前景目标。背景减除在监控安防领域有着广泛的应用，监控视频主要的关注点是前景的变化，为节约储存空间可以直接储存前景而忽略背景，因此想要只储存前景视频而忽略背景视频，则对背景减除方法的要求比较高。而现在的大多数背景减除方法仅仅对背景或前景一方面约束要求较高，所以前景背景分离不是很充分。
发明内容
本发明的目的是提供一种基于张量的背景减除方法及系统，用以快速准确的分离背景和前景。
为实现上述目的，本发明提供了如下方案：
一种基于张量的背景减除方法，所述方法包括：
获取观测张量；所述观测张量为监控视频；
对所述观测张量进行高阶奇异值分解，得到初始化核心张量、因子、初始化辅助张量、拉格朗日乘子以及迭代次数；所述因子包括第一因子、第二因子以及第三因子；
将所述观测张量分解为背景张量和前景张量；
通过基于克罗内克基表示的张量稀疏检测方法约束所述背景张量，通过范数约束所述前景张量，得到最小化问题；
通过求解最小化问题，得到迭代核心张量、迭代因子、迭代辅助张量以及迭代前景张量；
判断所述迭代前景张量与前景张量之间的变化是否小于预先设定的阈值；
若否，更新拉格朗日乘子；
若是，根据迭代核心张量和迭代因子，得到迭代背景张量；
根据所述迭代背景张量和所述迭代前景张量完成前景和背景的分离。
可选的，运用软阈值方法求解所述最小化问题，得到迭代核心张量。
可选的，通过运用vonNeumann’s trace inequality求解所述最小化问题，得到迭代因子。
可选的，通过求解最小化增广拉格朗日函数，得到迭代前景张量。
一种基于张量的背景减除系统，所述系统包括：
观测张量获取模块，用于获取观测张量；所述观测张量为监控视频；
第一分解模块，用于对所述观测张量进行高阶奇异值分解，得到初始化核心张量、因子、初始化辅助张量、拉格朗日乘子以及迭代次数；所述因子包括第一因子、第二因子以及第三因子；
第二分解模块，用于将所述观测张量分解为背景张量和前景张量；
约束模块，用于通过基于克罗内克基表示的张量稀疏检测方法约束所述背景张量，通过范数约束所述前景张量，得到最小化问题；
求解模块，用于通过求解最小化问题，得到迭代核心张量、迭代因子、迭代辅助张量以及迭代前景张量；
判断模块，用于判断所述迭代前景张量与前景张量之间的变化是否小于预先设定的阈值；
更新模块，用于当所述迭代前景张量与前景张量之间的变化不小于预先设定的阈值时，更新拉格朗日乘子；
确定模块，用于当所述迭代前景张量与前景张量之间的变化小于预先设定的阈值时，根据迭代核心张量和迭代因子，确定迭代背景张量；
分离模块，用于根据所述迭代背景张量和所述迭代前景张量完成前景和背景的分离。
可选的，运用软阈值方法求解所述最小化问题，得到迭代核心张量。
可选的，通过运用vonNeumann’s trace inequality求解所述最小化问题，得到迭代因子。
可选的，通过求解最小化增广拉格朗日函数，得到迭代前景张量。
与现有技术相比，本发明具有以下技术效果：本发明用基于克罗内克基表示的张量稀疏检测方法去建模视频背景的低维特性，有效解决了背景的时空相关性问题；用L1,1,2范数去建模视频前景的稀疏性，在一定程度上解决了时空间连续性和局部结构性质的问题，从而达到了很好的前景背景分离效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于张量的背景减除方法的流程图；
图2为本发明以及对比算法的视觉效果图；
图3为本发明实施例基于张量的背景减除系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于张量的背景减除方法及系统，用以快速准确的分离背景和前景。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，基于张量的背景减除方法包括以下步骤：
步骤101：获取观测张量；所述观测张量为监控视频。
导入截取的监控视频χ，即为观测张量。
步骤102：对所述观测张量进行高阶奇异值分解，得到初始化核心张量、因子、初始化辅助张量、拉格朗日乘子以及迭代次数；所述因子包括第一因子、第二因子以及第三因子。
通过观测张量χ高阶奇异值分解初始化核心张量S(0)和因子U1 (0)，U2 (0)，U3 (0)，初始化辅助张量Bk (0)(k＝1,2,3)，前景张量χ2，参数u(0)，ρ，拉格朗日乘子pk (0)(k＝1,2,3)，以及迭代次数t。
步骤103：将所述观测张量分解为背景张量和前景张量。
步骤104：通过基于克罗内克基表示的张量稀疏检测方法约束所述背景张量，通过范数约束所述前景张量，得到最小化问题。
将观测张量χ分解为背景张量χ1和前景张量χ2，用基于克罗内克基表示的张量稀疏检测方法去约束背景张量χ1，用L1,1,2范数去约束前景张量χ2，得到最小化问题，进行前景背景分离。
步骤105：通过求解最小化问题，得到迭代核心张量、迭代因子、迭代辅助张量以及迭代前景张量。运用软阈值方法求解所述最小化问题，得到迭代核心张量；通过运用vonNeumann’s trace inequality求解所述最小化问题，得到迭代因子；通过求解最小化增广拉格朗日函数，得到迭代前景张量。
运用软阈值方法求解最小化问题，得到第t次迭代核心张量S(t)：
Figure BDA0002269237090000041
其中
Figure BDA0002269237090000042
是阈值算子Q＝O×1U1 T×2U2 T×3U3 T，
Figure BDA0002269237090000043
χ是监控视频，χ2为监控视频前景。μ是平衡参数，
Figure BDA0002269237090000044
是常数。ε表示极小的正数，Bi是辅助张量，pi是拉格朗日乘子。
通过运用vonNeumann’s trace inequality求解最小化问题，得到第t次迭代因子Uk (t)：
Uk (t)＝ZkCk T；
其中Ak＝Zk∑Ck T是Ak的奇异值分解，
Figure BDA0002269237090000051
unfoldk表示为张量按mode k展开，
Figure BDA0002269237090000052
Zk是左奇异值向量矩阵，Ck是右奇异值向量矩阵，T是转置，k是第k次迭代，Ui是因子，s是核心张量。
通过求解最小化问题，得到第t次迭代辅助张量Bk (t)：
B(t) k＝foldk(V1∑ηV2 T)；
其中V1diag(σ1,σ2,…,σn)V2是
Figure BDA0002269237090000053
的奇异值分解，σ为矩阵
Figure BDA0002269237090000054
的奇异值。foldk表示按mode k将矩阵转化为张量，∑η＝diag(Dη,ε(σ1),Dη,ε(σ2),…,Dη,ε(σn))。V1是左奇异值向量矩阵，V2是右奇异值向量矩阵，s是核心张量，
Figure BDA0002269237090000055
是阈值算子，σn是第n个奇异值，η为参数，是具体的数。
通过求解最小化增广拉格朗日函数，得到第t次迭代前景张量χ2 (t)：
Figure BDA0002269237090000056
其中M＝χ-s×1U1×2U2×3U3。i,j是正整数，i,j＝1，2，…，β是平衡参数，是具体的值。
步骤106：判断所述迭代前景张量与前景张量之间的变化是否小于预先设定的阈值。
在相邻两次迭代过程中，所述迭代前景张量与前景张量之间的变化小于预先设定的阈值时，则说明满足收敛条件，转到步骤108；否则，不满足收敛条件，转到步骤107。
步骤107：若否，更新拉格朗日乘子。
更新拉格朗日乘子pk (t)和参数u(t)：
pk (t)＝pk (t-1)+μ(t)(χ1-Bk (t-1))；
u(t)＝ρu(t-1)。
步骤108：若是，根据迭代核心张量和迭代因子，得到迭代背景张量。
步骤109：根据所述迭代背景张量和所述迭代前景张量完成前景和背景的分离。
根据上述最终迭代得到的核心张量S(t)和因子Uk (t)，得到背景张量χ1 (t)，并通过迭代得到背景张量χ2 (t)，最终使得前景背景分离。
上述各式中，S(t)表示第t迭代的核心张量，Uk (t)表示第t迭代的因子张量，Bk (t)表示第t迭代的辅助张量，χ2 (t)表示第t迭代的前景张量，pk (t)和u(t)分别表示第t迭代的拉格朗日乘子和参数，χ1表示背景张量，ρ是用来更新参数u(t)，
Figure BDA0002269237090000061
是阈值算子，t表示迭代次数，t＝1,2,…，k＝1,2,3。
本发明的效果由以下仿真进一步说明。
仿真条件：所有实验的运行环境为Matlab 2014a，Inter Core i5-4690处理器，8GB的内存，win764位操作系统。
仿真内容：从标准数据库I2R数据库、UCSD数据库和CD.net数据库分别选取高速公路监控视频Highway(a)、室内监控视频Bootstrap(b)和行人监控视频Peds(c)，将本文发明与RPCA，HoRPCA，KBR-RPCA，fRMC和TRPCA五种算法进行仿真比较。
仿真结果：
(1)表1列出了RPCA，HoRPCA，KBR-RPCA，fRMC，TRPCA-TNN和本文算法在监控视频上的前景检测客观结果.可见，本文算法获得的F值均高于其他算法，因此本文算法的前景背景分离效果较好。
表1视频数据的F-measure值
Figure BDA0002269237090000071
(2)图2是本发明以及对比算法的视觉效果图。
在图2(a)中，HoRPCA将背景误判为前景的情况最为严重，TRPCA-TNN算法获得的前景缺失较为严重，RPCA和fRMC算法出现较为明显的拖尾现象，KBR-RPCA中存在背景误检，本算法背景去除以及前景提取的效果都较好。对于图2(b)，除HoRPCA与TRPCA-TNN，其余算法对最前方的行人提取较为完整，但RPCA与fRMC将左上方路面的反光误判为前景目标，KBR-RPCA相比于本文算法前景提取稍弱，相比之下，本发明均取得了最佳检测效果。对于图2(c)，本发明与fRMC提取的前景中存在的噪声点较少，HoRPCA中存在的噪声点最多。因此，由图2可以看出，本发明的综合视觉效果较好。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明用基于克罗内克基表示的张量稀疏检测方法去建模视频背景的低维特性，有效解决了背景的时空相关性问题；用L1,1,2范数去建模视频前景的稀疏性，在一定程度上解决了时空间连续性和局部结构性质的问题，从而达到了很好的前景背景分离效果。
如图3所示，本发明还提供了一种基于张量的背景减除系统，所述系统包括：
观测张量获取模块301，用于获取观测张量；所述观测张量为监控视频。
第一分解模块302，用于对所述观测张量进行高阶奇异值分解，得到初始化核心张量、因子、初始化辅助张量、拉格朗日乘子以及迭代次数；所述因子包括第一因子、第二因子以及第三因子。
第二分解模块303，用于将所述观测张量分解为背景张量和前景张量。
约束模块304，用于通过基于克罗内克基表示的张量稀疏检测方法约束所述背景张量，通过范数约束所述前景张量，得到最小化问题。
求解模块305，用于通过求解最小化问题，得到迭代核心张量、迭代因子、迭代辅助张量以及迭代前景张量。
判断模块306，用于判断所述迭代前景张量与前景张量之间的变化是否小于预先设定的阈值。
更新模块307，用于当所述迭代前景张量与前景张量之间的变化不小于预先设定的阈值时，更新拉格朗日乘子。运用软阈值方法求解所述最小化问题，得到迭代核心张量；通过运用vonNeumann’s trace inequality求解所述最小化问题，得到迭代因子；通过求解最小化增广拉格朗日函数，得到迭代前景张量
确定模块308，用于当所述迭代前景张量与前景张量之间的变化小于预先设定的阈值时，根据迭代核心张量和迭代因子，确定迭代背景张量。
分离模块309，用于根据所述迭代背景张量和所述迭代前景张量完成前景和背景的分离。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于张量的背景减除方法，其特征在于，所述方法包括：
获取观测张量；所述观测张量为监控视频；
对所述观测张量进行高阶奇异值分解，得到初始化核心张量、因子、初始化辅助张量、拉格朗日乘子以及迭代次数；所述因子包括第一因子、第二因子以及第三因子；
将所述观测张量分解为背景张量和前景张量；
通过基于克罗内克基表示的张量稀疏检测方法约束所述背景张量，通过范数约束所述前景张量，得到最小化问题；
通过求解最小化问题，得到迭代核心张量、迭代因子、迭代辅助张量以及迭代前景张量；
判断所述迭代前景张量与前景张量之间的变化是否小于预先设定的阈值；
若否，更新拉格朗日乘子；
若是，根据迭代核心张量和迭代因子，得到迭代背景张量；
根据所述迭代背景张量和所述迭代前景张量完成前景和背景的分离。
2.根据权利要求1所述的基于张量的背景减除方法，其特征在于，运用软阈值方法求解所述最小化问题，得到迭代核心张量。
3.根据权利要求1所述的基于张量的背景减除方法，其特征在于，通过运用vonNeumann’s trace inequality求解所述最小化问题，得到迭代因子。
4.根据权利要求1所述的基于张量的背景减除方法，其特征在于，通过求解最小化增广拉格朗日函数，得到迭代前景张量。
5.一种基于张量的背景减除系统，其特征在于，所述系统包括：
观测张量获取模块，用于获取观测张量；所述观测张量为监控视频；
第一分解模块，用于对所述观测张量进行高阶奇异值分解，得到初始化核心张量、因子、初始化辅助张量、拉格朗日乘子以及迭代次数；所述因子包括第一因子、第二因子以及第三因子；
第二分解模块，用于将所述观测张量分解为背景张量和前景张量；
约束模块，用于通过基于克罗内克基表示的张量稀疏检测方法约束所述背景张量，通过范数约束所述前景张量，得到最小化问题；
求解模块，用于通过求解最小化问题，得到迭代核心张量、迭代因子、迭代辅助张量以及迭代前景张量；
判断模块，用于判断所述迭代前景张量与前景张量之间的变化是否小于预先设定的阈值；
更新模块，用于当所述迭代前景张量与前景张量之间的变化不小于预先设定的阈值时，更新拉格朗日乘子；
确定模块，用于当所述迭代前景张量与前景张量之间的变化小于预先设定的阈值时，根据迭代核心张量和迭代因子，确定迭代背景张量；
分离模块，用于根据所述迭代背景张量和所述迭代前景张量完成前景和背景的分离。
6.根据权利要求5所述的基于张量的背景减除系统，其特征在于，运用软阈值方法求解所述最小化问题，得到迭代核心张量。
7.根据权利要求5所述的基于张量的背景减除系统，其特征在于，通过运用vonNeumann’s trace inequality求解所述最小化问题，得到迭代因子。
8.根据权利要求5所述的基于张量的背景减除系统，其特征在于，通过求解最小化增广拉格朗日函数，得到迭代前景张量。
CN201911098926.8A 2019-11-12 2019-11-12 一种基于张量的背景减除方法及系统 Active CN110969638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911098926.8A CN110969638B (zh) 2019-11-12 2019-11-12 一种基于张量的背景减除方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911098926.8A CN110969638B (zh) 2019-11-12 2019-11-12 一种基于张量的背景减除方法及系统

Publications (2)

Publication Number Publication Date
CN110969638A true CN110969638A (zh) 2020-04-07
CN110969638B CN110969638B (zh) 2023-09-29

Family

ID=70030396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911098926.8A Active CN110969638B (zh) 2019-11-12 2019-11-12 一种基于张量的背景减除方法及系统

Country Status (1)

Country Link
CN (1) CN110969638B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308884A (zh) * 2020-11-06 2021-02-02 桂林电子科技大学 一种基于张量核范数的视频背景减除方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060158447A1 (en) * 2005-01-14 2006-07-20 Mcgraw Tim System and method for fast tensor field segmentation
CN103729854A (zh) * 2014-01-16 2014-04-16 重庆邮电大学 一种基于张量模型的红外弱小目标检测方法
US20150063687A1 (en) * 2013-08-30 2015-03-05 Siemens Aktiengesellschaft Robust subspace recovery via dual sparsity pursuit
CN105761251A (zh) * 2016-02-02 2016-07-13 天津大学 一种基于低秩和结构稀疏的视频前景背景分离方法
CN106056607A (zh) * 2016-05-30 2016-10-26 天津城建大学 一种基于鲁棒主成分分析的监控图像背景建模方法
CN106097278A (zh) * 2016-06-24 2016-11-09 北京工业大学 一种多维信号的稀疏模型、重建方法和字典训练方法
US20170098310A1 (en) * 2014-06-30 2017-04-06 Ventana Medical Systems, Inc. Edge-based local adaptive thresholding system and methods for foreground detection
CN107330953A (zh) * 2017-07-06 2017-11-07 桂林电子科技大学 一种基于非凸低秩的动态mri重建方法
WO2018099321A1 (zh) * 2016-11-30 2018-06-07 华南理工大学 一种基于广义树稀疏的权重核范数磁共振成像重建方法
CN108399608A (zh) * 2018-03-01 2018-08-14 桂林电子科技大学 基于张量字典及全变分的高维图像去噪方法
US20180293506A1 (en) * 2017-04-05 2018-10-11 Yahoo Holdings, Inc. Method and system for recommending content items to a user based on tensor factorization
US10147216B1 (en) * 2017-11-01 2018-12-04 Essential Products, Inc. Intelligent camera
CN109447073A (zh) * 2018-11-08 2019-03-08 电子科技大学 一种基于张量鲁棒主成分分析的红外弱小目标检测方法
CN109584303A (zh) * 2018-12-03 2019-04-05 电子科技大学 一种基于Lp范数和核范数的红外弱小目标检测方法
CN109934815A (zh) * 2019-03-18 2019-06-25 电子科技大学 一种结合atv约束的张量恢复红外弱小目标检测方法
CN109934178A (zh) * 2019-03-18 2019-06-25 电子科技大学 一种基于Kronecker基稀疏表示的红外弱小目标检测方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060158447A1 (en) * 2005-01-14 2006-07-20 Mcgraw Tim System and method for fast tensor field segmentation
US20150063687A1 (en) * 2013-08-30 2015-03-05 Siemens Aktiengesellschaft Robust subspace recovery via dual sparsity pursuit
CN103729854A (zh) * 2014-01-16 2014-04-16 重庆邮电大学 一种基于张量模型的红外弱小目标检测方法
US20170098310A1 (en) * 2014-06-30 2017-04-06 Ventana Medical Systems, Inc. Edge-based local adaptive thresholding system and methods for foreground detection
CN105761251A (zh) * 2016-02-02 2016-07-13 天津大学 一种基于低秩和结构稀疏的视频前景背景分离方法
CN106056607A (zh) * 2016-05-30 2016-10-26 天津城建大学 一种基于鲁棒主成分分析的监控图像背景建模方法
CN106097278A (zh) * 2016-06-24 2016-11-09 北京工业大学 一种多维信号的稀疏模型、重建方法和字典训练方法
WO2018099321A1 (zh) * 2016-11-30 2018-06-07 华南理工大学 一种基于广义树稀疏的权重核范数磁共振成像重建方法
US20180293506A1 (en) * 2017-04-05 2018-10-11 Yahoo Holdings, Inc. Method and system for recommending content items to a user based on tensor factorization
CN107330953A (zh) * 2017-07-06 2017-11-07 桂林电子科技大学 一种基于非凸低秩的动态mri重建方法
US10147216B1 (en) * 2017-11-01 2018-12-04 Essential Products, Inc. Intelligent camera
CN108399608A (zh) * 2018-03-01 2018-08-14 桂林电子科技大学 基于张量字典及全变分的高维图像去噪方法
CN109447073A (zh) * 2018-11-08 2019-03-08 电子科技大学 一种基于张量鲁棒主成分分析的红外弱小目标检测方法
CN109584303A (zh) * 2018-12-03 2019-04-05 电子科技大学 一种基于Lp范数和核范数的红外弱小目标检测方法
CN109934815A (zh) * 2019-03-18 2019-06-25 电子科技大学 一种结合atv约束的张量恢复红外弱小目标检测方法
CN109934178A (zh) * 2019-03-18 2019-06-25 电子科技大学 一种基于Kronecker基稀疏表示的红外弱小目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KAJO IBRAHIM: "Self-Motion-Assisted Tensor Completion Method for Background Initialization in Complex Video Sequences", IEEE TRANSACTIONS ON IMAGE PROCESSING : A PUBLICATION OF THE IEEE SIGNAL PROCESSING SOCIETY *
陈利霞;文学霖;欧阳宁: "NSST各向异性双变量收缩的图像去噪算法" *
陈利霞;文学霖;欧阳宁: "NSST各向异性双变量收缩的图像去噪算法", 计算机工程与设计, vol. 35, no. 12 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308884A (zh) * 2020-11-06 2021-02-02 桂林电子科技大学 一种基于张量核范数的视频背景减除方法
CN112308884B (zh) * 2020-11-06 2023-06-16 桂林电子科技大学 一种基于张量核范数的视频背景减除方法

Also Published As

Publication number Publication date
CN110969638B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
Ye et al. Dynamic texture based smoke detection using Surfacelet transform and HMT model
Shakeri et al. COROLA: A sequential solution to moving object detection using low-rank approximation
CN111091045A (zh) 一种基于时空注意力机制的手语识别方法
WO2021227366A1 (zh) 一种多个小目标的自动准确检测方法
Kuanar et al. Night time haze and glow removal using deep dilated convolutional network
CN111476181A (zh) 一种人体骨架动作的识别方法
CN110287819A (zh) 动态背景下基于低秩及稀疏分解的动目标检测方法
CN113936256A (zh) 一种图像目标检测方法、装置、设备以及存储介质
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
Suo et al. An improved adaptive background modeling algorithm based on Gaussian Mixture Model
CN107506792B (zh) 一种半监督的显著对象检测方法
CN102254328A (zh) 基于部分稀疏约束非负矩阵分解的视频运动特征提取方法
Wang et al. Robust PCA using matrix factorization for background/foreground separation
Shijila et al. Simultaneous denoising and moving object detection using low rank approximation
Jiang et al. A self-attention network for smoke detection
CN115731513B (zh) 基于数字孪生的智慧园区管理系统
CN115393231B (zh) 一种缺陷图像的生成方法、装置、电子设备和存储介质
CN114898416A (zh) 一种人脸识别方法、装置、电子设备及可读存储介质
Al-Dhamari et al. Online video-based abnormal detection using highly motion techniques and statistical measures
CN114359687B (zh) 基于多模态数据双重融合的目标检测方法、装置、设备和介质
CN110969638A (zh) 一种基于张量的背景减除方法及系统
CN110136164B (zh) 基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法
CN116862252B (zh) 一种基于复合卷积算子的城市建筑物损失应急评估方法
CN109002802B (zh) 基于自适应鲁棒主成分分析的视频前景分离方法和系统
CN116543333A (zh) 电力系统的目标识别方法、训练方法、装置、设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant