基于RPCA与空间相关约束的运动目标检测方法

传统的RPCA方法使用L1范数约束前景目标,对于很多复杂的环境往往不能很好地逼近真实前景区域。复杂环境下的目标检测受到背景杂波、噪声、光照变化、场景中存在阴影等因素的影响,需要尽可能引入先验信息提升鲁棒性。利用RPCA这一正在发展的工具,在矩阵低秩稀疏正则化框架下将矩阵求解与视频前景目标的空间连续性结合起来,引入TV范数约束前景的空间连续性,从而弥补现有低秩表示方法的不足。采用交替迭代的思想,使用增广拉格朗日乘子法对目标函数进行优化求解,实现复杂环境下的运动目标检测。使用视频数据集进行算法测试,与其他有代表性的方法对比,该算法在准确性和鲁棒性方面均有很大提高。