董怀琴，潘彬彬，陈文胜，徐　晨

1) 深圳大学数学与统计学院，广东深圳 518060；2) 深圳大学智能计算科学研究所，广东深圳 518060



【电子与信息科学 / Electronics and Information Science】

基于增量非负矩阵分解的自适应背景模型

董怀琴1，潘彬彬1，陈文胜1，徐晨2

1) 深圳大学数学与统计学院，广东深圳 518060；2) 深圳大学智能计算科学研究所，广东深圳 518060

提出一种基于增量非负矩阵分解的自适应背景模型，以处理动态背景变化．当有新的数据流到达时，利用增量非负矩阵分解有效地更新背景模型．实验结果表明，与非负矩阵分解相比，增量非负矩阵分解不仅运算时间更少，而且能够提取出更好的前景．

应用数学；非负矩阵分解；背景建模；增量学习；特征提取；满秩分解；前景提取

背景模型是一种检测运动物体的常用方法．通过将当前帧与背景相减，可以得到前景，以此进行物体分割、检测和追踪[1-5]．背景是包含静止物体的场景，如房子、树、墙壁及家具等．前景则是非静止的物体，包括运动的汽车、行走或跑动的人．由于背景随着物体的运动而动态变化，如原本静止的汽车离开了，或者是运动的人静止了，因此，需要自适应地更新背景模型．

当从一系列的帧之中提取背景时，由于这些帧的背景是一致的，可以认为背景是这些帧的主要成分，而前景为稀疏成分．因此，可以采用子空间的方法，如主成分分析(principal component analysis, PCA)[6]和非负矩阵分解(non-negative matrix factorization, NMF)[7]，对一系列帧提取其主要成分．这些主要成分就是所需要的背景，通过将一帧在这些成分张……