基于正则化参数自适应估计的运动目标提取
2018-11-21杨瑞锋
电光与控制 2018年11期
关键词:实验
杨瑞锋, 黄 山
(四川大学电气信息学院,成都 610065)
0 引言
图像作为人类感知世界的视觉基础,是人类获取信息、表达信息和传递信息的重要手段。随着计算机视觉和图像处理在各个领域内的广泛应用,运动目标检测[1]成为当今研究的热点。近些年来,基于稀疏表示的压缩感知理论发展使稀疏表示成为一种有效的数据表示方式。低秩矩阵恢复(RPCA)[1]已经成为一种流行的数据获取和表示方式,随着文献[2]提出矩阵RPCA,开始通过引入稀疏表示从而提高对含有大噪声和异常点的观测数据的鲁棒性。然而随着现代视频数据的数据结构维度增高和更为复杂,为了更好地表达高阶数据复杂的本质结构,文献[3]提出张量高阶奇异值分解,将矩阵的奇异值分解扩展到张量,为高维数据的分析和处理提供有力的支撑。因此,越来越多的研究人员运用张量高阶奇异值分解来实现运动目标提取。但是对实验正则化参数的调试过程是一项工作量大并且耗时长的工程,研究者们开始关注于正则化参数的自适应估计。现有选择参数的方法有Morozov’s 偏差准则[4]、广义交互验证法(Generalized Cross-Validation,GCV)[5]、Curve法[6]和变分贝叶斯法(Variational Bayes’ Approach)[7]等。文献[8]中利用Morozov’s 偏差准则实现了基于全变分的图像去模糊的正则化参数自适应估计,受此启发,本文将采用Morozov’s偏差准则实现基于HOSVD的运动目标检测的正则化参数自适应估计。
1 Morozov’s偏差准则
以图像恢复为例引入Morozov’s偏差准则。一般而言,图像的退化过程可以表示为
V=KUclean+N
(1)
式中:V为观测图像;……
登录APP查看全文
