侯 涛，伍海萍，牛宏侠

(兰州交通大学a.自动化与电气工程学院；b.自动控制研究所，兰州730070)

0 引言

铁路沿线的行人、车辆、泥石流等异物入侵，影响列车正常运行，故准确快速地实现铁路动态异物入侵实时检测，具有现实的工程意义[1].深度学习作为机器学习领域一个重要的研究热点，已经在图像分析、语音识别、自然语言处理、视频分类等领域取得了令人瞩目的成就[2].它们具有学习能力强、覆盖范围广、可移植性好等优点，但也具有计算量大、硬件需求高、模型设计复杂等缺点.因此，不适合应用于实时性要求较高的铁路轨道异物入侵检测系统.

背景减法作为视频处理中一个必不可少的基础性研究课题，以计算较为简单且对计算机配置无特殊要求等优点被广泛应用于运动物体检测.中值(均值)模型[3-4]，直方图模型[5]，混合高斯分布(Mixture of Gaussian，MOG)[6]和广义混合高斯(Mixture of Generalized Gaussian，MOGG)[7]等模型被相继提出.低秩矩阵分解(Low Rank Matrix Factorization，LRMF)学习模型[8-9]由于较好地考虑了视频结构知识的前景和背景被广泛运用，在线子空间学习[10-11]算法具有每次只处理一帧，逐步更新视频背景等优点，被用于处理监控摄像头拍摄的视频.

在线背景减除技术在实际应用中仍存在明显缺陷[12-15]：现存的在线方法利用MOG模型对每帧的前景进行单独模拟，这种做法割裂了视频序列的连续性和时域性，使其偏离真实的场景，算法检测效率大大降低；多数方法对视频背景采用低秩结构时，忽略经常发生的动态相机抖动，如平移……