邵泽瑞

（四川大学计算机学院，成都610065）

0 引言

运动目标检测对于许多计算机视觉应用至关重要，例如基于视频的压缩编码、目标行为试别和监控对象跟踪。因此，在过去几十年里，许多运动目标检测方法被先后被提出来。文献[1]通过简单的统计学方法，例如平均值和直方图模型，来直接区分前景与背景的像素，文献[2]通过使用高斯混合模型（GMM）对像素值进行建模进而达到对视频帧像素进行分类的目的，但是这些方法并没有充分使用到视频帧间的时间相似性和前景目标的空间相似性，当处理具有相机抖动和动态背景等复杂视频数据时，这些算法的性能将会明显下降。

近年来，通过使用背景低秩性和前景稀疏性的先验，基于鲁棒主成分分析（RPCA）的方法在运动目标检测任务中取得了显著的成功。例如，文献[3]提出的PCP算法使用l1范式对稀疏分量进行约束，使用对视频帧数据进行批处理（Batch）的方式提取前景部分；文献[4]提出了ORPCA算法用于提取视频帧的前景部分，该算法是PCP算法的在线（Online）处理方式，我们一般称PCP算法和ORPCA算法为传统的RPCA方法；文献[5]提出的DECOLOR算法使用马尔可夫随机场（MRF）对前景部分进行稀疏约束，并使用l0范式对稀疏分量进行正则化约束；文献[6]提出的OMoGMF+TV算法，在不使用固定的前景分布概率的情况下，使用混合高斯分布（MoG）对前景部分进行建模。

虽然传统的RPCA方法在运动目标检测领域取得了巨大成果，但在实践中它们的前景提取性能存在着一个主要的限制：由于实际应用中的场景过于复杂，前景部分不一定是真正稀疏的，因而l1范式所规定的稀疏性假设对于复杂的前景而言往往过于严格，进而影响到RPCA方法在提取前景时的性能。……