登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 开题报告 > 理工学类 > 自动化 > 正文

基于结构化鲁棒PCA的运动目标检测开题报告

 2022-01-14 20:39:16  

全文总字数:2990字

1. 研究目的与意义及国内外研究现状

目的:运动目标检测技术在图像处理这一领域中发挥着重要的作用。背景建模是运动目标检测中传统而又常用的方法。然而,由于背景建模方法是基于像素点的,对背景方面的考虑过于简单,因此在处理真实视频时有很大的局限性。于此同时,一种基于鲁棒PCA的运动目标检测方法成为图像处理领域的研究热点,为对这种方法进行进一步的探索与应用,本文对其进行系统综述。

意义:在运动目标检测技术中,常用的背景差分方法虽然能有效地适应背景本身存在的复杂变化,但很难对动态背景进行有效建模。相比较,RPCA模型能够同时估计背景与分离运动目标,体现出了一定的优越性。本文对这种方法进行综合研究,因此具有一定的理论意义和实际应用价值。

国内外研究现状

近年来,用矩阵分解的方法来实现运动目标检测引起了广泛的关注。这种方法认为观测视频中的背景部分能够被低秩矩阵所捕捉到。其中,最著名的是Wright提出的鲁棒主成分分析(RPCA)。RPCA 模型是一个子空间学习模型,其发展可追溯到主成分分析(PCA) 。PCA 是早期的子空间学习模型,并且同样被用于前景检测,然而PCA对含有异常点和大噪声的观测数据非常敏感,不能适用于含有稀疏噪声的数据。直到近年来,RPCA 通过引入了稀疏表示而对含有异常点和稀疏噪声的观测数据更加鲁棒。但是,由于当初提出的模型具有一定的缺陷和不少场景具有一定程度的复杂性,使得最初的RPCA 模型仍然存在不少的问题,通用性较差,缺乏前景运动目标检测的鲁棒性。为此,近年来许多国内外研究学者针对初期RPCA 模型做了不少的改进,极大地推动了RPCA 模型在目标检测中的应用。Bouwmans 等人对此进行了较为系统的总结和分析。近几年,基于RCA 的目标检测算法犹如雨后春笋一般层出不穷,出现了众多其他类型的改进模型。

2. 研究的基本内容

研究内容:针对基于RPCA的运动目标检测,研究了RPCA模型建立的一般方法,并对几种常见的算法进行研究比较,具有重要的理论与实际意义。

主要包括:

(1)综述前景运动目标检测的研究现状;(2)分析鲁棒PCA的基本原理,研究基于鲁棒PCA的运动目标检测算法;(3)建立鲁棒PCA目标检测的优化算法,提取各帧图像中的运动目标;(4)对多种算法进行实验评估与分析

3. 实施方案、进度安排及预期效果

实施方案:通过研究相关资料,了解rpca模型,掌握两种基于rpca运动目标检测的常用算法。在研究过程中,熟练运用matlab仿真软件进行仿真,与理论研究不断交互,互相验证,最终完成本次毕业论文。

进度:2月20日-3月15日查阅论文所需的相关资料,进行外文翻译

3月16日-4月6日掌握基于鲁棒pca的运动目标检测的算法

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献

1) Candes, E. J., Li, X., Ma, Y., and Wright, J. Robust principal `component analysis? Journal of the ACM (submitted), 2009.2) Chandrasekaran, Venkat, Sanghavi, Sujay, Parrilo, Pablo A, andWillsky, Alan S. Rank-sparsity incoherence for matrix decomposition.arXiv:0906.2220, 2009.3) Cheng, L., Gong, M., Schuurmans, D., and Caelli, T. Realtimediscriminative background subtraction. to appear in IEEETrans on Image Processing, 2010.4) Donoho, D. L. Compressed sensing. IEEE Trans on InformationTheory, 52(4):1289–1306, 2006.5) Fazel, M., Candes, E. J., Recht, B., and Parrilo, P. Com- pressed sensing and robust recovery of low rank matrices. In42nd Asilomar Conference on Signals, Systems and Computers,2008.6) Halko, N., Martinsson, P. G., and Tropp, J. A. Finding structurewith randomness: Stochastic algorithms for constructing approximatematrix decompositions. arXiv: 0909.4061,2009.7) Keshavan, R. and Oh, S. Optspace: A gradient descent algorithmon grassman manifold for matrix completion. Submittedto IEEE Trans on Signal Processing, 2009.8) Lewis, A. S. and Malick, J. Alternating projections on manifolds.Mathematics of Operations Research, 33(1):216–234, 2008.9) Roweis, S. Em algorithms for pca and spca. In NIPS, pp. 626–632, 1998.10) Zhou, T. and Tao, D. Bilateral random projection based low-rankapproximation. Technical report, 2010.11) Zhou, T., Tao, D., and Wu, X. Manifold elastic net: a unifiedframework for sparse dimension reduction. Data Mining andKnowledge Discovery (Springer), 22(3):340–371, 2011.12) Zhou, Z., Li, X., Wright, J., Candes, E. J., and Ma, Y. Stable `principal component pursuit. In ISIT, 2010.

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

微信号:bysjorg

Copyright © 2010-2022 毕业论文网 站点地图