發(fā)布時間：2018-10-09 11:28

【摘要】：近十年來,隨著攝像機的普及和網(wǎng)絡(luò)技術(shù)的高速發(fā)展,我們面臨的視頻監(jiān)控數(shù)據(jù)也出現(xiàn)井噴式地增加,給我們的數(shù)據(jù)分析帶來了一系列的問題.例如：在大數(shù)據(jù)時代,如何存儲大規(guī)模的視頻數(shù)據(jù)?如何快速尋找到異常片段?如何根據(jù)已知信息,在視頻庫中尋找相關(guān)的視頻?壓縮感知的出現(xiàn)解決了這些問題,本文利用壓縮感知的相關(guān)理論,主要研究低秩稀疏矩陣分解在視頻監(jiān)控中的應(yīng)用.基于凸松弛理論,假設(shè)低秩矩陣的秩為1,那么低秩稀疏矩陣分解問題就會轉(zhuǎn)化為秩-1稀疏矩陣分解問題.針對該模型,提出了修正的變權(quán)重置L1算法.與傳統(tǒng)的交替方向法相比,大大提高了算法的精度.隨后,將秩-1稀疏矩陣分解的思想應(yīng)用到磁共振成像中,提出修正的交替方向法.通過數(shù)值實驗表明,該算法更易于發(fā)現(xiàn)病變的區(qū)域,為治療帶來了極大的好處.基于非凸松弛理論,針對傳統(tǒng)的低秩稀疏矩陣分解問題,提出用S1/2范數(shù)代替秩、用L1/2范數(shù)代替L1范數(shù)的想法,得到非凸、非光滑、非Lispchitz的A1/2-L1/2模型.由于每個子問題都有顯示解,能夠給出快速的迭代半閾值算法.應(yīng)用不動點方法,給出相應(yīng)的收斂性結(jié)果.最后,對文章進(jìn)行總結(jié).
[Abstract]:In the past decade, with the popularization of video cameras and the rapid development of network technology, the video surveillance data we are faced with has also increased by blowout, which has brought a series of problems to our data analysis. For example: in big data's time, how to store large-scale video data? How to find exception fragments quickly? How to find the relevant video in the video library based on the known information? The emergence of compressed sensing solves these problems. This paper mainly studies the application of low rank sparse matrix decomposition in video surveillance by using the theory of compressed sensing. Based on convex relaxation theory, assuming that the rank of low rank matrix is 1, the problem of low rank sparse matrix decomposition will be transformed into rank 1 sparse matrix factorization problem. For this model, a modified L1 algorithm with variable weights is proposed. Compared with the traditional alternating direction method, the accuracy of the algorithm is greatly improved. Then, the rank-1 sparse matrix decomposition is applied to magnetic resonance imaging, and a modified alternating direction method is proposed. Numerical experiments show that the algorithm is easier to find the lesion area and brings great benefits to the treatment. Based on the theory of non-convex relaxation, the idea of replacing rank with S _ 1 / 2 norm and L _ 1 / 2 norm instead of L _ 1 norm is proposed to solve the traditional low-rank sparse matrix decomposition problem. A non-convex, non-smooth and non-Lispchitz A1/2-L1/2 model is obtained. Since each subproblem has a display solution, a fast iterative semi-threshold algorithm can be given. By using the fixed point method, the corresponding convergence results are given. Finally, the article is summarized.
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：O151.21;TN948.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王宇,馮果忱;矩陣分解因子的直接換元修正[J];高等學(xué)校計算數(shù)學(xué)學(xué)報;1991年04期

2 鄂國康;;矩陣分解的一般定理及基本分析[J];西南民族學(xué)院學(xué)報(自然科學(xué)版);1991年04期

3 田鐘穎,嚴(yán)克明;矩陣分解在運動分析中的應(yīng)用初探[J];甘肅工業(yè)大學(xué)學(xué)報;1989年04期

4 王群英;;矩陣分解方法的探究[J];長春工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2011年01期

5 張海建;;分布式矩陣分解算法在推薦系統(tǒng)中的研究與應(yīng)用[J];科技通報;2013年12期

6 李華云;;F范數(shù)及矩陣分解實例研究[J];現(xiàn)代情報;2008年10期

7 湯彬;段波;;伽馬測井分層解釋的單一系數(shù)分解法[J];物探化探計算技術(shù);1989年04期

8 陳伯倫;陳];鄒盛榮;徐秀蓮;;基于矩陣分解的二分網(wǎng)絡(luò)社區(qū)挖掘算法[J];計算機科學(xué);2014年02期

9 范云鵬;周水生;;矩陣分解[J];數(shù)學(xué)學(xué)習(xí)與研究;2012年03期

10 賀超波;湯庸;沈玉利;石玉強;;應(yīng)用非負(fù)值矩陣分解模型的社區(qū)挖掘方法[J];小型微型計算機系統(tǒng);2014年06期

相關(guān)會議論文 前2條

1 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應(yīng)用[A];第九屆全國結(jié)構(gòu)工程學(xué)術(shù)會議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術(shù)在體系性態(tài)綜合分析中的初步應(yīng)用[A];“力學(xué)2000”學(xué)術(shù)大會論文集[C];2000年

相關(guān)博士學(xué)位論文 前1條

1 陳根浪;基于社交媒體的推薦技術(shù)若干問題研究[D];浙江大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 封金蕾;基于矩陣分解的顯著對象提取算法分析與應(yīng)用[D];北京交通大學(xué);2012年

2 陳天奇;基于特征的矩陣分解模型[D];上海交通大學(xué);2013年

3 鄒丹;非負(fù)矩陣分解算法研究及其在個性化推薦系統(tǒng)中的應(yīng)用[D];北京工業(yè)大學(xué);2012年

4 張川;基于矩陣分解的協(xié)同過濾推薦算法研究[D];吉林大學(xué);2013年

5 楊娟;多通路主題模型和雙矩陣分解推薦算法[D];蘇州大學(xué);2013年

6 李明;基于矩陣分解理論學(xué)習(xí)的數(shù)據(jù)降維算法研究[D];遼寧師范大學(xué);2011年

7 胡澍;融合社會關(guān)系的資源推薦方法研究[D];華中科技大學(xué);2012年

8 張靜姝;推薦系統(tǒng)中基于智能優(yōu)化算法的矩陣分解[D];吉林大學(xué);2014年

9 楊艷飛;一些矩陣分解的嚴(yán)格擾動界的研究[D];重慶大學(xué);2014年

10 慕福楠;面向微博用戶的推薦多樣性研究[D];哈爾濱工業(yè)大學(xué);2013年

，

本文編號：2259180