基于增量非负矩阵分解的自适应背景模型  

Adaptive background modeling via incremental non-negative matrix factorization

作　　者：董怀琴[1] 潘彬彬[1] 陈文胜[1] 徐晨[2] 

机构地区：[1]深圳大学数学与统计学院,广东深圳518060 [2]深圳大学智能计算科学研究所,广东深圳518060

出　　处：《深圳大学学报（理工版）》2016年第5期511-516,共6页Journal of Shenzhen University(Science and Engineering)

基　　金：国家自然科学基金资助项目(11526145;61272252;11501377)~~

摘　　要：提出一种基于增量非负矩阵分解的自适应背景模型,以处理动态背景变化.当有新的数据流到达时,利用增量非负矩阵分解有效地更新背景模型.实验结果表明,与非负矩阵分解相比,增量非负矩阵分解不仅运算时间更少,而且能够提取出更好的前景.A method for adaptive background modeling based on the incremental non-negative matrix factorization（ INMF） is proposed. INMF is used to update new background models effectively when new data streams arrive. The experimental results show that,compared with non-negative matrix factorization（ NMF）,INMF not only takes less running time but also can be used to extract better foregrounds.

关 键 词：应用数学 非负矩阵分解 背景建模 增量学习 特征提取 满秩分解 前景提取 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]