作　　者： ; ; ; ;

机构地区： 深圳大学

出　　处： 《深圳大学学报（理工版）》 2016年第5期511-516,共6页

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

领　　域： [自动化与计算机技术] [自动化与计算机技术]