[1]董怀琴,潘彬彬,陈文胜,等.基于增量非负矩阵分解的自适应背景模型[J].深圳大学学报理工版,2016,33(5):511-516.[doi:10.3724/SP.J.1249.2016.05511]
　Dong Huaiqin,Pan Binbin,Chen Wensheng,et al.Adaptive background modeling via incremental non-negative matrix factorization[J].Journal of Shenzhen University Science and Engineering,2016,33(5):511-516.[doi:10.3724/SP.J.1249.2016.05511]
点击复制

基于增量非负矩阵分解的自适应背景模型()
分享到：

《深圳大学学报理工版》[ISSN:1000-2618/CN:44-1401/N]

卷:
第33卷
期数:
2016年第5期
页码:
511-516
栏目:
电子与信息科学
出版日期:
2016-09-24

文章信息/Info

Title:
Adaptive background modeling via incremental non-negative matrix factorization
作者:
董怀琴; 潘彬彬; 陈文胜; 徐晨
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
Author(s):
Dong Huaiqin;  Pan Binbin; Chen Wensheng; and Xu Chen
1) College of Mathematics and Statistics, Shenzhen University, Shenzhen 518060, Guangdong Province, P. R. China
2) Institute of Intelligent Computing Science, Shenzhen University, Shenzhen 518060, Guangdong Province, P. R. China
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
Keywords:
applied mathematics;  non-negative matrix factorization;  background modeling;  incremental learning;  feature extraction;  full rank factorization;  foreground extraction
分类号:
TP 391
DOI:
10.3724/SP.J.1249.2016.05511
文献标志码:
A
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．

相似文献/References:

[1]贾森,钱沄涛,纪震,等.基于光谱和空间特性的高光谱解混方法[J].深圳大学学报理工版,2009,26(3):262.
　JIA Sen,QIAN Yun-tao,JI Zhen,et al.Spectral and spatial character-based hyperspectral unmixing[J].Journal of Shenzhen University Science and Engineering,2009,26(5):262.
[2]徐韧哲,汪家伟,叶声豪,等.基于SIQR模型的新冠肺炎期间深圳市防控措施分析[J].深圳大学学报理工版,2020,37(3):257.[doi:10.3724/SP.J.1249.2020.03257]
　XU Renzhe,WANG Jiawei,YE Shenghao,et al.Analysis of prevention measures in Shenzhen based on SIQR model during the novel coronavirus pneumonia[J].Journal of Shenzhen University Science and Engineering,2020,37(5):257.[doi:10.3724/SP.J.1249.2020.03257]

更新日期/Last Update: 2016-09-08