简介:本文介绍了一种在线递归投影稀疏矩阵恢复(ReProSMR)算法矩阵时间序列Mt等于稀疏矩阵序列St与非稀疏矩阵序列Lt之和,其中Lt在低维张量空间内随时间缓慢变化ReProSMR算法实时地将观测矩阵Mt分解为非稀疏矩阵Lt和稀疏矩阵StReProSMR算法的一个典型应用场景为监控视频动态背景建模,监控视频的每一帧图像的背景部分由于具有很强的相似性而构成低秩部分,而少量的运动目标构成视频的前景则对应于稀疏部分ReProSMR算法对图像序列进行矩阵低秩稀疏分解,便可成功地将静止的背景和活动的前景分开,从而实现背景动态建模和运动前景识别。ReProSMR算法是递归投影压缩传感(ReProCS)算法引入张量主成分分析后的改进算法实验结果表明,ReProSMR算法的计算效率显著高于ReProCS算法。
简介:智能交通分析性监控系统需要在不断产生的、海量的、格式多样的过车数据中快速发现问题,最好在问题发生时就发出预警。交通管理部门传统使用的数据库能力有限,无法满足对实时性的需求。所幸,这个难题恰好是近年来热门的大数据技术的强项。大数据技术以其分布式的计算方式尤其擅长对海量数据进行快速处理。大数据已经有相对成熟的技术来进行复杂的批量数据处理、基于历史数据的交互式查询和基于实时数据的流处理。本文分析了当前分析监控系统的不足,通过对业务逻辑关系的深入分析,采用TranswarpStream技术实现大数据的实时处理,支撑实时显示和告警机动车违规违章活动热点,以及分析机动车活动轨迹并做预测等应用。