基于双向稀疏表示的鲁棒目标跟踪算法

目前,基于稀疏表示的目标跟踪通常为在目标模板集上重构候选样本的正向模型或者在候选样本集上描述目标模板的反向模型.两个模型的共同点是均需计算候选样本与模板集合之间的稀疏相关系数矩阵.基于此,建立了一个双向联合稀疏表示的跟踪模型,该模型通过L2范数约束正反向稀疏相关系数矩阵达到一致收敛.与之前的单向稀疏表示模型相比,双向稀疏表示跟踪模型在正反向联合求解框架下可以更加充分地挖掘所有候选样本与模板集之间的稀疏映射关系,并将稀疏映射表上对正负模板区分度最好的候选样本作为目标.基于加速逼近梯度(accelerated proximal gradient)快速算法,以矩阵形式推导了双向稀疏表示模型的求解框架,使得候选样本集和目标模板集均以矩阵方式并行求解,在一定程度上提高了计算效率.实验数据表明所提出的算法优于传统的单向稀疏表示目标跟踪算法.     

基于结构信息建模和判别稀疏的红外小目标跟踪方法

为了提高背景杂波和成像噪声等干扰下红外小目标的跟踪精度,提出了一种基于结构信息建模和判别稀疏的红外小目标跟踪方法。小目标信号在广义高斯目标超完备字典上被稀疏分解,以便从受噪声干扰和杂波污染的红外图像中提取出小目标的空间结构信息;设计了转移受限粒子滤波跟踪算法,以提高粒子的采样概率;在转移受限粒子滤波框架下,基于判别稀疏表示和L_1范数最小化框架求解候选目标的稀疏系数,实现小目标的跟踪。基于各种红外序列对所提方法进行实验论证,实验结果表明,所提方法能够在杂波和噪声较大的干扰下稳定地跟踪小目标,其中心误差、重叠率和平均视频播放帧率分别为3pixel、0.7和40fps,均优于其他对比方法,且具有较强的鲁棒性。     

协作稀疏字典学习实现单幅图像超分辨率重建

字典的选择影响基于稀疏编码的图像超分辨率重建模型的重建质量。提出了一种基于协作稀疏表达的字典学习算法。在训练阶段,通过K-Means聚类算法将样本图像块划分为不同的聚类;构建基于同时稀疏约束条件的协作稀疏字典学习模型对每个聚类训练高、低分辨率字典;应用基于L_2范数的稀疏编码模型将图像超分辨率重建过程中输入图像块由低分辨率到高分辨率的映射转变为简单的线性映射,并针对不同聚类求得相应的线性映射矩阵。在重建阶段,输入图像块通过搜索与自身结构最相似的聚类来选择相应映射矩阵获得重建后的高分辨率图像。结果表明,本文算法通过改进字典学习过程实现了更好的图像超分辨率重建质量。     

基于两阶段稀疏表示的稳健快速视觉跟踪

L1跟踪对局部遮挡具有较好的稳健性,但存在对模板中的离群信息比较敏感和计算速度慢的问题。针对这两个问题,提出了两阶段稀疏表示模型,并基于块坐标优化原理设计了相应的快速求解算法。在第一阶段,该算法利用局部约束线性编码,求解目标模板表示系数,在第二阶段,该算法利用软阈值操作,求解小模板表示系数。以粒子滤波为跟踪方法,结合提出的模型和算法实现了稳健快速的视觉跟踪。利用标准图像序列对提出的方法进行了验证,实验结果表明,提出的跟踪方法在稳健性和跟踪速度方面均优于现有跟踪方法。     

利用黑洞原理改进稀疏外观模型跟踪算法

为了解决跟踪漂移问题,提出了一种利用黑洞原理改进的稀疏外观模型目标跟踪算法,用来提高目标跟踪的鲁棒性。利用黑洞原理从目标模板中搜索聚类中心来降低目标模板数量。通过学习分类器用于构造目标特征;用黑洞原理获取模板字典表示目标;采用高斯分布运动模型获取目标样本,在贝叶斯框架下根据观测模型获取最优目标位置实现跟踪。不同视频序列被用于改进的稀疏外观模型跟踪算法和其他先进目标跟踪算法进行仿真实验。实验结果表明,实现了目标跟踪的目的,有效地降低了目标局部遮挡问题的影响,提高了目标跟踪精度。     

粒子区别性稀疏表征的小弱运动目标跟踪算法

评估每个粒子的重要性是确保粒子滤波法跟踪目标准确性的重要因素。针对背景杂波和噪声干扰形成的大量虚警导致小弱目标跟踪识别的随机性和不确定性问题, 提出了一种基于粒子区别性稀疏表征的小弱目标跟踪方法。该方法根据红外图像信号自适应构建分类超完备字典, 即反映目标信号特征的目标字典和表示背景杂波的背景字典, 有利于突出目标粒子和背景粒子在联合分类字典的稀疏表征差异程度;建立基于目标粒子和背景粒子稀疏重构残差差异性的粒子滤波观测模型, 采用随机估计法对字典子空间进行在线更新, 实现对目标状态估计与跟踪。理论分析和试验结果表明, 该方法增强了随机粒子的状态估计能力, 提升了粒子稀疏表征对小弱运动目标的适应能力和跟踪识别准确度。     

联合矩阵低秩逼近和稀疏表示的高分辨率遥感影像目标识别方法

针对高分辨率遥感影像地物信息复杂、目标识别率低等问题,提出了一种联合矩阵低秩逼近的稀疏表示遥感影像目标识别方法。对原始遥感影像进行Radon变换,将处理过后的遥感影像进行低秩和稀疏分解,得到具有低秩性和稀疏性的两部分信息;通过K-SVD算法分别对这两部分信息进行字典学习,构建稀疏表示的判别字典;通过稀疏表示求解算法求解出待分类的目标在判别字典上的稀疏系数,根据稀疏系数最大准则对目标进行分类识别。在Uc Merced数据集上选取具有代表性的线性和非线性子集分别进行实验,结果表明所提算法与传统的SRC、SVM、MLC和KNN等分类识别算法相比,在采样比例为1/16、稀疏度为5时,识别率在线性子集上能够提高10%、在非线性子集上能够提高5%,表明所提方法具有较好的识别效果。     

高光谱图像自适应核联合表示异常检测

针对高光谱图像目标检测问题,提出了一种基于自适应核联合表示的高光谱图像异常检测方法。相比于稀疏表示强调系数向量的稀疏性,基于联合表示的检测算法更强调背景字典中每一原子对联合表示的贡献,并且系数求解更加简单直接;在基于向量2-范数极小化问题求解联合表示系数时,引入相似性正则化矩阵与和为1的条件对系数进行约束,以增强算法的稳定性和分辨力;进而将联合表示检测算法扩展到核空间,利用高光谱图像的局部统计特性进行核参数自适应选取,增强了核参数的局部适应性。为验证该方法的有效性,采用一幅实测高光谱图像中的两个感兴趣区域进行仿真实验,并与传统异常检测方法的检测结果进行对比分析,结果表明该方法具有较传统异常检测方法更出色的检测效果。     

基于多特征的双模板自适应更新跟踪算法

针对均值漂移算法中采用单一颜色特征以及缺乏必要模板更新方法的缺陷,提出一种基于多特征的双模板自适应更新目标跟踪算法。引入像素点邻域灰度均值差和分层空间信息加强目标特征的鉴别性,再通过对目标与背景区域双模板相似度系数的综合分析,准确地判断跟踪干扰因素的来源,并以当前帧目标区域的相似度系数为权值对目标模板进行加权更新,使得模板更新速度与其目标特征变化相适应的同时抑制模板过更新,较好地解决了模板更新时机和更新速度等问题。仿真结果表明,所提算法在不同跟踪场景下均具有较强的鲁棒性。     

基于DTCWT和稀疏表示的红外偏振与光强图像融合

针对红外偏振与光强图像彼此包含共同信息和特有信息的特点,提出了一种基于双树复小波变换和稀疏表示的图像融合方法.首先,利用双树复小波变换获取源图像的高频和低频成分,并用绝对值最大值法获得融合的高频成分;然后,用低频成分组成联合矩阵,并使用K-奇异值分解法训练该矩阵的冗余字典,根据该字典求出各个低频成分的稀疏系数,通过稀疏系数中非零值的位置信息判断共有信息和特有信息,并分别使用相应的规则进行融合;最后,将融合的高低频系数经过双树复小波反变换得到融合图像.实验结果表明,本文提出的融合算法不仅能较好地凸显源图像的共有信息,而且能很好地保留它们的特有信息,同时,融合图像具有较高的对比度和细节信息.     

基于在线检测和尺度自适应的相关滤波跟踪

针对相关滤波跟踪在遮挡及目标尺度变化等情况下容易跟踪失败的问题,提出一种基于在线检测和尺度自适应的相关滤波跟踪算法。相关滤波跟踪器融合方向梯度直方图特征、颜色属性特征和光照不变特征进行目标定位;通过局部稀疏表示模型的重构残差进行遮挡判别,如果发生遮挡则进行在线支持向量机检测,实现目标重定位;进行由粗至精的尺度估计,通过尺度预估计和牛顿迭代法得到目标的精确尺度。采用均衡的模型更新策略,固定更新相关滤波器,保守更新稀疏表示模型和支持向量机。实验结果表明:与现有跟踪算法相比,所提算法能有效降低遮挡、目标尺度变化等复杂因素的干扰,并在50组测试序列上取得较高的距离精度和成功率,其整体性能优于其他对比算法。     

基于字典学习和稀疏表示的单通道语音增强算法综述*

如何从带噪语音信号中恢复出干净的语音信号一直都是信号处理领域的热点问题。近年来研究者相继提出了一些基于字典学习和稀疏表示的单通道语音增强算法,这些算法利用语音信号在时频域上的稀疏特性,通过学习训练数据样本的结构特征和规律来构造相应的字典,再对带噪语音信号进行投影以估计出干净语音信号。针对训练样本与测试数据不匹配的情况,有监督类的非负矩阵分解方法与基于统计模型的传统语音增强方法相结合,在增强阶段对语音字典和噪声字典进行更新,从而估计出干净语音信号。本文首先介绍了单通道情况下语音增强的信号模型,然后对4种典型的增强方法进行了阐述,最后对未来可能的研究热点进行了展望。     

基于K-SVD和残差比的低信噪比图像稀疏表示去噪算法

针对低信噪比图像去噪问题,提出了一种基于K-SVD(Singular Value Decomposition)和残差比(Residual Ratio Iteration Termination)的正交匹配追踪(Orthogonal Matching Pursuit,OMP)图像稀疏分解去噪算法。该算法利用K-SVD算法将离散余弦变换(Discrete cosine transform,DCT)框架产生的冗余字典训练成能够有效反映图像结构特征的超完备字典,以实现图像的有效表示。然后以残差比作为OMP算法迭代的终止条件来实现图像的去噪。实验表明,该算法相对于传统基于Symlets小波图像去噪、基于Contourlet变换的图像去噪,以及基于DCT冗余字典的稀疏表示图像去噪,能够更加有效地滤除低信噪比图像中的高斯白噪声,保留原图像的有用信息。     

基于稀疏表示分类和近红外光谱的烟叶自动分级研究

以近红外光谱技术和深度学习算法为依托,提出了一种基于稀疏表示分类算法的烟叶分级方法。该方法首先将所有训练样本通过稀疏编码建立稀疏表示数据字典,并对所有测试样本在该字典下通过稀疏编码进行稀疏表示,然后计算每个测试样本在数据字典上的投影,将具有最小残差的等级作为测试样本的级别。本文算法与线性判别方法与粒子群支持向量机算法进行了比较和分析,实验结果表明本文所提出的稀疏表示分类算法不仅能够获得更高的分类正确率,同时具有更高的计算效率。本文所提出的方法能够对烟叶的不同等级进行准确识别,为烟叶收购中的质量等级评价提供了一种新技术。     

近似零伪范数约束的水声信号压缩与重构

提出近似零伪范数约束的稀疏压缩与重构方法。该方法首先采用稀疏二进制矩阵作为测量矩阵,对信号进行压缩和传输;在接收端仅给定测量矩阵和压缩信号的条件下,采用小波滤波器设计字典,利用最陡梯度法寻优和投影方法求得信号的稀疏表达,最终结合稀疏表达值与字典用于水声数据重建,海试实验结合扫频以及单载频信号进行处理,采用NMSE、SNR以及算法运行时间作为算法的评估指标,以验证本文方法相对于传统算法在恢复精度上的提高。      

采用字典递归更新的目标检测稀疏算法及GPU实现

稀疏表示是一种有潜力的图像信息表示方法,已应用于图像目标检测。正交匹配追踪算法(OMP)求解稀疏系数过程计算复杂,不能满足快速处理的要求,因此引入Kalman滤波器的递归思想,提出了一种计算稀疏系数的快速OMP(FastOMP)算法。利用Hermitian引理,从上一时刻的状态更新当前信息,避免了高维矩阵数据的重复计算。为提高算法的执行效率,提出了基于GPU/CUDA(图形处理器/统一计算设备架构)的并行计算方法,充分利用GPU的并行计算能力,提高了FastOMP算法的计算速度。实验结果表明,与传统OMP算法相比,FastOMP算法可大幅度缩短计算时间并提高检测精度。     

基于分类-验证模型的视觉跟踪算法研究

针对相似度目标跟踪算法主要考虑目标的类内相似,而忽略不同目标的类间差异的问题,提出基于分类-验证模型的视觉跟踪算法。该算法通过增加目标的属性(类别)信息,利用相似度信息与类别信息构建损失函数,在高维空间学习目标的类内相似和类间差异;将目标模板与候选目标输入网络模型,分别通过分类与验证模块实现网络参数更新;利用训练网络提取目标模板与候选目标的深度嵌入特征,实现目标跟踪。在OTB50和UAV123数据库上进行实验,结果表明,该算法可以大幅提高跟踪效果,对相似目标具有较强的稳健性。     

利用核模糊聚类和正则化的图像稀疏去噪

针对目前图像去噪方法噪音抑制不彻底、容易模糊细节等问题,提出了一种利用核模糊C均值聚类和正则化的图像稀疏去噪方法.该方法首先将图像分成大小相同的若干块,并采用核模糊C均值聚类算法对相似的图像块进行聚类,从而保证同一类图像块共享相同的稀疏去噪模型;然后,选择由经典图像库中图像训练而得的全局字典作为初始字典,很好地适应图像的多种特征;接着,对于同一类图像块,通过施加1/2范数正则化约束,实现该类图像块在字典下的稀疏分解,确保分解系数更为稀疏;最后,通过改进的K-奇异值分解算法完成字典的更新,并选择与原稀疏模型差异最大的图像块来替换更新字典的冗余原子,从而有效地去除图像噪音.实验结果表明,与小波扩散去噪法、固定字典去噪法、最优方向去噪法、K-奇异值分解去噪法相比,该方法能更有效地去除图像噪音,保留图像细节,改善图像视觉效果.     

基于颜色模型和稀疏表示的图像型火焰探测

常用的图像型火焰探测算法是提取火焰在图像上表现出的单个特征信息或其有效组合作为识别的依据,需要大量的训练样本进行学习与参量优化,且识别率对特征选择的要求也很高.本文从火焰的整体特征考虑,提出了基于颜色模型和稀疏表示模型相结合的图像型火灾探测方法.首先在HIS空间建立颜色模型对火灾图像进行预处理提取出疑似区域,建立稀疏表示模型,并利用主成分分析方法构造火焰和疑似火焰物体的特征字典,最后利用l1-minimization计算测试样本与训练样本的最小逼近残差实现火焰和干扰物体的分类识别.实验结果表明,该方法提高了火灾图像的分类准确度和识别速度,同时具有较高的准确率.     

字典学习稀疏表示的高光谱图像异常检测

针对稀疏表示高光谱检测算法性能受背景字典影响较大的问题,充分利用高光谱图像空间信息和光谱主成分信息,提出了一种基于字典学习的稀疏表示异常检测算法。首先利用主成分分析提取高光谱数据的主特征,建立目标主成分空间,并证明了在主成分空间进行字典学习稀疏重构的可行性;然后在主成分空间内构造基于K-SVD算法的训练字典,改善了背景字典性能;采用正交匹配算法重构主成分分量,利用主成分分析反变换得到待检测像元重构光谱,增强了高光谱图像的局部异常特性;最后,基于重构误差异常特性实现高光谱图像异常检测。仿真结果证明了该方法的有效性。