采用低秩与加权稀疏分解的视频前景检测算法

传统的鲁棒主成分分析模型能较好地解决视频前景检测问题.但是,若该模型的假设条件不能满足,算法性能会变差.针对此问题,本文提出了一种低秩与加权稀疏分解模型,通过对前景矩阵加权以增强其稀疏性.在建立加权矩阵的过程中,采用光流法获取每帧的运动矢量,以区分真实运动区域.其次,进一步提出一种增强模型,通过将加权矩阵作用于观测矩阵及背景矩阵,防止前景与背景的错误分离.实验结果表明,在无噪和有噪的情况下,提出的算法均能有效地分离监控视频中的前景和背景.     

有监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法

针对训练样本和测试样本均存在光照及遮挡时,破坏图像低秩结构问题,本文提出基于监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法。首先,将所有训练样本构造成矩阵D,对矩阵D进行监督低秩矩阵分解,分解为低秩类相关结构A,低秩类内差异结构B和稀疏误差结构E;然后用主成分分析方法找到类相关结构A低秩子空间的变换矩阵;再通过变换矩阵将训练样本和测试样本投影到低秩子空间;最后,在低秩子空间中,通过正则鲁棒稀疏编码进行加权分类识别。在AR和Extended Yale B公开人脸数据库上的实验结果验证本文算法的有效性及鲁棒性。      

基于低秩稀疏约束的穿墙雷达成像算法

针对穿墙雷达(TWR)成像过程中墙杂波与成像空间分别具有低秩性和稀疏性的特点,提出了一种基于低秩稀疏约束的穿墙雷达成像算法.所提成像算法通过奇异值软阈值法和l1范数最小化技术进行迭代求解低秩稀疏约束优化问题,实现在墙体强反射波存在的探测环境中基于压缩感知框架对墙后隐蔽目标的准确成像重建.仿真和实验数据的处理结果验证了所提成像算法的有效性和准确性.     

基于低秩稀疏分解的红外弱小目标检测算法研究进展

红外探测系统具有隐蔽性好、抗干扰能力强等特点,广泛应用于军事和民用领域,红外弱小目标的检测是红外探测系统中的重要组成部分,已成为了当前的研究热点。近年来,学者们在基于低秩稀疏分解的红外弱小目标检测算法研究方面取得了丰硕的成果,为此,重点阐述了基于低秩稀疏分解的红外弱小目标检测算法的研究现状和研究进展。从背景分量约束、目标分量约束和联合时域信息约束等3个方面详细地综述了基于低秩稀疏分解的红外弱小目标检测算法。首先把背景分量约束划分为块图像的低秩约束、张量的低秩约束和全变分约束,其次从目标的稀疏性表示和融合局部先验的目标分量加权策略两方面分析了目标分量的约束,然后分析了联合时域信息约束,将典型的基于低秩稀疏分解的检测算法和单帧检测算法进行了性能对比,最后讨论了该领域下一步的研究方向。     

双信任度加权的K秩准则频谱感知算法

基于信任度的协作频谱感知算法,可以很好地解决本地检测的隐藏终端和频谱衰落等问题。但其对于多用户的大量数据分析,缺乏高效的数据统计和融合算法,算法的检测性能有待提高。为此,提出了一种基于双信任度加权的K秩准则协作频谱感知算法。它在主用户存在与不存在两种情况下,分别采用不同的信任度加权的算法,并与K秩准则的融合策略相结合。仿真结果表明,算法在保证数据统计和融合能力的前提下,有效的提高了检测性能和感知能力。     

基于WSNM-RPCA的图像降噪算法

通常情况下,鲁棒主成分分析（RPCA）在数据矩阵的正部分条目被任意损坏,或是缺少部分条目的情况下,依然可以恢复数据矩阵的主成分,但RPCA中采用核范数最小化（NNM）,往往会过度缩小秩分量,限制了分离的质量,因此使用加权Schatten-p范数的最小化（WSNM）来代替核范数的最小化,以取得更好的低秩逼近效果。灰度图像和彩色图像均可以用低秩矩阵去近似,因此可以用基于WSNM的RPCA模型来对含有随机噪声的图像进行恢复。经实验验证,与基于核范数的RPCA相比,基于WSNM的RPCA模型可以更有效地提高降噪的效果。     

联合低秩与稀疏先验的高光谱图像压缩感知重建

本文建立了一种新的高光谱图像压缩感知重建模型,编码端采用块对角的Noiselet测量矩阵对每一谱带进行独立采样,解码端首先建立高光谱图像低秩稀疏表示模型,分解为低秩与稀疏成分,并对低秩成分在空间维进行稀疏分解,进而构建联合谱间低秩性先验与谱内空间稀疏性先验的凸优化重建模型,并提出模型求解的增广拉格朗日乘子迭代算法,通过引入辅助变量与线性化技巧,使得每一子问题均存在解析解,降低了模型求解的复杂度。实验结果验证了本文模型及其算法的有效性。     

秩约束的快速鲁棒主成分分析算法及应用

鲁棒主成分分析被广泛应用于计算机视觉领域,然而现有鲁棒主成分分析方法难以针对各种场景准确分离出低秩信息,而且计算成本高导致算法的实时性不足.针对这两个问题,本文提出了一种新型鲁棒主成分分析算法.一方面基于先验秩信息提出了低秩约束改进模型,提高算法在不同场景中的泛化性能;另一方面引入了黎曼优化理论,将目标矩阵投影到低维子空间上求解,减少算法的运算复杂度.各种实验结果表明,与现有算法相比,改进算法在速度上有非常大的优势,同时能够保证稳定的恢复能力.     

色噪声下基于白化频谱重排鲁棒主成分分析的语音增强算法

基于鲁棒主成分分析(RPCA)的单通道语音增强算法是高斯白噪声环境下语音增强的一种重要处理手段,但其对低秩语音分量处理效果欠佳且无法较好地抑制色噪声。针对此问题,该文提出一种基于白化频谱重排RPCA的改进语音增强算法(WSRRPCA),通过优化噪声白化模型,将色噪声语音增强转换成白噪声语音信号处理,利用频谱重排改进RPCA语音增强处理算法,从而获得色噪声环境下语音信号处理性能的整体提升。仿真实验表明,该算法能够较好地实现色噪声环境下的语音增强,且相对于其他算法具有更佳的噪声抑制和语音质量提升能力。     

基于循环平稳PCA和AdaBoost的频谱感知算法

针对无线信道环境中各低信噪比情况下主用户信号检测率较低的问题,提出一种基于循环平稳特征主成分分析和Ada Boost的主用户信号频谱感知算法。该算法首先对信号采用循环平稳PCA算法进行特征参数提取,获取信号主成分,并生成训练样本和待测样本,再采用Ada Boost算法分别对有无主用户情况下的信号进行分类检测。仿真实验表明,与人工神经网络和最大最小特征值算法相比较,所提算法在各低信噪比情况下,具有较高的分类检测性能,有效地实现了对主用户信号的感知。     

Sparse Representation for Blind Spectrum Sensing in Cognitive Radio: A Compressed Sensing Approach

Cognitive radios enable opportunistic transmission for secondary users (SUs) without interfering the primary user (PU). Cyclo-stationary-based spectrum sensing methods are better than the energy detection methods in negative signal-to-noise (SNR) decibel (dB) regime, in which case the noise variance cannot be exactly estimated. However, blind cyclo-stationary methods require a large number of symbols (and hence measurements). This paper aims to reduce the number of measurements in a blind sensing method (using a combination of linear prediction and QR decomposition), by employing compressed sensing at the receiver front-end, so as to reduce the A/D requirements needed with a large number of measurements, along with oversampling the received signal. Till now, compressed sensing has not been investigated at very low negative SNR (dB), e.g., \(-\)12 dB, which is very crucial in spectrum sensing. The novel algorithm, in this paper, overcomes this shortcoming, and its simulation results show that the SU is able to detect the PU signal, using much less measurements, even at very low negative SNR (dB). The proposed method also investigates the effect of joint and individual measurement matrices at multiple oversampled branches.     

基于稀疏和低秩表示的显著性目标检测

文中研究了无监督自下而上的显著性目标检测方法。基于显著性目标在自然图像中稀疏分布的这一先验性假设,提出了一种用低秩和稀疏表示进行显著性目标检测的方法。根据图像背景的先验分布,首先选取一个有效的背景字典来低秩表示图像的背景部分,进而更好地分离出显著性前景。由于人类视觉中心偏好可知,图像的边缘部分不易引起关注,故选取这些边缘部分作为背景先验来选取背景字典。与其他基于稀疏和低秩分解的显著性目标检测相比,文中选取的背景字典更简单有效,且能得到更好的显著性图。实验结果显示,该方法比主流的显著性检测方法得到的显著性图更令人满意。     

基于稀疏和低秩恢复的稳健DOA估计方法

该文针对有限次采样导致传统波达方向角(DOA)估计算法存在较大估计误差的问题,提出一种基于稀疏低秩分解(SLRD)的稳健DOA估计方法。首先,基于低秩矩阵分解方法,将接收信号协方差矩阵建模为低秩无噪协方差及稀疏噪声协方差矩阵之和;而后基于低秩恢复理论,构造关于信号和噪声协方差矩阵的凸优化问题;再者构建关于采样协方差矩阵估计误差的凸模型,并将此凸集显式包含进凸优化问题以改善信号协方差矩阵估计性能进而提高DOA估计精度及稳健性;最后基于所得最优无噪声协方差矩阵,利用最小方差无畸变响应(MVDR)方法实现DOA估计。此外,基于采样协方差矩阵估计误差服从渐进正态分布的统计特性,该文推导了一种误差参数因子选取准则以较好重构无噪声协方差矩阵。数值仿真表明,与传统常规波束形成(CBF)、最小方差无畸变响应(MVDR)、传统多重信号分类(MUSIC)及基于稀疏低秩分解的增强拉格朗日乘子(SLD-ALM)算法相比,有限次采样条件下所提算法具有较高DOA估计精度及较好稳健性能。

     

基于二项分布的快速盲频谱感知算法

基于特征函数的盲频谱感知算法(CAD)检测性能较好但运算量大.利用样本特征构造了新的检验统计量,推导了频谱空闲时检验统计量的概率密度函数和判决门限,分析了所提算法的检测性能和计算量,从而提出认知无线电中基于二项分布的快速盲频谱感知算法.理论分析和仿真表明,所提算法与CAD算法检测性能相当,同时运算量明显低于CAD算法.     

Blind Spectrum Sensing Algorithms for Cognitive Radio Networks

In a cognitive radio network, the spectrum that is allocated to primary users can be used by secondary users if the spectrum is not being used by the primary user at the current time and location. The only consideration is that the secondary users have to vacate the channel within a certain amount of time whenever the primary user becomes active. Thus, the cognitive radio faces the difficult challenge of detecting (sensing) the presence of the primary user, particularly in a low signal-to-noise ratio region, since the signal of the primary user might be severely attenuated due to multipath and shadowing before reaching the secondary user. In this paper, a blind sensing algorithm is derived, which is based on oversampling the received signal or by employing multiple receive antennas. The proposed method combines linear prediction and QR decomposition of the received signal matrix. Then, two signal statistics are computed from the oversampled received signal. The ratio of these two statistics is an indicator of the presence/absence of the primary signal in the received signal. Our algorithm does not require the knowledge of the signal or of the noise power. Moreover, the proposed detection algorithm in this paper is blind in the sense that it does not require information about the multipath channel distortions the primary signal has undergone on its way to reaching the secondary user. Simulations have shown that our algorithm performs much better than the commonly used energy detector, which usually suffers from the noise uncertainty problem.      

上行3D-MIMO中利用结构稀疏低秩特性的信道估计算法

3维多输入多输出(3D-MIMO)系统能有效提升频谱效率,提高系统容量。但用户数和天线数的剧增,无法保证所有用户的导频都正交,给3D-MIMO信道估计带来估计精度下降和复杂度增加等问题。该文分析了上行3D-MIMO系统信道的结构稀疏特性和低秩特性,并基于这些特性提出一种信道估计算法,给出了算法的收敛性和复杂度。仿真结果表明估计算法能准确地恢复3D-MIMO的信道系数,并有较低的复杂度。     

动态稀疏频谱的自适应压缩感知与跟踪算法研究

在宽带频谱感知、通信侦察等应用中信号稀疏度往往是动态变化的。首先证明了重构误差随压缩比的增加单调减小,在此基础上,提出了一种压缩比随频谱稀疏度自适应调整的压缩采样新算法。新算法由压缩采样与压缩比自适应调整两部分组成,其中,压缩采样部分用于恢复原信号,并估计恢复信号与原信号之间的误差;压缩比自适应部分根据误差与压缩比之间的近似线性函数关系,自适应调整下一时刻的压缩比。计算机仿真结果表明:新算法能够以近似“最优”的压缩比对稀疏度慢变的频谱进行有效感知,并跟踪频谱稀疏度的变化;与传统压缩采样方法相比,在保证频谱感知精度的前提下,新算法能够总体上进一步显著降低采样速率。      

利用低秩先验的噪声模糊图像盲去卷积

单幅图像盲去卷积的目的是从一幅观测的模糊图像估计出模糊核和清晰图像。该问题是严重病态的,尤其是观测图像中噪声不可忽略时更具挑战性。该文主要针对如何有效利用低秩先验约束进行噪声模糊图像盲去卷积问题,提出一种在交替最大后验(MAP)估计框架下利用低秩先验约束的单幅噪声模糊图像盲去卷积方法。首先,在估计中间复原图像时,利用低秩先验约束对复原图像中的噪声进行抑制。然后,采用降噪后的中间复原图像估计模糊核,得到更好质量的模糊核估计。迭代上述两个操作获得最终可靠的模糊核估计。最后,根据所估计的模糊核,通过非盲去卷积方法复原出清晰图像。实验结果表明：所提方法在定量和定性评价指标上优于已有的代表性方法。     

基于稀疏沃尔什谱的BCH码检测识别方法

针对BCH码的盲识别问题,提出了一种基于稀疏沃尔什谱的识别方法.算法利用码字与对偶码乘积的码重估计码字的码长,然后利用沃尔什-哈达马变换求解线性方程组的数学模型,通过遍历不同码率,求解少量特定位置的稀疏沃尔什谱,根据谱值大小可实现BCH码的盲识别.仿真实验表明,该算法能够在较高误码率条件下实现对BCH码的盲检测与识别.