基于去雾增强和张量恢复的红外小目标检测

为解决红外块张量模型中利用核范数难以找到张量秩的非凸逼近,得到的非最优解进而影响红外小目标检测,提出了一种基于去雾增强和张量恢复的红外小目标检测算法。首先,利用改进后的暗通道算法对红外图像去雾增强,提高清晰度的同时间接增强了红外图像中背景的低秩性;其次,筛选匹配的张量正面切片去构建红外块张量模型,在张量奇异值分解的框架下,将检测任务转化为张量恢复问题;最后,设计一种快速算法恢复出红外图像中的低秩成分和稀疏成分,运算简单降低算法复杂度。相较于滤波和人类视觉系统的方法,该算法在复杂背景下的误检率平均下降16.6%,在常见的高亮背景区域中检测性能良好,误检率可降低33%。实验结果表明:该算法可以适用于复杂场景,剔除潜在的虚警点。

基于块和低秩张量恢复的视频去噪方法

由于采用矩阵的表示形式会破坏视频数据的原始空间结构,针对这一问题,提出了一种基于块和低秩张量恢复的视频去噪方法。首先运用自适应中值滤波器对含噪视频进行预处理,通过相似块匹配构造一个三阶张量,根据视频张量的低秩性和噪声像素的稀疏性,利用基于张量的增广拉格朗日乘子法(ALM)重建出三阶视频张量的低秩部分和稀疏部分,实现噪声的分离。该方法采用张量模型来处理视频去噪的问题,更好地保护了视频序列的高维结构特性,可以准确地去除复杂结构视频的噪声干扰。实验结果表明,相对于常用方法,该方法能准确完整地分离噪声,具有更强的视频去噪能力。

基于低秩张量恢复的视频块效应处理

针对块编码的视频解码后存在块效应的问题,提出了一种基于块和低秩张量恢复的块效应处理方法。首先在视频序列里寻找相似块构造三阶张量,根据背景张量的低秩性和块效应的稀疏性,利用扩展于张量上的增广拉格朗日乘子法求解一个低秩张量恢复问题。从张量模型的角度来进行视频块效应处理,更好地保护了高维数据的结构特性。实验结果显示,相对于传统去块效应方法,通过该方法得到的视频图像有更高的峰值信噪比(PSNR)和更好的视觉效果。

基于张量低秩恢复和块稀疏表示的运动显著性目标提取

针对视频的高维结构特性,采用张量表征并将运动显著性目标提取转化为基于低秩张量恢复和块稀疏表示问题.首先根据背景张量的低秩性和运动目标的稀疏性,利用加速近端梯度张量恢复方法分别重建出RGB颜色通道中三维视频张量的低秩部分与稀疏部分,初步实现背景与运动目标的粗略分离;其次组合三颜色通道稀疏张量并转化为按照帧数展开的二维矩阵,进一步通过矩阵恢复的方法去除动态背景产生的小稀疏块干扰;最后通过自适应阈值法选择运动目标稀疏块掩模并对存在的空洞进行填充补偿,以达到重构出完整前景运动目标的目的.相对于常用方法,该方法从张量模型角度解决运动目标提取问题,较大程度地保护了视频序列的原始空间结构,不仅能够降低运动目标提取区域出现的漏检问题,而且可以很好地去除动态背景所带来的干扰.实验结果表明,该方法对运动目标提取的准确度较高,鲁棒性较强.

改进非凸估计与非对称时空正则化的红外小目标检测方法

针对复杂背景下的红外小目标检测,在非对称时空正则化约束的非凸张量低秩估计算法基础上,提出了一种新的核范数估计方法代替原算法中的估计方法。提出基于结构张量与多结构元顶帽(Top-Hat)滤波的自适应权重张量对目标张量进行约束,增强目标张量稀疏性的同时抑制其中残存的强边缘结构。实验结果表明,所提改进算法能够更好地消除图像中强边缘结构对检测结果的影响,在保证检测率的情况下,较原算法具有更低的虚警率。

一种基于张量的深度视频增强算法研究

针对深度视频出现的许多空洞,提出一种基于张量的深度视频空洞修复算法。首先运用加权移动平均机制对原始深度视频进行处理,得到预处理视频,然后根据背景张量的低秩性和运动目标的稀疏性,利用低秩张量恢复的方法重建张量的低秩部分和稀疏部分,实现背景与运动目标的分离。同时,针对分离出来的运动目标部分,利用相似块匹配构造一个四阶张量,根据视频张量的低秩性和噪声像素的稀疏性,再次利用张量恢复重建四阶张量的低秩部分和稀疏部分,去除噪声并修复视频空洞,采用张量表征深度视频,利用分块处理,解决基于帧处理的传统方法丢失数据信息问题,保持视频数据的空间结构,在相同实验环境下,采用3个视频进行测试。实验结果表明,本方法可以很好地去除噪声,修补孔洞,并且基本可以还原视频的纹理结构,保持边缘,达到视频增强的效果,显著提高了深度视频的质量,鲁棒性强。该研究对实时获取外界信息具有重要意义。

西南大学发布人工智能领域新算法

近日,西南大学数学与统计学院王建军教授团队在人工智能领域再次取得突破性进展,研究成果论文“基于二值测量的稳健低管秩张量恢复”在人工智能领域国际期刊《IEEE模式分析与机器智能汇刊》在线发表。该成果可以实现数据传送、压缩、回复更高效更精准。根据论文第一作者、西南大学数学与统计学院王建军教授博士研究生侯景耀介绍,该研究成果提出了基于二值量化的低秩张量恢复模型、理论与算法。将二值测量方法与低秩张量恢复相结合,除了降低存储空间、节约成本、提升精度之外,还使得这种压缩方式与移动终端对接成为可能。

运动车辆检测的APG-TR算法

为了提高智能交通系统中运动车辆检测的准确率,提出了一种基于张量恢复的APG-TR算法。采用张量表征交通视频图像,保持视频图像高维结构特征。通过张量恢复,重建出张量的低秩部分与稀疏部分,实现交通视频图像中交通背景与运动目标车辆的分离与交通视频内在特征的提取。利用交通监控系统采集到的交通视频106帧图像对本文算法进行了测试。测试结果表明:在晴天条件下,APG-TR算法的平均正确率为91.4%,在雨、雾天气条件下,正确率分别为86.4%、85.2%,相比帧差法更加稳定与准确。APG-TR算法具有良好的收敛速度与鲁棒性,在智能交通领域中具有广泛的应用前景。

Recovery of the gravity field from GOCE data by using the invariants of gradient tensor

The gravity field models GUCAS_EGM and GUCAS_EGM_DL are established from GOCE data (GOCE Level 2 Products from Nov. 1 to Dec. 31, 2009) based on the method of the invariants of the gravity gradient tensor, where GUCAS_EGM is derived after GOCE gravity gradient data are filtered with FIR, and GUCAS_EGM_DL is computed with an additional Durbin-Levison arithmetic apart from FIR. Since this method, different from current programs dealing with GOCE data, is introduced for the first time, some new problems are required to be discussed in advance; for example, how to filter GOCE gravity gradient data, how to compute the invariants of the gradient tensor, and how to deal with the pole gap and so on. In addition, by comparing our models with ones recommended by ESA, it can be seen that the variations of GUCAS_EGM and the models recommended by ESA to EGM08 are almost equivalent, and the variation of GUCAS_EGM_DL to EGM08 is obviously less than ones of the recommended models.