稀疏约束与时间一致的背景感知相关滤波目标跟踪

背景感知滤波算法通过循环移位采集真实负样本,有效解决了边界效应.但在复杂场景例如遮挡、快速移动、背景干扰等,其较大的采样区域导致过多背景在杂波干扰,从而影响跟踪效果.针对这一问题,本文首先提取灰度HOG特征与颜色CN特征来提高目标外观模型,在基准目标函数基础上引入L1稀疏正则约束形成弹性网络以自适应筛选关键特征,增强滤波器在复杂背景下的判别能力.同时针对BACF在跟踪过程中目标快速变化,本文引入时间正则项提高滤波器抑制畸变的能力.最后,本文提出了一种独立的尺度滤波器算法,准确提供目标尺度大小.实验仿真结果表明,在公开数据集OTB-2013和OTB-2015上,本文算法较基准算法有很大提升,能够较好应对不同复杂场景下的跟踪难题.

基于稀疏约束的低复杂度可变分数时延滤波器

针对基于Farrow结构的可变分数时延(Variable fractional delay,VFD)滤波器需求解大量子滤波器系数这一关键问题,本文将稀疏约束理论引入滤波器的权系数优化中,研究具有稀疏系数的Farrow结构滤波器。在极大极小(Minimax)准则下,通过添加L1正则化约束项改进权系数优化模型,在系数(反)对称性基础上进一步增加系数的稀疏度。然后,采用交替方向乘子法(Alternating direction method of multipliers,ADMM)进行权系数迭代求解。仿真实验表明,本文提出的基于稀疏约束的VFD滤波器在保证高延迟精度的同时,乘法器和加法器分别减少了47.69%和58.60%,极大地降低了系统运算量以及复杂度。

基于稀疏约束的最小方差无偏自适应荷载估计

提出了一种基于稀疏约束的最小方差无偏自适应荷载估计算法,该算法是对传统的最小方差无偏估计算法的改进。利用大部分结构荷载在空间稀疏的特点,通过PM(pseudo-measurement)技术对荷载向量施加了一个稀疏约束,最终无约束的最小二乘估计转换为了基于l 1范数的稀疏约束,在这样的改进下,传统算法在加速度观测下的荷载漂移问题被有效地解决,同时提高了算法荷载估计的鲁棒性。此外,对于噪声估计传统做法都是通过经验进行手动设置,在工程应用中极大不便。基于此,引入了自适应估计算法,实现了测量噪声协方差自适应估计。最后,通过1个10自由度弹簧阻尼系统和一个3层框架试验结构验证了算法的有效性。

非负组稀疏约束优化问题的最优性条件

基于Bouligand意义下的切锥与法锥和Clarke意义下的切锥与法锥,该文研究了非负组稀疏约束优化问题的最优性理论.该文定义了非负组稀疏约束集的Bouligand切锥与法锥和Clarke切锥与法锥,并给出了它们的等价刻画形式.在目标函数连续可微的条件下,借助于非负组稀疏约束集的切锥和法锥,给出了该优化问题的四类稳定点的定义,并讨论了它们之间的关系.最后,建立了非负组稀疏约束优化问题的一阶和二阶最优性条件.

融合稀疏约束的双向k近邻粗糙集模型

k近邻粗糙集作为邻域粗糙集的拓展,被广泛应用于知识发现等领域.k近邻粗糙集模型的粒度构建是选取最近的k个样本.然而,传统k近邻粒度不能有效处理样本分布不均匀的数据.此外,单向粒度构建方法也会导致部分离群点被归入到粒度模型中,增加了粒度的不确定性.为了解决上述问题,提升粒度模型的稳定性,本文提出了一种融合稀疏约束的双向k近邻粗糙集模型.首先,通过稀疏约束模型刻画样本之间联系,选取紧密关联的样本构造稀疏双向k近邻粒度.然后,基于双向互邻信息策略,剔除模型中不符合该策略的样本.最后,通过条件熵与互信息熵刻画粒度的不确定性程度.UCI数据集的实验结果证明,本文提出的融合稀疏约束的双向k近邻粗糙集模型能够降低信息的不确定性,也为k近邻粗糙集模型的改进提供了新的方向.

稀疏约束的L21增量式非负矩阵分解研究

针对新增数据增大而引起的运算效率增大的现象,提出了一种稀疏约束的增量式非负矩阵分解改进算法。该算法是在加入稀疏条件的情况下对增量数据使用L21范数。首先对初始数据进行经典非负矩阵分解,其次再利用其分解结果参与增量数据的运算,使目标函数在分解计算中具有较好的收敛效果和分解后数据有较好的稀疏度。实验部分主要是将该算法与增量式非负矩阵分解、稀疏约束的增量式非负矩阵分解、经典非负矩阵分解算法进行对比,得出在分解后数据的稀疏度和收敛快慢方面该算法均优于其他3个算法。

基于稀疏约束与双线索选择的目标跟踪算法

为了解决现有DCF类跟踪器存在边界效应及时间滤波器退化的问题,进一步增强其在复杂场景下跟踪的准确性,基于LADCF算法,提出了一种有效的双线索目标跟踪框架,用于鲁棒视觉跟踪。将结构化稀疏约束应用到多通道滤波器,并通过提取9维HOG特征与11维CN特征构建新的跟踪线索,与原有线索协同跟踪目标。建立可靠性评估策略,在每一帧中选择合适的线索进行跟踪。在OTB-50、OTB-100基准数据集上进行了定性和定量评价,实验结果表明,所提出的方法跟踪准确度相比LADCF算法提升了2.4%,相比ECO_HC提升了3.7%,优于现有的主流跟踪算法,且跟踪速度达到21.1帧/s,可以实现实时跟踪。

全变差稀疏约束深度非负矩阵分解高光谱遥感影像解混方法

传统非负矩阵分解方法仅基于单层线性模型,现有的深度非负矩阵分解模型忽略了地物光谱的实际混合物理过程,仅从数学理论考虑深度分解。对此,文中从光谱混合的物理过程出发,综合非负矩阵分解和深度学习,将光谱混合过程进行反向建模,并充分考虑丰度的稀疏性和空间平滑性,构建了用于高光谱遥感影像解混的面向端元矩阵的全变差稀疏约束深度非负矩阵分解模型。通过模拟实验和真实实验,将文中所提方法与5种解混方法进行对比。结果表明,相较于面向丰度的深度非负矩阵分解算法,文中所提方法的平均光谱角距离和均方根误差均有所降低,取得了最佳解混结果。

基于混合范数稀疏约束的ISAR高分辨成像算法

基于逆合成孔径雷达(ISAR)信号的稀疏性,提出了一种基于混合范数稀疏约束的ISAR高分辨成像算法。该方法通过利用压缩感知理论建立了一个基于l2,0混合范数稀疏约束下的最优化ISAR信号模型,通过求解该最优化模型实现短相干积累时间下ISAR图像的高分辨重建。该模型利用了l2,0混合范数的优势,运算时可实现更快收敛,大大提高了模型求解的运算速度;同时,该最优化模型在求解时采用了共轭梯度下降法和快速傅里叶变换操作,提高了算法的求解运算效率。仿真和实测数据都验证了方法的有效性。

基于稀疏约束非负矩阵分解的水下线谱增强方法

水下目标线谱增强是被动声纳目标探测的关键问题之一。传统的线谱信号处理方法集中于时域和频域处理,本文提出了利用非负矩阵分解,在时频联合域内进行线谱信号增强的处理方法,以目标线谱信号的时频矩阵作为非负矩阵分解的输入,通过基矩阵提取线谱信号的频谱模式。根据线谱信号在频域的稀疏性质,对基矩阵进行稀疏性约束,利用权重稀疏扫描的方式讨论基矩阵的稀疏度和频率估计精度随权重系数的变化关系,确定稀疏约束项的有效权重系数区间。仿真结果显示,稀疏约束项在低信噪比条件下表现出优越的线谱增强能力,最低信噪比可达-30 dB。海试数据结果表明,此方法可以有效地提高对线谱信号的提取能力。

基于稀疏约束的地震数据高效采集方法理论研究

随着地震勘探目标复杂化和精细化程度的提高以及"两宽一高"等采集技术的广泛应用,当前地震数据采集的时间越来越长、成本越来越高.针对此问题,本文基于压缩感知理论开展了地震数据高效采集方法的改进和探索研究.根据波动方程解的一般表示式,从波场传播的角度给出了地震数据具有稀疏性的数学物理依据及寻找适应地震数据稀疏变换的一般方案;在稀疏性先验信息的指导下,发展了具有"蓝色噪声"频谱特征的改进的分段采样方法,并基于最优化理论提出了地震数据重建方法.地震数据的稀疏性理论、稀疏约束下的高效采集方法以及地震数据的重建方法构成了相对完善的地震数据高效采集理论.把该理论用于指导地震数据采集,即利用稀疏约束的随机采样方法改变常规规则密集测网中炮点和检波点(或二者之一)的分布,设计了三种随机且均匀的高效采集测网,提出了利用相应测网获取的地震数据重建为常规规则密集测网地震数据的针对性方案,并使用重建精度、高效采集数据的直接成像和重建后再成像的结果对比证明了上述重建方案的有效性.基于Marmousi模型的高效采集试验检验了本文构建的基于稀疏约束的地震数据高效采集方法理论框架在提高当前地震数据采集效率、降低勘探成本上的优势以及方法的有效性和可行性.

压缩感知及其应用:从稀疏约束到低秩约束优化

压缩感知(或称压缩采样)是国际上近期出现的一种信息理论。其核心思想是只要某高维信号是可压缩的或在某个变换域上具有稀疏性,就可以用一个与变换基不相关的测量矩阵将该信号投影到一个低维空间上,然后通过求解一个最优化问题以较高的概率从这些少量的投影中重构出原始信号。压缩感知理论突破了香农定理对信号采样频率的限制,能够以较少的采样资源,较高的采样速度和较低的软硬件复杂度获得原始信号的测量值。该理论已经被广泛应用于数字相机、医学成像、遥感成像、地震勘探、多媒体混合编码、通讯、结构健康监测等领域。本文归纳了压缩感知研究中的关键问题,探讨压缩感知从稀疏约束到低秩约束优化的发展历程,对压缩感知在遥感、地震勘探等几个相关领域的应用研究进行了综述。

一种加权稀疏约束稳健Capon波束形成方法

为了克服标准Capon波束形成器旁瓣级高以及存在角度失配时性能急剧下降等缺点,在稀疏约束Capon波束形成器的基础上,提出了一种加权稀疏约束Capon波束形成器.该方法利用波束响应的稀疏分布特性,在标准Capon波束形成优化模型中加入旁瓣区域波束响应稀疏约束(?1范数约束),使旁瓣区域波束响应向量中非零元素的个数最小化;通过阵列采样数据协方差矩阵特征分解得到信号子空间及噪声子空间,利用信号子空间与噪声子空间的正交特性,构造加权矩阵对稀疏约束进行加权,使得稀疏重构时波束响应向量中不同角度对应的元素得到不同程度的约束.该方法有效地抑制了Capon波束形成器的高旁瓣级,加深了干扰方位零陷,提高了阵列输出信干噪比.由于稀疏约束,波束响应向主瓣集中,期望信号方向附近的波束响应都较大,从而也提高了阵列抗导向矢量角度失配的能力.数值仿真和水池实验验证了所提方法的有效性.

一种基于部分基矩阵稀疏约束非负矩阵分解的抵抗大强度剪切攻击视频水印构架

该文提出一种部分基矩阵稀疏约束的非负矩阵分解(Non-negative Matrix Factorization with Sparseness Constraints on Parts of the Basis Matrix,NMFSCPBM)方法,其次将水印嵌入在NMFSCPBM分解后的基矩阵大系数中,利用NMFSCPBM提取视频运动特征自适应控制水印嵌入强度。最后,在水印检测时,只要残余视频中包含有视频最小剩余子块数,就可以恢复出完整基矩阵,进而提取出完整水印。实验表明,与同类方法相比,该方法抵抗强剪切攻击的能力获得了较大程度提升。

基于稀疏约束和多源激发的地震数据高效采集方法

地震勘探目标日趋复杂化和精细化,"两宽一高"等采集技术获得了广泛应用,从而导致当前地震数据采集周期越来越长、成本越来越高,如何解决日益增长的勘探成本问题成为当前地震采集领域的研究热点之一.针对上述问题,本文首先开展了基于稀疏性的地震数据高效采集方法理论研究,对地震数据稀疏性基本理论、稀疏约束下随机采样及其数据重建方法进行了深入探讨,提出使用改进的分段随机采样方法灵活地进行实际地震采集测网设计;详细阐述了多源地震激发方法,对多源地震数据分离方法开展了深入研究,提出了基于小窗口中值滤波与稀疏约束联合随机去噪的多源数据分离方法,并在数据分离处理中取得了较好的效果;将上述两种地震数据采集方案有机结合,提出了1)规则多源、随机检波点(DmsRg)、2)随机多源、规则检波点(RmsDg)和3)随机多源、随机检波点(RmsRg)等三种高效采集方案及相应的数据重建方案,满足了后续常规化数据处理的要求,并讨论了多源激发对数据成像的影响.基于Marmousi模型数据的数值试验表明,本文构建的基于稀疏约束和多源激发的高效采集方法理论对于提高地震数据采集效率、降低勘探成本具有重要的应用价值,建立的数据重建方法流程可以取得和常规数据接近的成像结果.本文方法虽然在数值试验中取得了较为理想的效果,但还需要得到野外实际数据采集的进一步检验.

地震波形反演的稀疏约束正则化方法

本文考虑地震波形反演问题.为了克服传统的Tikhonov正则化方法过度光滑的弊端,引入了非线性稀疏约束正则化方法,并采用对偶方法求解稀疏约束泛函的极小点.基于二维声波方程波形反演问题进行了数值模拟,针对不同模型对稀疏约束正则化方法进行了测试.结果表明,稀疏约束正则化方法对不连续介质模型的介质边缘具有良好的识别能力.

基于稀疏约束最优化的ISAR相位自聚焦成像算法

本文提出了一种基于稀疏约束的ISAR方位自聚焦算法,能够应用于稀疏孔径ISAR成像中.该算法利用ISAR图像的稀疏特征建立最小1范数成像模型,并将相位误差作为模型误差.然后通过数值迭代的方式进行自适应相位误差估计,最终获得聚焦良好的ISAR图像.同时,成像代价函数的建立基于矩阵模型,有利于采用方位FFT和矩阵的Hardmard乘积操作进行快速求解.由于利用稀疏约束,该方法在低信噪比的条件下仍然能够取得良好的聚焦结果.基于仿真数据和实测数据的结果验证了本文算法的有效性.

基于稀疏约束贝叶斯估计的相对波阻抗反演

地震道积分是一种利用地震资料进行的无约束反演技术,可以方便地得到地层的相对波阻抗,但采用稀疏反演的反射系数递推反演相对波阻抗,横向连续性差、可用性低。给出了一种基于稀疏约束贝叶斯估计的地震相对波阻抗反演算法,即在反射系数Cauchy概率分布稀疏约束下,基于贝叶斯最大后验概率估计,采用预条件共轭梯度法估计地震子波和反射系数,从而得到高分辨率的反褶积结果,进而得到高分辨率的相对波阻抗剖面。利用理论模型和实际数据对算法进行了验证,结果表明:基于稀疏约束贝叶斯估计的相对波阻抗反演方法可行;与直接法稀疏反演相比,预条件共轭梯度法稀疏反演精度高、收敛快、数值计算稳定。

基于结构灵敏度分析与稀疏约束优化的结构损伤识别方法

在反问题求解中引入稀疏约束条件是当前应用数学领域的研究热点,结构损伤识别是典型的结构动力学反问题,且结构的损伤具有空间稀疏性,也即结构损伤发生时,只有部分单元或子结构出现损伤,基于结构灵敏度分析与稀疏约束优化,提出了一种结构损伤识别方法。通过结构灵敏度分析,建立结构损伤刚度参数的变化量与模态参数变化量之间的线性方程组,由于实测自由度有限,引入结构损伤稀疏性的条件,采用最小化l_1范数优化求解。通过桁架模型的数值模拟,在考虑测量噪声的基础上,对多损伤工况进行了识别,与不考虑稀疏约束的损伤识别结果进行了对比,并对测点布置与数量对识别结果的影响进行了研究。仿真分析结果表明该方法可以在较少的测点下,有效地识别结构损伤的位置与程度,并且考虑稀疏约束可以明显增加损伤识别结果的准确性。

一种稀疏约束的图正则化非负矩阵光谱解混方法

由于受到高光谱遥感图像传感器平台的限制,图像的空间分辨率受到一定影响,这导致高光谱遥感图像的像元通常是多种地物的混合,也叫做混合像元。混合像元的存在制约了高光谱遥感图像的准确分析和应用领域。采用高光谱解混技术可将混合像元分解为纯净的物质光谱(Endmember,端元)和每种物质光谱所对应的混合比例(Abundance,丰度),为获取更多更精细的光谱提供了可能。这对高精度的地物分类识别、目标检测和定量遥感分析等研究领域具有重要的意义。因此,解混技术成为高光谱遥感图像领域的一个研究热点。基于线性光谱混合模型(linear spectral mixing model, LMM),提出了一种端元丰度联合稀疏约束的图正则化非负矩阵分解(endmember and abundance sparse constrained graph regularized nonnegative matrix factorization, EAGLNMF)算法。该算法通过研究基于非负矩阵分解(nonnegative matrix factorization, NMF)的方法,结合图正则化理论来考虑高光谱数据内部的几何结构,将端元光谱稀疏约束和丰度稀疏约束应用于其中,从而能够对高光谱数据的内部流形结构进行更为有效的表达。首先,构造了EAGLNMF算法的损失函数,采用VCA-FCLS方法进行初始化,然后,设定相关参数,包括图正则化权重矩阵参数、端元光谱稀疏约束因子和丰度矩阵稀疏约束因子,最后,通过推导得到了端元矩阵与丰度矩阵的迭代公式,并且设置了迭代停止条件。该方法不受图像中是否有纯像元的限制。实际上,在现行高光谱遥感传感器平台情况下,高光谱遥感图像中几乎不存在纯像元,因此, EAGLNMF方法为高光谱遥感图像的实际应用提供了一种思路。采用合成的高光谱数据,构造了4个实验来分析该方法的可行性和有效性,实验将该算法与VCA-FCLS,标准NMF及GLNMF等经典的解混算法进行比较,通过光谱角距离(spectral angle distance, SAD)和丰度角距离(abundance angle distance, AAD)这两个度量标准来进行比较。实验1是总体分析实验。在固定的信噪比和固定端元数目的情况下,用以上三种经典方法与EAGLNMF同时进行解混。实验2是SNR影响分析实验。在固定端元数目和不同信噪比的情况下,用这四种方法进行解混。实验3端元数目分析实验。在固定信噪比和不同端元数目的情况下,用四种方法进行解混,并且将结果进行对比。实验结果发现提出的EAGLNMF方法在提取端元精度和估计丰度精度上都更为准确。同时,实验4是稀疏因子分析实验。对端元稀疏约束和丰度稀疏约束之间的影响因子进行分析,实验结果表明引入的端元稀疏约束对于解混结果也具有较好的影响,并且端元稀疏约束和丰度稀疏约束之间的影响因子也对解混结果具有一定影响。最后,将该算法应用于AVIRIS所采集的真实高光谱图像数据,将其解混结果与美国地质勘探局光谱库中光谱进行匹配对比,其提取的平均端元精度相比于其他三种方法要稍好。