结合在线随机张量分解和全变分的运动目标检测

移动摄像机拍摄的视频由于背景帧不固定以及数据量大的问题,有效检测出其中的运动目标仍是一个挑战。提出了结合在线随机张量分解(OSTD)和全变分(TV)正则化的运动目标检测方法。首先,将视频序列可视为三阶张量,采用在线优化方法实时处理。结合小样本批处理初始化缩小基矩阵大小,在前景部分利用TV正则化对目标的空间性进行约束。最后,不断更新基矩阵和稀疏部分系数,直到达到设定的迭代次数或所有样本计算已经完成。实验结果表明:该方法能有效应对背景帧不固定、实时处理等问题,准确地检测出运动目标。与其他同类方法相比,不仅检测精度更高,而且保持了较快的运行速度。

一种改进UNet++网络用于检测黑色素瘤皮肤病变

目的探究基于改进UNet++网络的图像分割算法用于分割黑色素瘤皮肤病变图像的价值。方法构建引入软注意力门和以Tversky-Focal Loss(TFL)函数为损失函数的UNet++网络优化结构——AT-UNet++网络,并将其在国际皮肤成像协作组织(ISIC)挑战2016和2017训练集中训练。计算训练好的AT-UNet++网络与U-Net网络、UNet++网络的逐像素分割精度(ACC)、DIC相似系数(DIC)和Jaccard相似指数(JAI),对以TFL函数为损失函数的UNet++网络和引入软注意力门的UNet++网络在ISIC挑战2016和2017测试集上进行指标评估;比较ISIC挑战2016与2017竞赛排名前五名的参赛队伍模型与AT-UNet++网络的指标参数。结果在ISIC挑战2016测试集上,AT-UNet++网络逐的ACC、DIC和JAI较UNet++网络分别提高3.36%、4.15%和3.95%,在2017测试集分别提高2.65%、5.01%及4.39%。结论 AT-UNet++网络的各项评价指标较其他模型均有不同程度提高。

改进的在线随机张量分解的多光谱视频目标检测

针对目前大部分监控视频使用的单色或三色相机在目标检测中难以解决光照强度变化、颜色饱和度和阴影的问题,以及处理数百个波段的多光谱图像可能会增加计算量,提出了一种改进的在线随机张量分解的多光谱视频运动目标检测算法。在在线随机张量分解的基础上进行扩展,采用在线优化方法实时处理,结合小样本批处理初始化缩小基矩阵大小,采用K-双边随机投影方法不断更新基矩阵和稀疏部分系数,每次处理一个视频帧直到达到设定的迭代次数或所有样本计算已经完成,并在MSVS数据集上进行了实验。结果表明,该算法的检测结果在基于F-measure、recall和precision的定量评价中均有很好的效果,与现有同类方法相比,在检测精度和运行速度上有更加优越的性能。

基于端元提取和低秩稀疏矩阵分解的高光谱图像异常目标检测

为了抑制高光谱图像(HSI)混合像元和噪声在复杂背景中对异常目标检测的干扰,充分提取和利用HSI的光谱特征和空间特征,提出了一种基于端元提取和低秩稀疏矩阵分解的HSI异常目标检测算法。首先,对原始HSI进行最优分数阶傅里叶变换。然后,采用连续最大角凸锥算法对变换后的HSI进行端元提取,得到端元和相应的丰度矩阵,并通过行约束的低秩稀疏矩阵分解方法将丰度矩阵分解为具有低秩特性的背景分量和具有稀疏特性的异常分量。最后,构建背景协方差矩阵,通过马氏距离检测异常目标。实验结果表明,本算法在HSI异常目标检测中具有很好的检测性能。

融合l1-TV正则化约束RPCA模型的视频去噪和目标检测

复杂环境中的目标检测受到很多因素的影响,传统的鲁棒主成分分析(RPCA)无法从受干扰的数据中获得最低秩表示,为此,提出了一种融合l1-全变分(TV)正则化约束RPCA模型的视频去噪和目标检测算法。以RPCA为基础,在低秩稀疏分解框架下,使用核范数的低秩性对背景进行建模,利用三维TV正则化结合l1正则化对前景目标的稀疏性和空间连续性进行约束,再结合l2范数正则化约束噪声部分,从而弥补现有RPCA模型的不足。采用交替迭代的思想,利用增广拉格朗日乘子法对目标函数进行优化求解,实现了复杂环境下的去噪和目标检测。实验结果表明,本文算法不仅能准确检测出噪声干扰下的运动目标,而且保持了较快的运行速度,为视频的实时检测提供了参考。与其他同类算法相比,不仅检测效果更佳,而且在定量评价的三项指标中均具有优越性。

雨雪天气条件下的运动目标检测

针对雨雪天气条件下的运动目标检测受到天气的影响较大,提出一种融合全变分(TV)正则化和Rank-1约束鲁棒主成分分析(RPCA)模型的视频序列运动目标检测算法。利用RPCA这一工具,在低秩稀疏分解框架下,采用Rank-1约束描述背景层的强低秩性,利用TV正则化结合L1范数对前景目标的稀疏性和空间连续性进行约束,从而弥补现有RPCA模型的不足。针对所提模型,采用交替迭代乘子法的思想结合增广拉格朗日乘子法对目标函数进行优化求解。实验结果表明,所提算法不仅能够准确检测出运动目标,而且具有较短的运行时间,这为视频的实时检测提供参考。与其他同类算法相比,所提算法不仅检测效果更佳,而且在F测度值、召回率和准确率的定量评价中均有优越性。