基于近似KLT域的语音信号压缩感知

压缩感知是近年来兴起的研究热点,该文基于语音信号在KLT域的稀疏特性,提出了基于模板匹配的近似KLT,并在基于模板匹配近似KLT域上研究了语音信号的压缩感知性能。首先验证语音信号在基于模板匹配近似KLT域上的稀疏性,然后由语音信号与观测矩阵构造相应的观测,采取固定分配每帧观测个数和按帧能量自适应分配每帧观测个数两种方案,再以观测为已知条件利用L1优化算法重构语音信号在基于模板匹配近似KLT域的稀疏系数向量,进而重构原始语音信号。实验表明,语音信号在基于模板匹配的近似KLT域的压缩感知性能较好。

一种基于SIFT和KLT相结合的特征点跟踪方法研究

在目标发生明显姿态和大小变化条件下,为了利用基于特征点的跟踪算法实现对目标可靠、稳定跟踪,提出了一种SIFT算法和KLT(Kanade-Lucas-Tomasi)匹配算法相结合的特征点跟踪方法。通过对SIFT算法进行优化,使得到特征点分布相对均匀,同时不存在聚集现象;通过对KLT匹配算法进行分层迭代设计,提高了目标作快速运动时的匹配精度;最后根据特征点匹配结果,结合Greedy算法得到目标的准确位置。实验结果表明:该算法能够很好地适应目标姿态和大小的变化,实现对结构复杂目标的稳定跟踪;比KLT跟踪算法具有更好的鲁棒性和稳定性,能得到更加准确的目标位置。

基于DM642的KLT跟踪算法的实现及优化

Kanade-Lucas-Tomasi(KLT)算法是基于图像特征点的跟踪算法,由目标对象特征点提取,特征点跟踪两部分组成。本文首先阐述了KLT算法的基本原理,分析了影响算法执行速度的主要原因。分析表明KLT算法的操作主要集中在乘加运算和循环,图像卷积运算和循环占用的执行时间比较长。针对TMS320DM642 DSP的硬件平台特点,提出了算法优化的若干策略。通过配置编译环境,合理安排数据类型,消除存储器相关性,使用内联函数以及分解多层循环等方法,对算法的实现进行了优化。实验结果表明,优化后代码执行速度是优化前的3倍多。

基于KLT/WT和谱特征矢量量化三维谱像数据压缩

提出了基于KLT/WT和谱特征矢量量化 (SFCVQ)三维谱像数据压缩的新方法。在对多光谱图像数据进行Karhunen Leove变换 (KLT)消除谱相关性 ,再应用小波变换 (WT)对KLT后的多光谱图像数据进行消除空间相关性。采用SFCVQ编码对每个谱像数据进行压缩 ,获得较高的压缩性能。实验结果表明 :KLT/WT/SFCVQ方法和KLT/WT/VQ压缩方法比在同样压缩比 (CR)条件下 ,峰值信噪比 (PSNR)没明显变化 ,而速度提高了 30倍 ,比KLT/WT/FSVQ也提高了 5倍 ,整体压缩性能有较大的提高。

基于KLT/WT/WTVQ的三维多光谱数据压缩方法

提出了三维多光谱图像数据压缩的新方法 .在对多光谱图像数据进行 Karhunen- L eove变换(KL T)消除谱相关性 ,再应用小波变换 (WT)对 KL T后的多光谱图像数据进行消除空间相关性 .采用特殊矢量量化编码 ,叫作小波树矢量量化 (WTVQ)编码对每个谱象数据进行压缩 ,获得较高的压缩性能 .实验结果表明 :KLT/ WT/ WTVQ压缩方法比 KL T/ JPEG和 KL T/ WT/ FSVQ压缩方法在相同的 PSNR条件下 ,CR提高 2 0以上 ,整体压缩性能有较大的提高 ;在同样压缩比 (CR)条件下 ,压缩速度提高

NDV、KLT及其联用时小鼠H_(22)肝癌瘤组织的病理变化与TNF-α表达的研究

【目的】研究新城疫病毒(New Castle Disease Virus,NDV)、康莱特注射液(Kanglaite Injection,KLT)及NDV+KLT联用治疗肝癌肿瘤过程中,癌组织的病理变化以及肿瘤坏死因子-α(Tumor necrosis factor-alpha,TNF-α)在肿瘤组织中的表达情况,探究TNF-α在抗肿瘤过程中的作用,为应用生物素治疗肿瘤提供一定的理论依据。【方法】建立小鼠H22肝癌肿瘤模型,将96只荷瘤小鼠随机均分成生理盐水对照组(0.8mL/只)、NDV治疗组(0.8mL/只)、KLT治疗组(0.5mL/只)及NDV+KLT联合治疗组共4组,分别在治疗后的4,8,12和16d取小鼠肿瘤组织制作2套石蜡切片,一套进行HE染色检测病理变化;另一套进行免疫组织化学SP观察TNF-α的表达情况。【结果】HE染色发现,与对照组相比,NDV组和KLT组都有明显的肿瘤生长抑制及肿瘤细胞坏死现象,特别是NDV+KLT联合治疗组的治疗效果显著;免疫组化研究结果表明,不同的治疗组TNF-α分布差异显著,其中NDV+KLT联合治疗组的阳性反应最强,其次是KLT治疗组。【结论】NDV和KLT的抗肿瘤作用与TNF-α细胞因子表达有一定的相关性,其中NDV+KLT联合治疗的抗肿瘤效果最好。

基于准KLT域的线谱对参数压缩感知量化研究

用尽可能少的比特数实现线谱对(LSP)参数透明量化一直是语音编码领域的研究热点。该文基于压缩感知理论,研究了LSP参数在准KLT域的稀疏性,并设计了LSP参数先压缩感知再矢量量化的方案。编码端,利用压缩感知理论,在准KLT域将原始LSP参数投影到低维空间,得到低维测量值,而后采用分裂矢量量化算法对测量值进行量化;解码端,以量化后的测量值为已知条件,利用正交匹配追踪算法重构出原始LSP高维矢量,重构值作为最终量化值。实验结果表明,算法在适当的码本存储量和搜索复杂度下,达到透明量化效果所需的比特数最优时仅需5 bit/帧。

基于KLT和HEVC的嵌入式高光谱图像实时压缩

现有追求高压缩质量的高光谱图像压缩算法普遍存在计算复杂度高、离线式处理、嵌入式平台实现难度大等问题,目前很难得到实际应用。为解决以上问题,设计一种基于KLT和HEVC的嵌入式高光谱图像实时压缩方法。首先基于KLT去除谱间相关性,然后基于HEVC去除空间相关性并完成量化编码的过程。基于NVIDIA Jetson TX1平台,设计并实现了CPU和GPU异构并行压缩处理系统。利用真实数据集对所设计算法和所实现平台进行了性能及可行性验证。实验结果表明:在相同压缩比下,与离散小波变换(DWT)+JPEG2000算法相比,该系统明显提升了重建精度,在峰值信噪比(PSNR)方面平均提高了1.36 d B;同时,相比CPU,在GPU中进行KLT计算也至多可缩短33%的运行时间。

结合重叠子帧的KLT和MMCE的说话人辨认

KLT已经成功用于与文本无关的说话人辨认的特征提取,但是对于特征矢量分解,它需要巨大的计算负担。为了减轻计算负担,把KLT和重叠子帧合并起来用于噪声环境下的说话人辨认。基于重叠子帧的分离方法,文中提出了一种有效技术去建立特征矢量矩阵以便取得KLT的优点。在传统的MCE方法中,对于有K个说话人的系统而言,每一类别的分类错误都需要计算K-1类的判别函数,随着K的增加,使得计算量大量增加,文中提出改进的MCE模型以减少计算量,提高运算速度。实验结果显示:所提出的方法不仅减少了计算量,而且提高了系统辨认率。

基于KLT算法和MMCE的说话人识别

利用自适应KLT提出了一种新的语音去噪方法。自适应KLT的语音去噪算法,不需要白化处理,既可以自适应跟踪KLT阵,又能够有效地协调去噪后信号的音质与可懂度之间的矛盾。在说话人识别阶段采用改进的MCE。实验表明,该混合系统确实能够增强说话人辨认的鲁棒性和识别率。

基于有效KLT和重叠子帧的说话人辨认(英文)

把KLT和重叠子帧用于在噪声环境下的说话人辨认。基于重叠子帧的分离方法,提出了一种有效技术去建立特征矢量矩阵和取得KLT技术的优点的有效性。做了几个实验。和GMM相比较,采用KLT/MMCE的辨认率得到了明显的提高。特别是当混合数达到128时,辨认率达到了98.5%。因此,实验结果现实所提出的方法确实能减少计算量和提高系统的辨认率。

基于FPGA的KLT特征点多层次归并排序

KLT算法已在多个领域得到成功的应用,其中特征点的排序是用来选择好的特征点跟踪的关键。针对传统排序算法计算耗时、实时性差的缺点,提出一种可并行的多层次归并排序算法并在FPGA中实现了其并行计算,同时分析了其周期精确的计算时间。结果表明该归并排序算法可以O(N)的时间复杂度完成特征点的排序,能够满足高清分辨率的图像/视频数据中KLT特征点排序的实时性要求。

用于说话人辨认的基于重叠子帧的有效KLT

本文把KarhunenLooeve变换(KLT)和重叠子帧合并起来用于附加噪声环境下的有效说话人辨认。基于重叠子帧的分离方法,我们提出了一个有效技术去建立特征矢量矩阵和取得KLT技术的优点的有效性。在识别阶段,我们提出了一种改进的MCE模型去减少计算量,并进而提高运算速度。

基于Harris角点的KLT跟踪红外图像配准的硬件实现

提出了一种基于Harris角点的KLT跟踪图像配准算法用于解决红外搜索跟踪系统中红外图像配准问题。该算法首先对红外序列图像进行Harris角点检测,选取合适的角点作为跟踪点,对跟踪点进行KLT跟踪,通过KLT算法计算出序列图像间的位移量,从而实现红外图像配准。整个算法在DE2-115系统平台上实现,采用CycloneIV系列的FPGA,在Quartus13.0软件上利用Vhdl编写和调试Harris角点检测、KLT跟踪以及匹配程序。最后结论表明,该算法能满足红外图像配准的精度和稳定性,并且FPGA在图像处理中可以提供更高的运算速度,更能满足图像配准的实时性要求。

基于KLT算法的驾驶员疲劳检测方法

为了有效解决驾驶员过度疲劳引发交通事故的问题,提出了一种基于KLT(kanade-lucas-tomasi)算法的驾驶员视觉疲劳检测算法。首先在驾驶员眼睛周围选取若干个特征点,用KLT算法对这些特征点进行跟踪,从而来定位人眼,然后将定位到的人眼与模板进行比较,采用阈值的方法,计算二者的相似度,从而判断眼睛的状态。针对该方法受光照影响较大的问题,又提出背景模型对该算法作了较大改进。通过对采集到的视频流的处理,结果表明该方法有较好的实用性。

基于分块KLT的多光谱遥感图像低复杂度有损压缩

多光谱图像的有效压缩已经成为遥感领域亟待解决的难题。针对星载多光谱成像仪获取的多光谱图像,提出了一种基于分块KLT(Karhunen-Loève transform,卡胡南-洛维变换)的低复杂度有损压缩算法。该算法首先对每个波段分别进行空间二维小波变换,以去除多光谱图像的空间相关性;然后将每个波段分成互不重叠且大小相等的图像块,每次仅对相邻两个波段的对应图像块进行谱间KLT变换,以去除谱间相关性;最后对变换后的所有波段进行联合EBCOT(Embedded Block Coding with Optimized Truncation,最优截断的嵌入式块编码)压缩。实验结果表明,该算法的压缩性能优于基于整体KLT的多光谱图像压缩算法,并且具有较低的编码复杂度。

基于KLT特征点的LK光流金字塔FPGA实现

提出了一种基于KLT特征点的LK光流金字塔的FPGA实现方法,用于解决目标检测与跟踪系统中图像匹配实时性差、鲁棒性低及资源开销大等问题。在FPGA端,首先利用优化的KLT算法提取图像的特征信息;再结合图像金字塔,通过优化的LK光流金字塔算法估计特征点的总光流;最终将FPGA处理结果与MATLAB仿真进行对比分析。实验结果表明,该优化的方法在硬件实现中是合理有效的,不仅降低了算法实现的难度及资源开销,同时可满足图像匹配精度及实时性的要求。

基于KLT多视图特征跟踪的物体三维重建

为了提高三维重建精度,文章提出一种基于Kanade-Lucas-Tomasi(KLT)多视图特征跟踪的物体三维重建方法。首先采用Shi-Tomasi算法提取特征,通过KLT跟踪算法获取特征匹配点,从而将所有相邻图像进行三维点云重建,并通过光束法平差(bundle adjustment,BA)算法进行优化;然后采用KLT跟踪算法获取空间点在相邻3幅图像的投影点,从而建立不同视图坐标系间的变换模型,获取转换比例系数;再通过融合多视图的三维点云实现物体的三维重建。实验结果表明,通过KLT算法,不仅提高了特征点匹配数量,还解决了多视图构建的不同三维点云坐标系的相互转换问题,实现了物体的多视图三维重建。

基于KLT光流的无人机视频影像特征点跟踪算法

针对无人机低空采集的高分辨率视频特点,提出了一种无迹卡尔曼滤波和KLT(Kanade-Lucas-Tomasi)匹配算法相结合的特征点跟踪算法。首先,利用无迹卡尔曼滤波在相邻帧中进行特征点预测,以确定匹配范围;其次,根据KLT匹配算法对特征点进行跟踪,以得到的匹配结果作为观测值;最后,通过卡尔曼增益修正得到特征的准确位置。针对建筑物、草地等不同类型视频数据集的实验结果表明,该算法可以得到精确的特征位置。

KLT织物疵点检测算法研究及FPGA实现

提出了一种基于FPGA的织物疵点检测系统的实现方案,设计在充分利用FPGA的并行体系架构和丰富的块存储资源的情况下引入KLT(Kanade-Lucas-Tomasi)特征点检测算法对织物疵点进行实时检测,以灵活的硬件可编程来满足KLT检测算法的调整以适应不同的检测要求。经验证,系统可以在实际的应用中准确地检测出织物上的疵点,且检测灵活方便。